[发明专利]基于双学习映射增量降维模型的人体运动形态估算方法

说明书

本发明公开了一种基于双学习映射增量降维模型的人体运动形态估算方法，包括以下步骤：(1)对图像序列处理后进行矩阵拉直化运算，得到训练高维数据序列，把训练高维序列进行训练后获得低维数据序列和映射关系f₁；(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练，获得映射关系g；(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练，获得映射关系f₂。本发明的一种基于双学习映射增量降维模型的人体运动形态估算方法能够较好的实现三维人体运动形态的估算，具有耗时少、估算准确、效率高的特点。

技术领域

本发明涉及三维人体运动领域，更具体地说，尤其涉及一种基于双学习映射增量降维模型的人体运动形态估算方法。

背景技术

三维人体运动形态估计目前已经成为了热门研亢课题。有相关研究表明三维人体运动形态估计已经被应用于多个领域，例如制作3D电影，开发3D游戏，以及重构三维人体运动模型等等。这项技术目前正还在不断改进，一些新的算法和模型的出现使其得到了一些改善，但是在改进过程中，依然有一些问题的存在。比如，一些粒子滤波或者改进的粒子滤波算法可以用于估计三维人体运动形态，在若起初的一些帧估计以后，由于该类算法会在高维的数据空间进行搜索，会生成无效的数据，使得所估计的人体运动形态不成人形。还有其他的一些降维算法处理高维数据样本时，通过对降维后的低维空间进行搜索，然后再通过相应的低维数据到高维数据的映射关系估计其三维人体运动形态，这些算法不但在训练过程中很耗时，而且根据所建立的目标函数进行搜索也很耗时，估计时间会很长，其效率较低。这类降维算法在估计过程中，非常依赖高维数据样本数量和种类，其还需要复杂的预处理和设置较多的初始训练参数。如果高斯增量降维模型(Gaussian IncrementalDimension Reduction Model， GIDRM)结合一些改进启发式算法进行估计，其估计结果可以得到一定程度的改进，但还是改变不了搜索数据样本耗时，以及所需要样本数目和种类过于完备的问题。大多数情况下，三维人体运动形态的数据样本无需考虑空间位置信息，因为其可以在动作姿态确定后进行预设和添加，例如，3D电影的制作和3D游戏的制作，其人体运动立体模型的空间位置信息是预设好的。然而，运动形态的表现在于每一帧的动作姿态，因此，如何获取有效和展示相应的人体动作姿态就是技术关键，以上所提及的方法都需要处理空间位置信息，其复杂又耗时，故其估计效率会很低。

发明内容

本发明的目的在于提供一种基于双学习映射增量降维模型的人体运动形态估算方法，该估算方法能够较好的实现三维人体运动形态的估算，具有耗时少、估算准确、效率高的特点。

本发明采用的技术方案如下：

一种基于双学习映射增量降维模型的人体运动形态估算方法，包括以下步骤：

(1)对图像序列处理后进行矩阵拉直化运算，得到训练高维数据序列，把训练高维序列进行训练后获得低维数据序列和映射关系f₁；

(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练，获得映射关系 g；

(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练，获得映射关系f₂；

(4)输入新的二维图像序列，重复步骤(1)的处理方法，得到新的二维图像高维数据序列，通过映射关系g生成新的低维数据，再通过映射关系f₂把该低维数据转换新的三维人体运动立体模型的高维数据样本，从而完成估计。

与现有技术相比，本发明具有的有益效果为：