用于人体运动合成的运动纹理模型

本文提出了一种新的用于人体运动合成的运动纹理（Motion Texture)模型。该模型使用统计方法自动分析人体运动捕捉数据，并且可以合成与原始数据在统计特性上相同的人体运动。运动纹理模型是一个两层统计模型，其中包含的两层分别由一组运动基元和这些基元的统计分布组成。模型中用线性动态系统来表示单个运动基元。运动基元的统计分布由相关转移矩阵来描述。本文详细地讨论了如何通过最大似然准则来学习运动纹理模型的方法，并给出了如何用运动纹理模型自动合成复杂的人体运动序列的算法。通过使用运动纹理模型，可以实现对复杂人体运动在不同层次上的编辑。既可以在运动基元层次上修改运动细节，也可以在更高的层次上实现编辑。本文给出了使用运动纹理模型合成舞蹈动作的一些实验。这些实验验证了模型的有效性。     

基于非线性流形学习的3维人体运动合成

为了实现3维人体运动的有效合成,提出了一种基于非线性流形学习的3维人体运动合成框架及算法,并可应用于方便、快捷、用户可控的3维人体运动合成。该合成算法框架先采用非线性流形降维方法将高维运动样本映射到低维流形上,同时求解其本征运动语义参数空间的表达,然后将用户在低维运动语义参数空间中交互生成的样本通过逆向映射重建得到具有新运动语义特征的3维运动序列。实验结果表明该方法不仅能够对运动物理参数（如特定关节的运动位置、物理运动特征）进行较为精确的控制,还可用于合成具有高层运动语义（运动风格）的新运动数据。与现有运动合成方法比较,该方法具有用户可控、交互性强等优点,能够应用于常见3维人体运动数据的高效生成。     

人体运动合成中的机器学习技术综述

近年来,机器学习技术被广泛应用于人体运动合成,取得了很多研究成果,这得益于运动捕获技术的成熟和使用.运动捕获技术使数据驱动的方法成为人体运动合成的主流,而机器学习技术能够有效地处理人体运动数据这类维数高且在时间和空间两个维度都具有较大相关性的数据.文中以机器学习方法为主线,结合各类方法的特点,对人体运动合成中的应用进行总结和归纳;同时,还展望了人体运动合成和运动数据处理技术未来的发展趋势.     

模板化的人体运动合成

为解决现有运动合成方法中控制方式过于复杂的问题,提出一种模板化的运动合成模型,旨在降低运动合成技术的应用门槛.利用稀疏主成分分析(Sparse principal component analysis, SPCA)、Group lasso和Exclusive group lasso对人体运动进行建模,使其对应的每一个低维参数只依赖于少数几个人体关节,构成人体运动的一个内在自由度(Degree of freedom, DOF),并具有直观语义;同时,每个关节被尽量少的低维参数所控制,以减少低维参数对彼此所控制的自由度的交叉影响.实验表明,通过直观地修改低维参数,就能够实时地控制每个参数对应的摆臂幅度、踢腿高度、跳跃距离等运动属性.这种模板学习、模板定制的两步方法,有效地降低了运动合成控制的复杂度,即便非专业人员也可以用其进行艺术创作.     

基于可变形运动模型的多角色语义化运动合成

对于一个完整的虚拟环境而言,智能的人群运动会使其更为生动、逼真。针对人群运动数据存在维度高、可控性差的问题,提出一种多角色可变形运动模型,其将人体运动分解为几何与时间变化两部分,并使用PCA算法进行有效降维,构建可变形运动模型的低维语义空间。实验结果表明,提出的方法能根据语义需求调节语义参数,实现多角色的语义化运动分析与合成。     

基于人体运动规律的运动融合技术

介绍了一种不需要人工干预的运动融合方法,提出了基于关节运动规律的运动周期判别方法。通过分析运动捕获数据,计算双膝与臀部节点连线夹角的变化来确定运动周期,然后再进行时空变形、插值与约束重建,从而生成高质量的运动融合动画。实验结果表明本算法能够准确的计算出运动周期,并且使约束后的融合动作更加真实。     

基于骨骼的三维虚拟人运动合成方法研究

针对虚拟人运动合成中建立的人体模型存在复杂化、合成的虚拟人运动序列逼真度差的问题,提出了一种基于骨骼的虚拟人运动合成方法。在分析人体结构的基础上,通过三维图形软件获取人体骨骼数据,构建虚拟人体的骨骼模型。另外,将关键帧四元数球面插值算法与时间和空间变形方法相结合,生成多样化的虚拟人运动序列。实验结果验证了该方法的有效性。     

基于高斯背景模型的红外人体运动目标检测技术

针对红外监控中人体运动目标的空洞和拖尾问题,提出了一种基于高斯模型的运动目标检测方法。首先,介绍了红外图像的预处理;其次通过与其他经典的人体运动目标检测算法比较与综合,引入高斯模型,建立背景图像的自适应模型。该种模型主要使用了拟合修正的方法处理了红外监控背景图像中的差分信息,过滤图像中的噪声等相关外部环境干扰因素,从而更新红外图像中的背景信息,提高了红外监控系统图像中人体运动目标的检测清晰度,并进一步提高了红外监控图像的精度。同时,还对该方法进行了必要的仿真实验。仿真结果表明,提出的方法可以准确地检测红外监控图像中的人体运动目标,较好地避免了人体运动速度过快或过慢所产生的拖尾或空洞现象。     

基于可变形运动模型和运动片元的多角色运动合成

为了实现多角色运动合成,提出将多角色可变形运动模型与运动片元相结合的方法.在运动片元构造阶段,使用多角色可变形运动模型来为片元库增加语义相同而细节不同的多角色交互性运动片元;在运动片元拼接阶段,使用随机抽样算法和确定性搜索算法相结合的策略来拼接运动片元;在多角色运动合成阶段,使用自顶向下策略匹配存在环境约束的情况,并使用大片元优先策略匹配片元形状不规则的情况.实验结果表明,该方法能实现运动片元间的平滑过渡,得到在时间上连续、空间上不重叠的无缝拼接图.     

人体运动的稀疏语义参数化模型与交互式合成

为了解决参数化运动合成方法中普遍存在的参数结构不统一和可理解性差的问题,提出一种稀疏语义参数化模型.该模型对预处理后的运动样本进行时序成组的稀疏主成分分析,得到若干个稀疏基向量;将运动参数表示为原始变量的稀疏线性组合,而组合系数对应着稀疏基向量的分量,因此运动参数具有鲜明语义.实验结果表明,采用文中模型只需简单地修改运动参数的数值,就能够实时地控制如摆臂幅度、肘部弯曲程度、行走路径、步幅、跳跃距离等运动属性,从而直观、高效地合成出符合用户要求的逼真运动.     

基于SPNet的视频运动放大方法

视频运动放大技术在很多领域应用广泛,但是由于关注的运动过于微弱,很容易与视频噪声混淆,容易产生伪影和模糊噪声。为了克服传统算法在细节上的缺失和基于学习的算法在放大倍数上的限制,将手动设计滤波器与课程学习策略相结合,提出了基于可控金字塔分解的网络结构（SPNet）,它在处理大幅度运动场景的同时也能具有更大的放大范围,且能保留更多细节。结果表明,在图像细节上优于传统算法,并且与基于机器学习的视频运动放大方法相比也有很大的优势。     

Gaussian process dynamical models for human motion

We introduce Gaussian process dynamical models (GPDM) for nonlinear time series analysis, with applications to learning models of human pose and motion from high-dimensionalmotion capture data. A GPDM is a latent variable model. It comprises a low-dimensional latent space with associated dynamics, and a map from the latent space to an observation space. We marginalize out the model parameters in closed-form, using Gaussian process priors for both the dynamics and the observation mappings. This results in a non-parametric model for dynamical systems that accounts for uncertainty in the model. We demonstrate the approach, and compare four learning algorithms on human motion capture data in which each pose is 50-dimensional. Despite the use of small data sets, the GPDM learns an effective representation of the nonlinear dynamics in these spaces.     

改进的基于高斯混合模型的运动目标检测方法

针对固定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法。在模型学习方面,均值与方差采用了不同的学习率,其中均值更新采用自适应的学习率,方差的学习率取固定值;引入权值均值概念,然后结合权值进行像素点的前景和背景分类;利用了背景图像消除阴影。实验结果表明,改进的方法与传统方法相比具有更好的学习能力,能提高在繁忙场景中,大而慢的运动目标检测的正确率。     

基于PSoC的数控运动控制器

采用PSoC可编程片上系统设计了一个数控运动控制器,由于PSoC具有灵活的可自由配置的模拟、数字资源和输入输出接口以及对多种通信接口的支持,该运动控制器具有良好的可扩展性和可移植性。介绍了系统的整体结构、控制器的硬件模块设计以及直线、圆弧、Nurbs曲线插补方式和速度控制方案的软件实现,使用该控制器控制一台三轴雕刻机进行雕刻,结果表明该系统具有良好的性能。     

基于DSP和FPGA的多轴运动控制系统设计

传统的机器人运动控制器都是采用PC+运动控制卡的方法,成本较高。提出了一种基于DSP和FPGA的通用型运动控制系统,大大降低了系统成本。利用FPGA内部生成的双端口RAM作为DSP与上位机之间的缓冲区,同时采取串行转并行的策略,简化了系统的布线。在DSP上实现了直线与圆弧插补算法以及逆运动学的求解,并进行了仿真。仿真结果表明,系统能够按照预定轨迹运动,同时各轴的速度变化也较平稳。     

基于运动图的路径编辑技术

改进了过渡运动的生成算法和路径搜索算法,提出了一种基于运动图的路径编辑的新方法。其中,针对过渡运动的构造,通过最小化融合帧之间的平均帧间距来自动确定用于运动融合的运动片段,并提出了改进动态时间变形(EDTW)算法来解决这一最优化问题;针对运动图上的路径搜索,提出了基于路径曲线所夹面积的目标函数并改进了分段搜索算法和剪枝策略。实验结果表明,该方法能够编辑生成与用户指定路径高度匹配的人物运动。     

面向图像数据集的高斯过程分类

高斯过程分类是近年机器学习领域引起广泛关注的一类有监督的学习算法。该算法在高斯过程的先验假设下,以后验概率最大化的为目标,获得对新样本的预测值及属于该值的概率。针对图像数据的特性,提出一种将高斯过程应用于图像分类的方法,同时在此基础上给出对图片进行排序的一种方案。在公开的图像数据集上进行了实验,并与支持向量机分类器进行对比,证实了其有效性,为改进图像分类技术提供一条可供参考的途径。     

基于可分级视频编码的双向双维运动信息可分级*

为进一步提高基于一种运动信息可分级模型的可分级视频编码的编码效率,减小运动信息可分级的最低码率限制,对该运动可分级模型的二维多向性进行了具体研究与改进,更新了运动估计的流程,提出了多向上的两个运动可分级维度的运动分级等级一致性原则以及二维数据的渐进式存储存取结构,从而实现了二维多向上的运动可分级。实验测试结果证明该二维多向的运动信息模型优于不可分级的运动信息,能有效提高可分级视频编码系统的效率。