基于运动分割和稀疏低秩分解的失真人体运动捕捉数据恢复

针对人体运动的复杂性和噪声干扰的无序性,提出一种基于运动分割和稀疏低秩分解的失真人体运动捕捉数据恢复方法.首先利用双边滤波对失真运动数据进行预修正,降低干扰数据的奇异信息并保证运动序列的连贯性;其次采用概率主元分析方法将修正后的运动数据进行语义行为自动分割,得到不同姿态的运动语义子区间;再利用加速近端梯度优化算法对每个失真运动子片段数据矩阵根据其更优低秩特性进行稀疏低秩分解,实现运动子片段数据的局部恢复;最后将局部恢复后的各子运动片段根据人体运动序列的时序特性组合,达到整体失真运动捕捉数据恢复的目的.实验结果表明,该方法能够有效地对失真人体运动数据进行恢复,效果显著,有助于重构逼近真实人体姿态的运动捕捉数据.     

视频监控中的行为序列分割与识别

智能监控系统中的行为分析与识别是当前计算机视觉领域的研究热点,而行为序列分割则是行为分析与识别的基础.提出了一种无监督的行为序列分割算法,并对分割结果进行识别.首先,采用鲁棒的形状编码方案得到人体轮廓的紧凑表示,提取轮廓点集特征描述运动人体;然后,基于奇异值分解(SVD)估计行为序列数据的本征维数,确定数据对应的低维流形,并通过检测特征数据在该流形上的投影误差的突变实现行为序列分割;最后,采用隐马尔可夫模型(HMM)对分割结果进行识别.在公共数据库上的实验结果表明了此分割和识别算法的有效性.     

针对图像序列的谱深度学习算法

为了更好地理解图像序列的隐藏深度信息,需要分析数据的隐藏结构。目前,多采用谱流形学习算法学习高维采样数据的低维嵌入坐标,从而获取数据的隐藏结构。谱流形学习算法一般是基于所研究的高维数据分布在单个流形上的前提假设,并不支持图像序列中存在的多流形结构。结合图像序列的结构特点,提出了一种针对图像序列的谱深度学习算法(spectral deep learning,SDL)。通过建立混合多流形模型,保持流形局部变化的平滑和连续,利用流形对齐建立层次流形的映射关系,得到图像序列的深度低维嵌入坐标。最后通过实验证明了算法在混合多流形数据集和图像序列数据集上的有效性。     

结合模糊聚类和投影近似点算法的缺失人体运动捕捉数据重构EI北大核心CSCD

针对人体运动捕捉数据缺失问题,提出一种结合模糊聚类和投影近似点算法的缺失数据重构恢复方法.首先对不完整运动序列矩阵的缺失数据位置进行线性插值预处理,粗略补全矩阵以得到较完整的运动序列;然后利用模糊C-均值算法将粗略恢复后的复杂人体运动数据细分为含有多个不同语义运动片段的时序组合;再根据相同运动语义片段数据矩阵存在低秩特性,对细分后相应的各原始运动子片段采取投影近似点算法进行缺失数据恢复,并按照运动片段的时序特性进行组合;最后将原有未缺失数据与其相应位置重构恢复后的数据进行置换,根据人体运动轨迹的局部线性特性进行线性平滑,以保证运动序列的连贯性,从而达到对整体运动捕捉数据重构恢复目的.实验结果表明,该方法能够有效地对缺失运动数据进行恢复,使得重构后的运动序列能够较好地逼近于真实运动轨迹,准确度较高.     

三维人体运动特征可视化与交互式运动分割

为了从运动序列中提取不同类型的运动片段进行人体动画创作,提出一种三维人体运动数据可视化与交互式分割技术.首先,采用人体各主要骨骼夹角作为对原始运动数据的几何特征表示,并提出一种启发式方法自动检测其潜在分割点,最后将提取的运动特征可视化并使用可交互用户界面对其进行精确分割.实验结果表明。该特征表示及交互式分割方法能够更加方便、准确、高效地对包含多种类型的长序列三维人体运动数据进行分割.     

基于PGA的人体运动捕获数据分割方法

由于人体运动捕获数据的固有非线性,线性方法并不总是能够有效地找到运动捕获数据的内在维度,针对这种情况,提出了基于主测地线分析（PGA）和概率主测地线分析（PPGA）的自动分割方法。这两种方法都将人体运动视为一个有序的姿势序列,并在姿势序列有局部变化处对运动进行分割。基于PGA的分割方法是在运动局部模型的内在维度突然增长处分配一个分割点,基于PPGA的分割方法是在姿势分布发生改变时放置分割点。实验结果表明,该方法都能实现自动分割,且具有较好的分割结果。     

结合模糊聚类和投影近似点算法的缺失人体运动捕捉数据重构

针对人体运动捕捉数据缺失问题,提出一种结合模糊聚类和投影近似点算法的缺失数据重构恢复方法.首先对不完整运动序列矩阵的缺失数据位置进行线性插值预处理,粗略补全矩阵以得到较完整的运动序列;然后利用模糊C-均值算法将粗略恢复后的复杂人体运动数据细分为含有多个不同语义运动片段的时序组合;再根据相同运动语义片段数据矩阵存在低秩特性,对细分后相应的各原始运动子片段采取投影近似点算法进行缺失数据恢复,并按照运动片段的时序特性进行组合;最后将原有未缺失数据与其相应位置重构恢复后的数据进行置换,根据人体运动轨迹的局部线性特性进行线性平滑,以保证运动序列的连贯性,从而达到对整体运动捕捉数据重构恢复目的.实验结果表明,该方法能够有效地对缺失运动数据进行恢复,使得重构后的运动序列能够较好地逼近于真实运动轨迹,准确度较高.     

时间序列异常检测

在k-近邻局部异常检测算法的基础上,结合时间序列的分割方法,提出了一种高效的时间序列异常检测算法。该算法首先把序列重要点作为数据的分割点,对时间序列数据进行高比例压缩;其次利用局部异常检测方法检测出时间序列中的异常模式。通过心电图（ECG）数据实验验证了算法的有效性和合理性。     

融入局部几何特征的流形谱聚类图像分割

为了改善谱聚类图像分割的精准性和时效性,文中提出融入局部几何特征的流形谱聚类图像分割算法.首先,考虑图像数据的流形结构,在数据点的K近邻域内执行局部PCA,得到数据间本征维数的关系.然后,引入流形学习中的局部线性重构技术,通过混合线性分析器得到数据间局部切空间的相似性,结合二者构造含有局部几何特征的相似性矩阵.再利用Nystr m技术逼近待分割图像的特征向量,对构造的k个主特征向量执行谱聚类.最后,在Berkeley数据集上的对比实验验证文中算法的准确性和时效性优势.     

时间序列增量异常模式检测算法

在k-近邻局部异常检测算法的基础上,结合时间序列的分割方法,提出一种高效率的时间序列增量异常模式检测算法。将时间序列按序列重要点进行数据分割,利用局部异常检测方法检测出时间序列的异常模式。当插入一些新数据时,邻近分割模式发生变化,增量异常检测算法更新相应的最近邻模式。通过该算法可以高效率地发现时间序列的异常模式。