[發明專利]基于卷積自編碼器和流形學習人體運動編輯方法

在審

• 申請號: 201810572543.9
• 申請日: 2018-06-06
• 公開（公告）號: CN108961366A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 周東生;封心珠;楊鑫;張強;魏小鵬;夏時洪;劉玉旺
• 申請（專利權）人: 大連大學
• 主分類號: G06T13/40
• 分類號: G06T13/40;G06T13/80;G06F3/01
• 代理公司: 大連八方知識產權代理有限公司 21226
• 代理人: 衛茂才

本發明涉及一種基于卷積自動編碼器和流形學習的人體運動編輯的方法。包括以下步驟：針對運動捕捉數據庫中現有的人體運動捕捉數據，對運動中存在效果表現不好的數據進行處理。采用一維時域卷積自編碼器來學習人體運動數據的流形結構，其中自編碼器的隱藏單元表示運動數據，由于隱藏單元對運動編輯范圍過大，在隱藏單元中應用了三種約束，本發明可以從一個大型的運動數據集中自動的學習流形，而無需手動標記或分割，并且對要處理的數據沒有運動數量的限制，可以對龐大的數據集進行并行處理。為了驗證此方法的有效性，將多種損壞的運動數據投影到此模型上，可以有效的消減誤差。

技術領域

本發明屬于計算機動畫領域，尤其涉及一種卷積自編碼器和流形學習相結合的人體運動編輯方法。

背景技術

人體運動捕捉數據是通過運動捕捉設備采集得到，其作為一種新型的多媒體數據，可以記錄實際物體的事件并將其轉換為可用的數學參數，并且能夠記錄人體真實的運動軌跡，具有精度高，質量好的特點，這種數據已經廣泛的應用在動畫制作、機器人控制、醫療技術、智能人機交互、智能視頻監控、虛擬現實、三維游戲、影視特效等眾多領域。

隨著運動捕捉數據庫中人體運動數據的不斷增長，運動數據再編輯可以更好的理解與描述運動的過程，有利于對已有的運動捕捉數據進行管理與重用。但是由于運動捕捉數據采樣頻率高，數據量龐大等因素，在一定程度上制約了運動捕捉數據的有效利用，針對高維，冗余的人體運動數據,如何獲得有效的運動已成為當前研究的熱點。面對以上的問題，研究人員發現一種運動流形的技術可以有效的解決這個問題。運動流形通常是相對于數據處理任務來定義的，目的是為了讓運動數據在有效的子空間中展現出好的效果。

最近幾年，卷積神經網絡不僅在圖像分類領域取得了很大的成功，還被用于人體姿態估計、語音情感識別、人臉識別等任務中，我們的工作是將這些技術應用在運動數據學習運動流形的領域。為了克服對大量數據預處理的缺點， Holden等人針對CMU運動捕獲數據庫提出了利用卷積自編碼器學習運動流形的方法，但是這種方法不能保證諸如雙腳對地面接觸和關節長度等條件的限制。

發明內容

本發明為解決上述技術問題，提供一種基于卷積自編碼器和流形學習相結合的人體運動編輯方法。該方法包括訓練模型的步驟及測試模型的步驟：

訓練模型的步驟包括：

S1：輸入一類運動捕捉數據，對其進行預處理和訓練，進行運動數據的歸一化得到可以用來進行網絡訓練的數據；

S2：建立卷積自編碼器網絡模型，將歸一化后的運動數據進行編碼、解碼、訓練，最終在卷積自編碼器的隱藏單元中構造出運動流形；

S3：在隱藏單元中加入位置約束、骨長度約束、軌跡約束；

S4：在建立的網絡中選擇選擇激活函數的參數和正則化參數對應的MSE值最小的參數，以此參數構建網絡模型；

測試模型的步驟包括：

S5：將四種腐蝕后的運動數據：即噪聲數據、滑步數據，缺失數據及錯誤數據，輸入到訓練好的模型中，以測試四類被腐蝕的數據是否能得到良好的修復。

與現有的技術相比，本發明具有以下有益技術效果：

1)本發明不需要為獲得訓練數據，手動的對運動數據進行分割，對齊處理；

2)本發明不需要為獲取有效的運動數據而進行復雜過程；

3)本發明沒有數據集的要求，可以擴展到大量的數據集，進行并行的處理；

4)本發明不僅可以避免運動數據的過擬合的現象，保持動作的姿態，而且可以展現出符合人體慣性的動作。

附圖說明

圖1為本發明基于卷積自編碼器和運動流形的人體運動編輯算法整體框架圖；