基于计算机视觉的三维人体运动数据压缩

论文摘要

人体运动数据压缩在数据压缩和人体运动分析中具有重要研究价值。随着运动捕获系统在体育运动分析、医学理疗、虚拟现实、动画制作、影视等商业应用和研究领域的广泛使用,众多人体运动数据库占用了大量存储空间,研究运动数据压缩能解决运动数据海量存储问题。近年来随着互联网角色扮演游戏的兴起,运动数据库可用于生成人物角色动画,因此对运动数据压缩能突破网络带宽瓶颈,提高游戏实时交互性。本文针对人体运动视频和三维运动捕获数据两种时间序列进行了压缩研究。视频序列包含了空间信息冗余和时间信息冗余,本文研究了视频压缩算法及技术框架,提出了一种新的六边形块匹配算法用于去除视频中的时间信息冗余。基于视频的人体运动分析一直是计算机视觉的研究热点,对人体运动建模是运动分析的关键步骤。通过分析各种运动建模方法,本文提出了有利于数据压缩的基于三次样条异步重采样的运动模型,并应用于运动数据压缩。在深入分析H.264压缩技术框架和三角网格压缩算法后,本文挖掘了人体运动数据所固有的特点,根据人体运动数据中的空间和时间信息冗余提出了人体运动数据压缩框架。本文研究成果如下：(1)提出了一种基于方向的内搜索六边形搜索算法。通过分析视频中的信息冗余,研究了各种视频压缩算法,探索视频的工、P、B帧编码机制以及压缩算法,针对去除视频时间信息冗余的块匹配算法,提出了一种基于方向的内搜索六边形搜索算法。本文研究发现两帧图像之间图像子块的相似度不仅与离块匹配算法搜索中心的距离成线性关系,且与搜索方向相关。通过与国际上三种六边形算法进行对比,实验表明本文提出算法不论在压缩比和画面质量,还是在搜索精度与速度上,都是一种适用于视频压缩的块匹配算法。(2)建立了一种基于三次样条的异步重采样人体运动模型。探讨了不同取值域下的人体运动建模方法,通过研究人体运动受到的主观与客观约束条件和挖掘运动数据的特点,提出了有利于数据压缩的多路信号异步重采样思想,理论上论证异步重采样相对于同步重采样更利于运动数据压缩,并针对单个标记点提出了基于三次样条的自适应重采样算法。通过压缩实验分析了不同运动阶段的数据可压缩性,以及运动序列长度对压缩性能的影响。(3)提出了人体运动数据压缩框架,其能同时去除空间和时间信息冗余。分析三维人体运动数据固有的空间信息冗余和时间信息冗余,采用视频压缩标准H.264的设计思想,提出了能同时去除空间和时间信息冗余的人体运动数据压缩框架。通过研究数据降维算法PCA、KPCA、PPCA、PGA和CPCA,提出了自适应PCA算法用于去除数据的空间相关性,达到数据压缩的目的,同时分析了本文提出算法对数据的重构能力。自适应三次样条异步重采样算法与自适应PCA算法组成了本文提出的人体运动数据压缩框架的核心。实验表明本文提出的人体运动数据压缩框架能有效实现运动数据压缩,解压重构毫不影响视觉效果。综上所述,本文提出一种新的块匹配算法用于视频压缩,设计了人体运动数据压缩框架,针对框架中去除时间和空间信息冗余这两种核心技术,提出了自适应三次样条重采样算法与自适应PCA算法,取得很好的压缩效果,数据解压重构不影像视觉效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 研究背景与研究基础
• 1.3 研究目标与应用领域
• 1.4 研究工作的技术路线
• 1.5 主要研究工作
• 1.6 论文组织结构
• 第二章 人体运动分析与数据压缩研究
• 2.1 引言
• 2.2 人体运动分析
• 2.2.1 人体运动检测
• 2.2.2 人体运动跟踪
• 2.2.3 行为理解
• 2.2.4 运动编辑与合成
• 2.3 视频压缩标准
• 2.4 三角网格压缩
• 2.5 人体运动数据压缩
• 2.6 运动捕获系统
• 2.7 本章小结
• 第三章 基于块匹配的运动视频压缩研究
• 3.1 视频压缩概述
• 3.2 视频压缩算法
• 3.2.1 I、P、B帧的编解码顺序
• 3.2.2 静态图像压缩准则
• 3.2.3 视频压缩中的图像分块技术
• 3.2.4 视频压缩中的运动补偿原理
• 3.2.5 运动补偿中的块匹配算法
• 3.2.6 视频压缩标准H.264
• 3.3 基于块匹配的视频压缩算法
• 3.3.1 光流法
• 3.3.2 矩形搜索模式
• 3.3.3 非矩形搜索模式
• 3.4 基于方向的内搜索六边形搜索法
• 3.5 视频压缩与块匹配实验
• 3.6 本章小结
• 第四章 人体运动模型与运动数据的时间相关性研究
• 4.1 人体运动建模概述
• 4.2 人体运动的数学建模方法
• 4.2.1 时间域和空间域中的人体运动建模
• 4.2.2 数学变换域中的人体运动建模
• 4.2.3 基于不完全信息提取的关键帧运动建模
• 4.3 自适应异步重采样人体运动建模方法
• 4.3.1 运动建模方法对比
• 4.3.2 自适应三次样条重采样运动建模
• 4.4 人体运动数据压缩实验与分析
• 4.4.1 不同运动阶段的数据可压缩性
• 4.4.2 不同长度运动序列的数据可压缩性
• 4.5 本章小结
• 第五章 人体运动数据压缩技术框架
• 5.1 三维运动数据的时间与空间冗余度
• 5.1.1 计算机动画中的三维数据压缩
• 5.1.2 人体运动数据压缩算法
• 5.2 运动数据压缩技术框架
• 5.2.1 去除时间和空间冗余的运动数据压缩框架
• 5.2.2 人体运动数据与视频数据的差异
• 5.2.3 运动数据压缩与解压流程
• 5.2.4 运动数据压缩框架中的关键技术
• 5.2.5 自适应PCA空间降维算法
• 5.3 人体运动数据压缩实验与分析
• 5.3.1 自适应PCA运动曲线特征提取实验
• 5.3.2 特征向量自适应重采样实验
• 5.3.3 运动数据压缩与解压实验
• 5.3.4 实验对比与分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 本文主要工作总结
• 6.2 未来研究工作展望
• 参考文献
• 致谢
• 攻读博士学位期间主要研究成果