基于人体运动捕捉数据的高维时间序列检索和分割算法应用研究

论文摘要

近年来，随着数据库技术以及数字化技术的不断进步，针对高维时间序列的数据挖掘研究引起了越来越多学者广泛的兴趣。然而，由于数据维度的增多，大大增加了数据挖掘算法的复杂性，使得经典的针对低维度时间序列的数据挖掘算法很难应直接应用到高维时间序列数据上来。本文以大规模人体运动捕捉数据分析为背景，重点对降维、高维数据索引结构以及基于统计学习的高维时间序列分割算法进行了研究，设计并实现了一个针对高维时间序列的相似性检索以及基于统计学习的时间序列序列分割的软件原型。在维度约简方面，针对人体运动捕捉数据的特点，总结了目前存在的多种维度约简算法，提出了基于运动能量的人体运动描述模型，在此基础上引入熵的概念，提取能体现运动特征的关键关节，从而进行维度约简。该维度约简算法在保证了检索精度的前提下，降低了检索算法的复杂度。在高维数据索引方面，深入分析了相似度度量算法DTW以及R树等高维数据索引结构。重点讨论了基于Keogh距离的支持多度量算法的索引结构，并将经典的针对DTW的索引算法扩展到了高维，用以索引和查询人体运动捕捉数据，最后实现了一个基于例子的运动捕捉数据检索系统。在高维时间序列分割算法方面，详细介绍了分类模型条件随机场(CRF)的理论。针对人体运动捕捉数据的特点，利用条件随机场模型的无偏分类特性，对动作序列进行了有意义的分割。这种分割算法可以作为基于符号表示的时间序列检索的预处理算法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 时间序列数据挖掘的研究现状
• 1.2.1 时间序列的相似性检索研究现状
• 1.2.2 时间序列的分割研究现状
• 1.3 高维时间序列数据挖掘算法在人体运动捕捉数据库上的应用现状
• 1.4 本文的主要工作和论文的组织结构
• 2 人体运动捕捉数据及运动模型的表示
• 2.1 人体运动捕捉数据的获得
• 2.2 运动模型的表示
• 3 基于能量模型的人体运动捕捉数据的相似性检索
• 3.1 概述
• 3.2 运动能量模型的定义与计算
• 3.2.1 势能的定义与计算
• 3.2.2 动能的定义与计算
• 3.3 索引结构的建立
• 3.3.1 基于熵的关键关节的选取
• 3.3.2 动态时间变形算法
• 3.3.3 基于关键关节选取的降维实验结果分析
• 3.3.4 基于Keogh距离的索引建立
• 3.3.5 索引树R树的建立
• 3.4 基于例子的相似性检索
• 3.4.1 KNN检索算法
• 3.4.2 试验结果及其分析
• 3.5 本章小结
• 4 基于条件随机场的人体运动序列的分割
• 4.1 概述
• 4.2 条件随机场简介
• 4.2.1 有向图模型
• 4.2.2 生成式模型和判别模型
• 4.2.3 条件随机场的定义
• 4.2.4 参数估计
• 4.2.5 推断
• 4.3 条件随机场工具的选用及数据集处理
• 4.3.1 CRF Package
• 4.3.2 人体运动捕捉数据的标定
• 4.4 试验及其结果分析
• 4.5 本章小结
• 5 总结及展望
• 5.1 论文总结
• 5.2 未来工作展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢