人体运动的非线性降维及新运动生成  

Nonlinear Dimensional Reduction and Generation of Human Motion

作　　者：瞿师[1] 吴玲达[1,2] 于荣欢[1] 魏迎梅[1] 冯晓萌[1] 

机构地区：[1]国防科学技术大学信息系统工程重点实验室,长沙410073 [2]装备指挥技术学院电子信息装备体系研究国防科技重点实验室,北京101400

出　　处：《计算机辅助设计与图形学学报》2011年第9期1533-1538,1544,共7页Journal of Computer-Aided Design & Computer Graphics

基　　金：国家"八六三"高技术研究发展计划(2009AA01Z335);国家自然科学基金(61070140)

摘　　要：为了提高现有运动数据的可重用性,生成更为丰富的新运动,提出快速自适应比例高斯过程隐变量模型,以及基于该模型的人体运动数据降维及运动生成方法.通过对运动数据进行统计学习,获得运动数据在隐空间的一个低维映射来实现非线性降维,同时获得了该运动的姿态空间的概率分布,其大小反映了该姿态的自然逼真程度;在给定末端约束条件下求取满足约束的、同时概率最大的姿态,并将其作为逆向运动学的解,克服了传统逆向运动学算法计算烦琐、效果不逼真的缺点.实验结果表明,该模型具有更快的收敛速度和更高的收敛精度,同时能够自适应运动编辑的方向,有效地扩大运动的可编辑幅度.To reuse existing motion data to generate new motions,a nonlinear dimensional reduction and generation of human motion is presented,which is based on fast adaptive scaled Gaussian process latent variable models.Through statistical learning,the motion data are mapped from high-dimensional observation space to low-dimensional latent space to implement nonlinear dimensional reduction,and probability distributing of posture space which measures the nature of posture is obtained.The posture which meets constraints and has maximal probability can be computed as the solution of inverse kinematics.This method can avoid cockamamie computation and posture distortion existing in traditional inverse kinematics.The experiments show that our method has higher convergence speed and precision and extends editing range of motion by adapting motion editing direction.

关 键 词：运动数据 非线性降维 自适应 核函数 运动生成 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]