人体运动行为分割：基于KDT的新方法

"基于KDT的人体运动数据行为分割 .pdf" 本文主要介绍了一种用于人体运动数据行为分割的新方法，该方法基于核动态纹理（Kernel Dynamic Texture，简称KDT）。作者张毅和刘渭滨提出，此技术借鉴了动态纹理在视频图像处理中的应用，特别是在人体运动数据的分析和理解方面。 行为分割是计算机视觉和数字媒体处理领域的一个关键任务，尤其在运动捕捉和角色动画中有着重要应用。该方法分为三个主要步骤： 1. 首先，对原始人体运动数据进行预处理，这通常包括噪声过滤、平滑处理等，以提高数据的质量。预处理后，选择代表性的人体运动序列作为参考序列片段和子序列片段。 2. 其次，运用核主成分分析（Kernel Principal Component Analysis，KPCA）技术来构建KDT模型。KPCA是一种非线性的PCA扩展，它通过核函数将数据映射到高维空间，使得在原始数据空间中难以区分的模式在新空间中变得可分。在人体运动数据中，KDT可以捕获和表征运动序列的复杂动态特征。 3. 最后，利用马尔科夫距离（Markov Distance）来衡量不同人体运动数据KDT之间的相似性。当相似性距离出现显著变化时，即标志着行为的转变，从而确定行为分割点。这种方法能够有效地识别出运动模式的转换，实现行为的自动分割。 实验结果表明，所提出的基于KDT的行为分割方法在准确率和召回率上表现出色，验证了其在人体运动分析和计算机应用中的有效性和实用性。该方法对于提高运动数据的分析效率，以及在虚拟现实、游戏开发、体育训练分析等领域具有潜在的应用价值。 关键词：计算机应用；行为分割；核动态纹理；运动捕捉；角色动画；人体运动分析 中图分类号：TP391.15 这篇论文的贡献在于提出了一种新颖的行为分割技术，它利用核方法增强了动态纹理模型在处理复杂人体运动数据时的能力，为后续的行为识别和分析提供了有力工具。