基于PGA的自动人体运动捕获数据分割方法

"该论文研究了基于主测地线分析（PGA）和概率主测地线分析（PPGA）的人体运动捕获数据分割方法，以解决线性方法在处理非线性运动数据时的局限性。文中对比了PCA和PPCA的传统分割方式，并介绍了非线性方法如流形聚类和ST-Isomap在运动分割中的应用。此外，还提到了一种双阈值多维分割算法和基于几何特征的分割方法，但这些方法各有适用范围。" 在人体运动捕获技术广泛应用的背景下，如影视制作、游戏设计和医疗教育等领域，运动捕获数据的处理变得至关重要。数据通常以运动片段的形式存储，需要通过分割来形成具有独立语义的运动序列。然而，这一过程往往需要大量的人工工作，因此自动分割方法的研究显得尤为迫切。 传统的运动捕获数据分割方法主要依赖于线性分析，如PCA和PPCA。PCA通过降维来识别数据的主要成分，当数据在子空间的维度发生显著变化时，可以作为分割的依据。而PPCA则进一步考虑数据的概率分布，通过平均马氏距离的变化来确定分割点。尽管这些方法在某些情况下有效，但它们无法很好地处理运动数据的非线性特性。 针对这一问题，论文引入了主测地线分析（PGA）和概率主测地线分析（PPGA）来改进分割效果。PGA将人体运动视为有序的姿势序列，通过检测局部模型的内在维度突然增长来定位分割点。而PPGA则更进一步，它关注姿势分布的变化，可以在分布形态发生改变时确定分割位置。这两种非线性方法能够更好地适应人体运动的复杂性和多样性，从而提供更准确的分割结果。 论文还回顾了其他非线性分割方法，如流形聚类和ST-Isomap。流形聚类方法通过数据的内在几何结构进行分类，然后进行分割。ST-Isomap是一种非线性降维技术，用于聚类相似的运动和行为数据。然而，这些方法可能对特定类型的运动或行为更具针对性，不具有广泛的普适性。 此外，论文中还提到了一些其他的方法，例如双阈值多维分割算法，适用于处理重复性运动，但对非重复或复杂的运动序列效果不佳。杨跃东等人提出的基于几何特征的分割方法，利用PCA构建综合特征函数，虽有一定的效果，但仍然受限于线性分析。 基于PGA和PPGA的分割方法为人体运动捕获数据的自动分割提供了新的视角，能够更好地处理非线性运动数据，提高了分割的准确性和效率。这种方法不仅减少了人工介入的需求，也拓宽了运动捕获数据在各种应用场景中的潜力。