楊 洋，詹永照，王新宇

(江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院，江蘇鎮(zhèn)江 212013)

三維運(yùn)動(dòng)捕捉數(shù)據(jù)的時(shí)域分割算法主要可以分為高級(jí)分割(high-level)和低級(jí)分割(low-level)［1］.高級(jí)分割將動(dòng)作分割成不同的活動(dòng)或者行為，例如將走和跳這2種動(dòng)作分割開(kāi)來(lái).用于高級(jí)動(dòng)作分割的方法主要有層次化對(duì)齊聚類分析(hierarchical aligned cluster analysis)的方法［2］、核化時(shí)間分割(kernelized temporal cut)的方法［3］、基于余弦距離(cosine distance)的方法［4］.而低級(jí)分割將動(dòng)作分割成基礎(chǔ)動(dòng)作(primitive)，理論上，基礎(chǔ)動(dòng)作指的是從一個(gè)速度為零的時(shí)間點(diǎn)到下一個(gè)速度為零的時(shí)間點(diǎn)之間的動(dòng)作.文中將側(cè)重討論低級(jí)分割方法.

各式各樣的特征可以被用于運(yùn)動(dòng)捕捉數(shù)據(jù)的低級(jí)分割.文獻(xiàn)［5］采用角速度過(guò)零點(diǎn)(zero-crossing)檢測(cè)方法進(jìn)行分割，當(dāng)在某一時(shí)間點(diǎn)上角速度方向發(fā)生了改變，則該點(diǎn)即是分割點(diǎn);這是因?yàn)楫?dāng)速度方向發(fā)生改變時(shí)，速度必然經(jīng)過(guò)了一個(gè)零點(diǎn)，角速度過(guò)零點(diǎn)檢測(cè)是較常用的方法;然而此方法對(duì)噪音較敏感，雖然運(yùn)動(dòng)捕捉數(shù)據(jù)中包含的噪音比聲音數(shù)據(jù)中少，但是這些噪音依然會(huì)影響到分割的結(jié)果，造成分割點(diǎn)過(guò)多，產(chǎn)生大量誤報(bào).文獻(xiàn)［6］采用基于能量(energy)的方法，每個(gè)分割點(diǎn)位于能量局部最小值所在位置，然而該方法在動(dòng)作開(kāi)始或者結(jié)束的比較慢時(shí)會(huì)得出錯(cuò)誤的結(jié)果.文獻(xiàn)［7］采用了基于運(yùn)動(dòng)顯著性(saliency)的方法對(duì)動(dòng)作進(jìn)行分割，然而該方法提取出的分割點(diǎn)并不完全是全身速度為零的點(diǎn).文獻(xiàn)［8］提出一種基于主成分分析和馬氏距離的分割方法，然而該方法需要事先預(yù)備模板方能有效執(zhí)行.文獻(xiàn)［9］采用了基于曲率(curvature)的方法，其中曲率等于速度與加速度的叉積，分割點(diǎn)位于曲率局部最大值所在位置;基于曲率的方法高效且容易實(shí)現(xiàn)，可以檢測(cè)出速度方向發(fā)生改變的分割點(diǎn)，但不能檢測(cè)出速度方向不發(fā)生變化的分割點(diǎn)，所以基于曲率的方法一般不被單獨(dú)用來(lái)分割動(dòng)作.

運(yùn)動(dòng)捕捉數(shù)據(jù)具有高維性，而各維動(dòng)作上的過(guò)零點(diǎn)并不能完全地同步，即某一維上的分割點(diǎn)在另一維上可能就不是過(guò)零點(diǎn)，這就導(dǎo)致基本上不存在全身速率等于零的點(diǎn).文獻(xiàn)［6，10］提出使用全身速率來(lái)對(duì)動(dòng)作進(jìn)行分割，當(dāng)全身速率的局部最小值小于給定速率閾值時(shí)，就判定該點(diǎn)為分割點(diǎn).這種方法簡(jiǎn)單且容易實(shí)現(xiàn)，然而簡(jiǎn)單的靜態(tài)閾值設(shè)定并不能適用于具有不同運(yùn)動(dòng)速率以及不同采樣率的運(yùn)動(dòng)捕捉數(shù)據(jù)，會(huì)造成較低的查全率以及準(zhǔn)確率.文獻(xiàn)［5］首先找出各維上的分割點(diǎn)，當(dāng)分割點(diǎn)在大多數(shù)維度上重合時(shí)，則判斷該點(diǎn)為整體的分割點(diǎn)，該方法適用于局部人體的動(dòng)作分割，例如手臂上的動(dòng)作，然而全身動(dòng)作通常包含更高的維度，很少出現(xiàn)各維分割點(diǎn)重合的情況，所以這種方法并不能解決對(duì)全身動(dòng)作進(jìn)行分割.文獻(xiàn)［11-12］通過(guò)將待分段動(dòng)作與模板動(dòng)作進(jìn)行對(duì)比從而獲得分割點(diǎn)，然而這類方法只適合于特殊的應(yīng)用，如康復(fù)性治療，醫(yī)生會(huì)給出病人練習(xí)的模板動(dòng)作.大部分情況下，模板動(dòng)作往往是不可獲取的.

文中提出一種基于加權(quán)置信度的方法用于運(yùn)動(dòng)捕捉數(shù)據(jù)的低級(jí)分割，圖1為所提出算法的整體流程框架圖.

圖1 算法整體流程框架圖

1 數(shù)據(jù)預(yù)處理

1.1 特征選取

三維人體運(yùn)動(dòng)捕捉是一種捕捉和記錄人體動(dòng)作的技術(shù).運(yùn)動(dòng)捕捉獲取的人體框架通常包含若干個(gè)節(jié)點(diǎn)(joint)，如圖2所示.

圖2 運(yùn)動(dòng)捕捉的人體框架示例

圖2中的人體框架包含21個(gè)節(jié)點(diǎn)，其中每一個(gè)節(jié)點(diǎn)都包含了三維數(shù)據(jù)，這些數(shù)據(jù)可以是節(jié)點(diǎn)的位置(position)信息，也可以是圍繞3個(gè)坐標(biāo)軸的轉(zhuǎn)動(dòng)(rotation)信息，即圍繞父節(jié)點(diǎn)為原點(diǎn)的坐標(biāo)系中x，y，z軸轉(zhuǎn)動(dòng)了的度數(shù)，例如右前臂的轉(zhuǎn)動(dòng)信息就是其圍繞其父節(jié)點(diǎn)右后臂為原點(diǎn)的坐標(biāo)系中x，y，z軸轉(zhuǎn)動(dòng)的度數(shù).這樣，運(yùn)動(dòng)捕捉數(shù)據(jù)可以表示成一個(gè)矩陣，其中每行對(duì)應(yīng)著一幀，每列對(duì)應(yīng)著一維.

位置信息并不適合作為特征用于運(yùn)動(dòng)捕捉數(shù)據(jù)的低級(jí)分割，因?yàn)闀?huì)造成錯(cuò)誤檢測(cè)的分割點(diǎn).例如，考慮右前臂繞右后臂作擺動(dòng)，從身后擺動(dòng)到身前，這應(yīng)該是一段動(dòng)作，然而這里右前臂在y維度上的位置卻經(jīng)歷了局部最小值，即出現(xiàn)了速度過(guò)零的情況，錯(cuò)誤地將一段動(dòng)作分割成了兩段.故而文中使用各個(gè)節(jié)點(diǎn)的轉(zhuǎn)動(dòng)信息作為特征，進(jìn)行運(yùn)動(dòng)捕捉數(shù)據(jù)的低級(jí)分割.

1.2 噪音去除

運(yùn)動(dòng)捕捉數(shù)據(jù)中通常包含噪音，這些噪聲往往是由于捕捉設(shè)備、節(jié)點(diǎn)遮擋，或者是人體佩戴的節(jié)點(diǎn)輕微滑動(dòng)所造成的.正如前面所介紹的，過(guò)零點(diǎn)檢測(cè)算法對(duì)噪音是較敏感的，通常會(huì)造成誤報(bào)率過(guò)高.所以在對(duì)運(yùn)動(dòng)捕捉數(shù)據(jù)進(jìn)行低級(jí)分割之前，需要對(duì)其進(jìn)行降噪，文中采用階數(shù)為5，截止頻率為0.1 Hz的雙向巴特沃斯(Butterworth)濾波器［13］對(duì)運(yùn)動(dòng)捕捉數(shù)據(jù)進(jìn)行處理，圖3為雙向巴特沃斯濾波前后的運(yùn)動(dòng)曲線對(duì)比.

圖3 雙向巴特沃斯濾波前后的運(yùn)動(dòng)曲線對(duì)比

由圖3可見(jiàn)，濾波之后的運(yùn)動(dòng)曲線變得更加平滑.這里的階數(shù)和截止頻率是根據(jù)經(jīng)驗(yàn)值來(lái)設(shè)定的.另外需要注意的是，需要使用雙向?yàn)V波而不能使用單向?yàn)V波，因?yàn)殡p向?yàn)V波不會(huì)改變極值點(diǎn)，即速度過(guò)零點(diǎn)的位置，如果使用單向?yàn)V波，則會(huì)導(dǎo)致極值點(diǎn)的位置出現(xiàn)偏移.

1.3 降維

由于運(yùn)動(dòng)捕捉數(shù)據(jù)具有高維性，如圖2所示，人體框架包含21個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)有3維的運(yùn)動(dòng)信息，所以每一幀都有63維數(shù)據(jù)，這為分析數(shù)據(jù)從而分割動(dòng)作帶來(lái)了極大的不便;另外由于運(yùn)動(dòng)捕捉數(shù)據(jù)中存在的某些節(jié)點(diǎn)動(dòng)作并不明顯，而這些細(xì)微的運(yùn)動(dòng)數(shù)據(jù)往往會(huì)影響得出的分割點(diǎn)的準(zhǔn)確性.所以文中采用多維標(biāo)度法(multidimensional scaling，MDS)［14］對(duì)數(shù)據(jù)進(jìn)行降維以消除細(xì)微動(dòng)作的影響.多維標(biāo)度法是一類多元統(tǒng)計(jì)分析方法的總稱，其目的是通過(guò)各種途徑把高維的研究對(duì)象轉(zhuǎn)化成低維情形進(jìn)行研究，多維標(biāo)度法以對(duì)象之間某種親近關(guān)系為依據(jù)(如距離、相似系數(shù)等)，合理地將高維對(duì)象映射到低維空間中并給出標(biāo)度或位置，以便全面而又直觀地再現(xiàn)原始各對(duì)象之間的關(guān)系.在這里，將每一幀看成一個(gè)對(duì)象，用幀與幀之間的歐幾里得距離作為其親近關(guān)系將高維的運(yùn)動(dòng)捕捉數(shù)據(jù)映射到低維空間中，從而達(dá)到降維的目的，文中選取方差貢獻(xiàn)(variance)之和達(dá)到80%的前若干維數(shù)據(jù)進(jìn)行后續(xù)的分割操作.使用多維標(biāo)度法進(jìn)行降維的原因在于其不會(huì)改變運(yùn)動(dòng)中各個(gè)時(shí)間點(diǎn)的速率，而分割的目的就是要找出角速率為零或近似為零的點(diǎn)，這就意味著理論上多維標(biāo)度法不會(huì)改變分割點(diǎn)的位置.

2 分割算法

2.1 過(guò)零點(diǎn)檢測(cè)

就基于全身速率的方法而言，由于動(dòng)作之間速率以及采樣率存在差異，難以找出合適的速率閾值來(lái)確定分割點(diǎn).由于當(dāng)全身速率為零或者近似為零的時(shí)候，各維上運(yùn)動(dòng)的速度同時(shí)或者幾乎同時(shí)過(guò)零，所以文中將檢測(cè)全身速率為零或者近似為零的問(wèn)題轉(zhuǎn)化成了檢測(cè)各維運(yùn)動(dòng)速度同時(shí)或者幾乎同時(shí)過(guò)零的問(wèn)題，這樣就可以不受速率以及采樣率差異性的影響.

所謂過(guò)零點(diǎn)即是角速度從正值到負(fù)值，或者由負(fù)值到正值的時(shí)刻，在這個(gè)時(shí)刻，速度方向發(fā)生了改變，而當(dāng)所有維上的運(yùn)動(dòng)速度同時(shí)或者幾乎同時(shí)過(guò)零時(shí)就是所要找的分割點(diǎn).在對(duì)數(shù)據(jù)進(jìn)行降維后，需要對(duì)各維數(shù)據(jù)進(jìn)行角速度過(guò)零點(diǎn)檢測(cè)，從而獲得各維的角速度過(guò)零點(diǎn)，從運(yùn)動(dòng)曲線上看這些過(guò)零點(diǎn)位于局部極值點(diǎn)，如圖4所示的2條運(yùn)動(dòng)曲線，局部最大值點(diǎn)和最小值點(diǎn)就是角速度過(guò)零的點(diǎn)，也就是各維的分割點(diǎn).假設(shè)降維后獲得n維數(shù)據(jù)，對(duì)n維數(shù)據(jù)中的每一維進(jìn)行角速度過(guò)零點(diǎn)檢測(cè)后，得到了各維上的過(guò)零點(diǎn)為SP1={s1，1，s1，2，…，s1，i1}，SP2={s2，1，s2，2，…，s2，i2}，…，SPn={sn，1，sn，2，…，sn，in}，其中SPi代表了i維上的角速度過(guò)零點(diǎn)集合.例如，圖4中所示的是“行走”動(dòng)作經(jīng)過(guò)降維之后得到的2維數(shù)據(jù)，第1維上的過(guò)零點(diǎn)為{13，74，134，193，254}，而第2維上的過(guò)零點(diǎn)為{4，40，77，98，124，159，197，218，241，275}.

圖4 “行走”動(dòng)作各維極值點(diǎn)

2.2 置信度計(jì)算

在獲得了各維上的過(guò)零點(diǎn)之后，通過(guò)公式(1)計(jì)算各個(gè)點(diǎn)在各維上過(guò)零的置信度:

式中:C(i，tj)為時(shí)間點(diǎn)tj在i維上作為過(guò)零點(diǎn)的置信度;si，d為i維上離tj最近的過(guò)零點(diǎn).由式(1)可見(jiàn)，當(dāng)tj是i維上的過(guò)零點(diǎn)時(shí)，其置信度達(dá)到最大值，即1;如果tj不是i維上的過(guò)零點(diǎn)，那么其置信度要根據(jù)其到最近過(guò)零點(diǎn)的距離來(lái)決定，距離越遠(yuǎn)，置信度越低.置信度描述了各個(gè)點(diǎn)在各個(gè)維度上作為分割點(diǎn)的可能性，取值范圍為［0，1］，置信度的取值不受速率和采樣率影響.某一時(shí)間點(diǎn)在某一維作為過(guò)零點(diǎn)的置信度越大，就說(shuō)明該點(diǎn)作為該維運(yùn)動(dòng)分割點(diǎn)的可能性就越大，如果某一點(diǎn)在所有維度上作為過(guò)零點(diǎn)的置信度都為1，那么該點(diǎn)必然為分割點(diǎn).圖5所示的是“行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)在各維上過(guò)零的置信度.

圖5 “行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)在各維上過(guò)零的置信度

2.3 過(guò)零強(qiáng)度計(jì)算

考慮圖4所示的第1維運(yùn)動(dòng)曲線(藍(lán)線)上的74幀和第2維運(yùn)動(dòng)曲線(紅線)上的77幀;74幀是第1維上過(guò)零點(diǎn)，其置信度為1，而77幀是第2維上的過(guò)零點(diǎn)，其置信度也為1.然而由圖4可見(jiàn)，前者會(huì)更加明顯，這是由于在過(guò)零點(diǎn)前后，前者的運(yùn)動(dòng)幅度比后者的運(yùn)動(dòng)幅度要大，所以最后在決定全局分割點(diǎn)時(shí)，應(yīng)該更加傾向于更明顯的過(guò)零點(diǎn).由此文中提出了過(guò)零強(qiáng)度的概念，過(guò)零點(diǎn)越明顯則其過(guò)零強(qiáng)度越大;反之，過(guò)零點(diǎn)越不明顯則其過(guò)零強(qiáng)度越小.第i維上過(guò)零點(diǎn)si，d的過(guò)零強(qiáng)度等于i維上過(guò)si，d前后運(yùn)動(dòng)的幅度之和的一半.第i維上非過(guò)零點(diǎn)tj的過(guò)零強(qiáng)度等于離其最近的過(guò)零點(diǎn)的過(guò)零強(qiáng)度，具體的計(jì)算方法見(jiàn)公式(2):

式中:S(i，tj)為i維上tj點(diǎn)的過(guò)零強(qiáng)度;fi(tj)為tj點(diǎn)在i維運(yùn)動(dòng)曲線上的值;si，d為i維上離tj最近的過(guò)零點(diǎn).由于過(guò)零強(qiáng)度是關(guān)于運(yùn)動(dòng)幅度的函數(shù)，所以是不受速率以及采樣率影響的.圖6為“行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)在各維上過(guò)零的強(qiáng)度.

圖6 “行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)在各維上過(guò)零的強(qiáng)度

2.4 加權(quán)置信度計(jì)算

為了量化各個(gè)時(shí)間點(diǎn)作為全局分割點(diǎn)的可能性，文中提出了加權(quán)置信度的概念.加權(quán)置信度將每個(gè)時(shí)間點(diǎn)在各維上作為分割點(diǎn)的置信度按照對(duì)應(yīng)的過(guò)零強(qiáng)度進(jìn)行綜合.當(dāng)各維在分割點(diǎn)位置上出現(xiàn)不一致時(shí)，全局分割點(diǎn)會(huì)合理地傾向于過(guò)零強(qiáng)度更大的分割點(diǎn).加權(quán)置信度的計(jì)算公式如公式(3)所示:

式中W(tj)為tj點(diǎn)的加權(quán)置信度.由公式(3)可見(jiàn)每個(gè)點(diǎn)的加權(quán)置信度都在［0，1］，加權(quán)置信度越高，說(shuō)明該點(diǎn)就越有可能是分割點(diǎn).置信度以及過(guò)零強(qiáng)度均不受速率和采樣率的影響，所以作為置信度和過(guò)零強(qiáng)度函數(shù)的加權(quán)置信度也不受速率和采樣率影響.

文中用公式(3)計(jì)算所有時(shí)間點(diǎn)的加權(quán)置信度，之后找出加權(quán)置信度中的所有局部最大值點(diǎn).對(duì)于每個(gè)局部最大值點(diǎn)，判斷其加權(quán)置信度是否超過(guò)給定閾值，即70%，如果超過(guò)，就判定該點(diǎn)為整體的分割點(diǎn);如果不超過(guò)，就判斷該點(diǎn)不是分割點(diǎn).圖7為“行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)的加權(quán)置信度，只有當(dāng)某個(gè)極大值點(diǎn)的加權(quán)置信度超過(guò)70%的時(shí)候才會(huì)被認(rèn)為是分割點(diǎn)，如{13，74，134，193，254}.

圖7 “行走”動(dòng)作中各個(gè)時(shí)間點(diǎn)的加權(quán)置信度及峰值置信度所對(duì)應(yīng)的幀

3 試驗(yàn)與結(jié)果

試驗(yàn)數(shù)據(jù)摘自卡耐基梅隆大學(xué)的運(yùn)動(dòng)捕捉數(shù)據(jù)庫(kù)，其中包括“行走”、“跑步”、“高爾夫”、“踢足球”、“拳擊”共6 250幀數(shù)據(jù)，其中每一幀都記錄了各個(gè)節(jié)點(diǎn)的三維轉(zhuǎn)動(dòng)角度信息.圖8展示了這5類動(dòng)作的分割示例，其中的每一個(gè)姿勢(shì)都是一個(gè)分割點(diǎn)，由于有的動(dòng)作太長(zhǎng)，所以這里只摘取了各類中一部分比較具有代表性的動(dòng)作.由圖8可見(jiàn)這些分割點(diǎn)都是動(dòng)作開(kāi)始和結(jié)束時(shí)的姿勢(shì).

圖8 部分動(dòng)作分割結(jié)果

邀請(qǐng)5名學(xué)生參與了試驗(yàn)，學(xué)生們需要通過(guò)如圖9所示的運(yùn)動(dòng)捕捉數(shù)據(jù)播放器觀看動(dòng)作，并對(duì)動(dòng)作進(jìn)行手動(dòng)分段，之后綜合各人的意見(jiàn)，最終獲得了83個(gè)分割點(diǎn).用Matlab 2010實(shí)現(xiàn)了文中所提出的自動(dòng)分割算法，對(duì)于每個(gè)自動(dòng)檢測(cè)出的分割點(diǎn)，如果在手動(dòng)分割出的分割點(diǎn)中能找出差距小于10幀的分割點(diǎn)，就認(rèn)為該分割點(diǎn)被正確的檢測(cè).通過(guò)將該方法與手動(dòng)分割的分割點(diǎn)進(jìn)行對(duì)比，獲得了該方法的查全率與準(zhǔn)確率，計(jì)算式為

查全率和準(zhǔn)確率是衡量分割效果的重要指標(biāo)，對(duì)于評(píng)判分割算法優(yōu)劣有著重要的作用.

圖9 運(yùn)動(dòng)捕捉數(shù)據(jù)播放器界面

表1為文中方法在不同加權(quán)置信度閾值條件下的查全率與準(zhǔn)確率，表2為基于全身速率的方法在不同速率閾值條件下的查全率與準(zhǔn)確率，表3為基于曲率的方法在不同曲率閾值條件下的查全率與準(zhǔn)確率.

表1 文中方法在不同加權(quán)置信度條件下的查全率與準(zhǔn)確率

續(xù)表

表2 基于全身速率的方法在不同速率閾值條件下的查全率與準(zhǔn)確率

表3 基于曲率的方法在不同曲率閾值條件下的查全率與準(zhǔn)確率

將表1-3中的8組數(shù)據(jù)進(jìn)行對(duì)比(從上到下分別是第1組到第8組)可見(jiàn)，文中方法的最高查全率要高于其他2種方法(97.6% ＞86.8%，97.6＞96.4)，然而在極端閾值下，文中方法比其他2種方法的準(zhǔn)確率要低(38.2% ＜50.0%，38.2% ＜42.1%).但是隨著閾值的改變，文中方法的查全率下降緩慢，而準(zhǔn)確率急速上升，到第4組的時(shí)候，查全率以及準(zhǔn)確率均優(yōu)于其他2種方法(93.4%＞81.9%，93.4% ＞91.6%;56.9% ＞52.3%，56.9%＞50.3%)，并且在此之后，這種優(yōu)勢(shì)持續(xù)保持.

為了更好地進(jìn)行對(duì)比，引入了F1-Measure值F，它是查全率和準(zhǔn)確率的加權(quán)調(diào)和平均.F1-Measure值綜合考慮了查全率與準(zhǔn)確率，可以較全面地反映結(jié)果的好壞，F(xiàn)1-Measure值越高，結(jié)果越好.3種方法的F1-Measure值對(duì)比如圖10所示.

圖10 3種方法的F1-Measure值對(duì)比

由圖10可見(jiàn)，在第4組數(shù)據(jù)之前其他2種方法的F1-Measure高于文中方法，從第4組開(kāi)始，文中方法就優(yōu)于基于全身速率的方法.另外通過(guò)觀察3條曲線，對(duì)于基于加權(quán)置信度的方法，可以看出第6組數(shù)據(jù)，也就是當(dāng)加權(quán)置信度閾值等于70%時(shí)，F(xiàn)1-Measure值達(dá)到最大值84.5%(查全率85.5%，準(zhǔn)確率83.5%)，所以前面在2.4節(jié)中，設(shè)定70%為加權(quán)置信度的閾值.對(duì)于基于全身速率的方法，當(dāng)速率閾值在5時(shí)，F(xiàn)1-Measure值達(dá)到最大值64.3%(查全率77.1%，準(zhǔn)確率55.2%).對(duì)于基于曲率的方法，當(dāng)曲率閾值在10時(shí)，F(xiàn)1-Measure值達(dá)到最大值67.9%(查全率85.5%，準(zhǔn)確率56.4%)很明顯，在最優(yōu)閾值條件下，文中方法在各方面指標(biāo)上都要顯著優(yōu)于其他2種方法.

前面進(jìn)行降維的時(shí)候，選取了方差貢獻(xiàn)之和達(dá)到80%的前若干維數(shù)據(jù)進(jìn)行后續(xù)的分割操作.圖11為不同方差貢獻(xiàn)閾值下的最優(yōu)F1-Measure值.

由圖11可見(jiàn)將方差貢獻(xiàn)閾值設(shè)為80%的合理性，即此時(shí)的最優(yōu)F1-Measure值最高，這里的最優(yōu)F1-Measure值是指在最優(yōu)加權(quán)置信度閾值得出的F1-Measure值.還可以看出當(dāng)方差貢獻(xiàn)閾值在55%和60%時(shí)的最優(yōu)F1-Measure值是一樣的，這是因?yàn)樵谶@2種情況下，第1維數(shù)據(jù)的方差貢獻(xiàn)就已經(jīng)超過(guò)60%，后續(xù)分割都是針對(duì)第1維數(shù)據(jù)的.此外，當(dāng)方差貢獻(xiàn)閾值在95%和100%時(shí)的最優(yōu)F1-Measure值也是一樣的，這是因?yàn)樵诜讲钬暙I(xiàn)達(dá)到95%之后，后面各維數(shù)據(jù)的運(yùn)動(dòng)非常細(xì)微，并不足以影響全局分割點(diǎn).觀察圖11中的曲線可見(jiàn)，曲線前端和后端的最優(yōu)F1-Measure值較低，前者是因?yàn)榫S數(shù)過(guò)少導(dǎo)致出現(xiàn)較多誤報(bào)，而后者是因?yàn)榧尤肓艘恍┻\(yùn)動(dòng)幅度較小的維度，這些幅度較小的動(dòng)作在手動(dòng)分割時(shí)往往不能被人們所注意，自動(dòng)分割時(shí)計(jì)入這些運(yùn)動(dòng)幅度較小的維度就會(huì)無(wú)謂地增加限制條件，造成大量漏檢.

圖11 不同方差貢獻(xiàn)閾值下的最優(yōu)F

4 結(jié)論

1)文中提出了一種低級(jí)動(dòng)作分割算法，該方法綜合考慮了過(guò)零強(qiáng)度和置信度，可以更為有效地對(duì)動(dòng)作進(jìn)行分割.

2)相比于基于速率和曲率的方法，文中提出的加權(quán)置信度并不會(huì)受速率以及采樣率的影響，從而獲得了更好的性能.

References)

［1］BarbicˇJ，Safonova A，Pan J Y，et al.Segmenting motion capture data into distinct behaviors［C］∥Proceedings of Graphics Interface2004.London，Ont，Canada:Canadian Information Processing Society，2004:185-194.

［2］Zhou F，De la Torre F，Hodgins J K.Hierarchical aligned cluster analysis for temporal clustering of human motion［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35(3):582-596.

［3］Gong D，Medioni G，Zhu S K，et al.Kernelized temporal cut for online temporal segmentation and recognition［C］∥Proceedings of the12th European Conference on Computer Vision.Heidelberg:Springer Verlag，2012:229-243.

［4］邢薇薇，仝磊鳴，張 毅，等.基于余弦距離的人體運(yùn)動(dòng)數(shù)據(jù)行為分割算法［J］.中南大學(xué)學(xué)報(bào):自然科學(xué)版，2014，45(4):1128-1136.

Xing Weiwei，Tong Leiming，Zhang Yi，et al.Human behavior segmentation method based on cosine distance for motion data［J］.Journal of Central South University:Science and Technology，2014，45(4):1128-1136.(in Chinese)

［5］Ilg W，Bakir G H，Mezger J，et al.On the representation，learning and transfer of spatio-temporal movement characteristics［J］.International Journal of Humanoid Robotics，2004，1(4):613-636.

［6］Fod A，Mataric M J，Jenkins O C.Automated derivation of primitives for movement classification［J］.Autonomous Robots，2002，12(1):39-54.

［7］Halit C，Capin T.Multiscale motion saliency for keyframe extraction from motion capture sequences［J］.Computer Animation and Virtual Worlds，2011，22(1):3-14.

［8］劉曉平，陸勁挺，夏新宇.基于PCA和馬氏距離的運(yùn)動(dòng)捕捉數(shù)據(jù)分割方法［J］.合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2014，37(5):563-566.

Liu Xiaoping，Lu Jinting，Xia Xinyu.Motion capture data segmentation based on PCA and mahalanobis distance［J］.Journal of Hefei University of Technology:Natural Science，2014，37(5):563-566.(in Chinese)

［9］Zhao L W，Badler N I.Acquiring and validating motion qualities from live limb gestures［J］.Graphical Models，2005，67(1):1-16.

［10］Gibet S，Marteau P F.Approximation of curvature and velocity for gesture segmentation and synthesis［C］∥Proceedings of the7th International Gesture Workshop.Heidelberg:Springer Verlag，2009:13-23.

［11］Lin J F S，KuliD.Segmenting human motion for automated rehabilitation exercise analysis［C］∥Proceedings of the2012Annual International Conference of the IEEE Engineering in Medicine and Biology Society.San Diego:IEEE，2012:2881-2884.

［12］詹永照，汪滿容，柯 佳.基于人工免疫有序聚類的視頻關(guān)鍵幀提取方法［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2012，33(2):199-204.

Zhan Yongzhao，Wang Manrong，Ke Jia.Video keyframe extraction using ordered samples clustering based on artificial immune［J］.Journal of Jiangsu University:Natural Science Edition，2012，33(2):199-204.(in Chinese)

［13］王艷文，于 勉.基于MATLAB的巴特沃斯數(shù)字濾波器設(shè)計(jì)［J］.科技信息，2013(21):168.

Wang Yanwen，Yu Mian.Butterworth filter design based on MATLAB［J］.Science＆Technology Information，2013(21):168.(in Chinese)

［14］H?rdle W K，Simar L.Applied Multivariate Statistical A-nalysis［M］.3rd ed.Berlin:Springer，2012.