论文部分内容阅读
基于三维人体运动数据的情感识别是一个崭新的人体运动学与模式识别的交叉课题,该技术的研究目前尚处于起步阶段。本文对该技术进行了深入的探索与研究,包括人体运动建模、Period序列的生成、动作识别及情感识别。首先,在剖析现有人体运动建模方法的基础上,提出了半球假设,即每个关节点的相对运动都被限制在一个半球面上,进而采用半球建模的方法使得关节点的坐标标准化。同时选取了10个典型的方向向量,用来表示人体在某一时刻的运动状态。其次,提出了以Period序列来拟合关节点运动轨迹,有效降低运动数据的规模,并分离出轨迹信息和速率信息,分别对应了动作参数与情感参数。在Douglas-Peucker算法的基础上,提出了三维曲线逼近算法,实现了异步Period序列的生成,并针对异步序列在动作识别过程中的不足,提出了Period的同步化算法。最后,在大量人体运动数据的基础上,建立了动作情感数据集,包括了典型的十五种的动作标签和五种情感标签。提出连续子集匹配算法,实现了对动作及动作组合的识别,并采用信号波形的形式来表示情感参数,进而识别出情感分类。实验证明,相比于传统以帧为单位的识别方法,本文提出的方法将有效降低识别过程的计算复杂度,并消除了采样误差的干扰,使得识别结果更加精确。