运动捕获技术、运动纹理技术、运动图方法、统计学模型以及运动分割方法都是利用聚类分析方法，对有关数据进行聚类分析，最终取得人体运动的分割结果。但是在本质上来讲，作为一组运动序列，人体运动数据具有高度的时序性，如果采用聚类分析方法，则不可以避免打破原有的人体运动数据中固存的时序性，最终致使人体运动分隔结果失真。文章利用主成分析法、动态时间归整方法、概率转移建模等方法提出了一种新型的动作单元提取模式，即基于动作单元分析的人体动画合成方法，就此展开论述。
　　引言
　　基于动作单元分析的人体动画合成方法的具体内容如下：第一步，采用主成分析法（Principal Component Analysis，PCA）对实现了高维运动数据向低维特征空间的映射，同时利用马氏距离平方对低维特征空间样本的相似度进行度量；第二步，在自动切割与标注时序运动序列时，综合采用了动态时间归整方法以及误差平方及其原则。最后一步，实现概率转移建模，即构建不同基本动作单元之间的概率转移模型，并构建运动图，同时依据约束条件来实现新的逼真人體动画的合成。
　　一、人体运动数据的预处理
　　经过简化之后，人体的骨架模型可以被简单地看成有各个运动关节相连以及具有层次结构的骨骼段构成。经过简化之后的运动模型共具有五十四个自由度，不同的骨骼均具有与之相适应的局部坐标系，并与骨骼相连。其中，Root关节一共拥有六个自由度，代表世界坐标系中的Root位置的自由度共有三个，代表世界坐标系中Root朝向的自由度也有三个。但是，其它的关节仅仅拥有对应父关节而转动的三个自由度。一般情况下，我们用欧拉角来表现关节旋转，但是在实际中，采用欧拉角来表现关节旋转容易导致奇异性，进而造成万向锁。为了彻底避免由于使用欧拉角而导致的万向锁问题，本文表示关节旋转时采用单位四元数。
　　二、采用主成分析法（PCA）分析人体运动数据
　　因为，人体运动时，每一个关节之间具有非常强的相关性，举例来说，假设右腿向前运动，那么该人体的左腿便要向后运动（与之相类似的运动相关性非常之多），并且人体运动数据为高维向量，所以，假如分析数据时直接在姿态空间当中进行，则会不可避免地出现运动分析失真的现象，最终导致人体运动数据的内在关联性未能得到有效地挖掘。所以，采用主成分析法（PCA）来实现人体运动数据由高维运动数据向低维特征空间的映射，在降维同时，也有利于原始运动数据的低维特征空间分析。
　　三、度量运动姿态相似性
　　由于运动数据是时序的运动序列，在度量姿态的相似性时需考虑它的运动学特征。定义姿态和之间的距离是
　　四、度量人体运动片段相似性
　　因为人体运动具有非常丰富的变化形式，即便是针对相同的基本动作单元，该人体运动片段所体现出的运动细节和序列长度也能够展现出一定的不同之处。所以，需要利用动态时间规整算法（Dynamic Time Warping，DTW）来度量人体运动片段的相似度。
　　对给定的运动片断A（y1A,y2A,y3A，……y1A）以及B（y1B,y2B,y3B，……y1B），并且I≠j，利用动态时间规整算法（DTW）寻找一个最优的时间规整函数，并让运动片断A的时间轴i非线性地映射到运动片断B的时间轴j，同时让总的累积失真量最小。
　　五、自动提取动作单元
　　人体的运动动作种类和数据虽然非常之多，但是其中某些动作均是重复性的动作，这些动作的主要构成部分就是一些重复的基本动作单元。举例来说，舞蹈动作中便有许多的重复性动作。在自动切割与标注时序运动序列时，综合采用动态时间归整方法以及误差平方及其原则能够很好地实现动作单元的自动提取。
　　六、构建运动图
　　对于提取的基本动作单元，虽然它们在动作上各不相同，但它们在时序上保持一定的概率转移关系，本文采用运动学连续和行为连续描述各个基本动作单元之间的概率转移模型。运动学连续是度量不同动作单元之间过渡的平滑性，行为连续是刻画不同动作模式之间的概率转移关系。
　　
　　参考文献：
　　[1]宗丹,李淳芃,夏时洪,等.基于关键姿态分析的运动图自动构建[J].计算机研究与发展,2010（08）.
　　
　　（作者单位：浙江传媒学院）