کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6857373 661797 2016 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Human motion recovery jointly utilizing statistical and kinematic information
ترجمه فارسی عنوان
بازیابی حرکتی انسان به طور مشترک با استفاده از اطلاعات آماری و سینماتیک
کلمات کلیدی
ترجمه چکیده
داده های حرکتی انسان که توسط نشانگرهای متصل به بدن یک بازیگر دستگیر شده اند، در بسیاری از مناطق به طور گسترده ای مورد استفاده قرار می گیرند. با این حال، انسداد ناشی از بدن یا لباس بازیگر ممکن است چندین نشانگر را برای یک دوره زمانی در طول فرایند ضبط از دست ندهد، که نشان دهنده نیاز به بازیابی حرکت در فرآیند ضبط حرکت انسان است. در سال های اخیر، تکمیل ماتریس کم و کد گذاری نادر در بسیاری از روش های بازیابی حرکت حرکت داده شده استفاده شده است. با این حال، اعمال آنها به طور مستقیم برای بازیابی اطلاعات از دست رفته موثر نیست زیرا رتبه پایین تنها یک ویژگی آماری اساسی حرکت انسان است. علاوه بر این، فرهنگ لغت معمولا در فضای ویژگی کامل مورد استفاده قرار می گیرد و در حالی که حرکت انسان باید از یک فضای ویژگی ناقص به دست آید. علاوه بر این، تکمیل ماتریس کم رتبه و برنامه نویسی جزئی تنها از اموال آماری استفاده می کنند و یکی دیگر از ویژگی های مهم، یعنی ویژگی حرکتی حرکت انسان را نادیده می گیرند. با الهام از یادگیری فرهنگ لغت، ما فرایند یادگیری فرهنگی سنتی را تغییر می دهیم و یک فرآیند جدید برای کار ویژه ای از بازیابی حرکت پیشنهاد می کنیم. روند بازیابی جدید به طور مشترک از اطلاعات آماری و جنبشی استفاده می کند. در روش پیشنهادی، ابتدا یک فرهنگ لغت از تعداد زیادی از جفت های فرعی کامل و ناقص آموزش، برای حفظ اطلاعات آماری داده های حرکت یاد می گیریم. سپس، با محدودیت صافی و محدودیت طول استخوان که اطلاعات سینماتیک را در فرایند بازیابی به دست می دهند، حرکات را با استفاده از نمایش های ناقص فریم های ناقص و یک فرهنگ لغت آموخته از طریق یک مدل بهینه سازی بازیابی می کنیم. علاوه بر این، ما الگوریتم های بهینه سازی مبتنی بر شیب را برای یادگیری فرهنگی و بازیابی حرکت استفاده می کنیم. نتایج آزمایش گسترده و مقایسه با چهار حالت دیگر از روش های پیشرفته نشان دهنده اثربخشی روش پیشنهادی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بازیابی حرکتی انسان به طور مشترک با استفاده از اطلاعات آماری و سینماتیک
چکیده انگلیسی
Human motion data that are captured by the markers attached to an actor's body have been widely used in many areas. However, occlusion caused by the actor's body or clothing might make several markers missing for a period of time during the capture process, which highlights the need for motion recovery in the human motion capture process. In recent years, low-rank matrix completion and sparse coding have been used in many data-driven motion recovery methods. However, applying them directly to recover missing data is not effective because low rank is only a basic statistical property of human motion. In addition, the dictionary is usually learned and used in a complete feature space, while human motion must be recovered from an incomplete feature space. Moreover, low-rank matrix completion and sparse coding take advantage only of the statistical property and ignore another important property, i.e., the kinematic property of human motion. Inspired by coupled dictionary learning, we modify the traditional dictionary learning process and propose a new process for the special task of motion recovery. The new recovery process jointly utilizes statistical and kinematic information. Within the proposed method, we first learn a dictionary from a large number of complete-incomplete training frame pairs, to preserve the statistical information of motion data. Then, with the smoothness constraint and the bone-length constraint which take the kinematic information into recovery process, we recover motions using sparse representations of incomplete frames and a learned dictionary through an optimization model. Additionally, we employ two gradient-based optimization algorithms for dictionary learning and motion recovery. Extensive experiment results and comparisons with four other state-of-the-art methods demonstrate the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 339, 20 April 2016, Pages 189-205
نویسندگان
, , , ,