计算机辅助体训中基于形变度与运动分解的运动员3-D形态与运动信息识别

Recognition of 3-D structure and motion for athletes will be investigated based on dynamic image sequences for computer aided sport training. First, in order to control the constraint degree in the process of recognition, the estimation of deformation degree of athlete non-rigid motion based on image sequence will be analyzed. For real image sequence, we should overcome the negative factors such as directional uncertainty and missing feature points. Meanwhile, we will factorize the athlete motion using deformation-degree-based wavelet transformation. The factorization scale will be controlled by the deformation degree. The objectives of this new factorization approach lie in that the motion bases can be determined beforehand and the non-rigid motion analysis approach in this project is unified with the traditional rigid methods. Traditional methods for the definition of irregular neighborhood system of random field use the information of Euclidean distance of feature points in image plane. Therefore, the motion smoothness and similarity of local motion can not be effectively reflected. To overcome this limitation, we will investigate to define the irregular neighborhood system based on neuro-computing. Thus, the reflection of local motion the robustness of the motion estimation will be improved. We can get robust recognition results for athlete structure and motion when this project is finished. The achievements of this project can be applied to real computer aided sport training areas.

在计算机辅助体训中根据所获取的动态图像序列研究3-D空间中运动员的形态与运动信息识别问题。首先，为了有效控制识别过程中所需加入的约束程度，将根据运动员图像序列研究不同运动项目中运动员的形变度。这一形变度计算应能克服图像序列中特征点丢失以及方向性噪声等不利因素。为了有效地识别形态与运动参数，我们将利用小波变换的方法并结合形变度对运动员非刚性运动进行运动分解。其中形变度用于控制运动分解的规模。这种运动分解的目标在于运动基可以事先确定，同时使参数求解能与传统的刚性分析方法得到统一。在随机场的非整则邻域系中，我们还要通过研究克服传统确定方法仅仅利用图像平面的欧氏距离所带来的无法有效反映运动局部平滑性和相似性的缺陷，通过神经计算的方法确定邻域系从而有效地体现运动员的局部运动细节并提高求解的鲁棒性。该研究的完成将能对3-D空间中体育运动员的形态与运动信息进行鲁棒识别，并在各类计算机辅助体训中得到应用。

本项目从图像理解手段出发，根据所获取的运动员动态图像序列研究运动员的辅助体训问题。主要内容涉及以下几方面：. 1）提出了一种轨迹基的自动选择方法。通过分析投影误差的频谱、设定的误差水平选择出能量集中的轨迹基数目和组合形式，既确保了重建算法的精度，又提升了重建效率，实现了轨迹基的自动选择。. 2）研究了一种基于特征符号搜索算法的轨迹基重建方法。基于特征符号搜索算法通过提供一种新的目标函数，在每一步中更新未知数的非零系数的有效集合和相应的符号自动搜索最佳的系数及其符号，使得算法收敛于最佳的解集。. 3）在轨迹空间中，将格拉姆矩阵（矫正矩阵的格拉姆矩阵）迹的小化问题，作为半正定规划问题求解。还利用加速的近端梯度算法在理想的时间内求解非刚体三维结构矩阵的核范数的小化问题。. 4）针对轨迹基的大小选择问题，提出了一种稀疏逼近算法。用稀疏矩阵来表示轨迹基矩阵各单元基对应的系数矩阵，降低了大矩阵问题求解的难度。针对轨迹基种类的选择问题，结合稀疏逼近算法，提出了使用多种类型的轨迹基构建原子字典的方案。把多种类型的轨迹基联合起来，构建成了过完备的不相干原子字典，然后通过稀疏逼近算法进行原子系数的求解。. 5）研究构造了一个多目标代价函数，该函数综合了单目图像序列中非刚体的运动轨迹平滑性、结构变化连续性和投影误差等方面的约束条件。然后以该代价函数的最小作为优化目标进行迭代求解，确定非刚体三维结构和相机运动参数，实现非刚体三维运动重建。. 6）根据所捕获的实际乒乓球、投篮和网球发球的动态图像序列提出了相关的实际运动识别方法。. 该项目的完成给出了通过动态图像序列进行人体运动三维重建与识别的理论框架，将能应用于各类实际体育运动的辅助训练场合。