人體運動數據重構方法進展

(1.大連理工大學 機械工程學院， 遼寧 大連 116024; 2.大連大學 遼寧省智能信息處理重點實驗室， 遼寧 大連 116622)



摘要：運動捕捉系統產生的人體運動數據是標記點在運動序列中的位置數據，用于驅動人體模型產生真實感的動畫。在對近幾年有關人體運動數據重構的文獻進行綜合和分析的基礎上，首先對人體運動數據重構進行了問題描述，并對人體運動數據在重構過程中難以避免的噪聲問題和特征點(虛擬空間中的標記點)缺失問題的研究分別進行了總結和分析；然后對人體運動數據獲取的光學式原型捕捉系統開發的研究進行了討論，評述了人體運動數據驅動人體幾何模型的相關研究；最后對未來研究提出了一些展望。

關鍵詞：運動捕捉; 數據重構; 噪聲; 缺失點; 人體動畫; 骨骼模型

中圖分類號：TP391.41文獻標志碼：A

文章編號：1001-3695(2008)11-3228-05



Survey ofhuman motion data reconstruction methods



FANG Xiao-yong1， WEI Xiao-peng1，2， ZHANG Qiang2， ZHOU Dong-sheng1



(1.School of Mechanical Engineering， Dalian University of Technology， Dalian Liaoning 116024， China; 2.Liaoning Key Laboratory of Intelligent Information Processing， Dalian University， Dalian Liaoning 116622， China)



Abstract:Human motion data created from motion capture system are marker position data of motion sequence， and these data drive virtual human model to form an authentic animation. Based on the recent literatures of human motion data reconstruction， this paper attempted to make a survey of human motion data reconstruction methods. First，describedhuman motion data reconstruction. Thensummarizd and analyzed the research works about the unavoidable noise and feature point missing problem during the reconstruction of human motion datarespectively. Subsequently，discussed the explorations of original optical capture system for capturing human motion data. Then reviewed the research findings about driving human geometrical model with human motion data. At the end， brought forward the future works for the next study.

Key words：motion capture; data reconstruction; noise; missing point; human animation; skeleton model



0引言

近年來，計算機圖形學以及圖形加速硬件的快速發展，計算機已經可以生成高質量的計算機動畫。計算機動畫技術是利用計算機自動或半自動地生成逼真動畫的一門技術。隨著計算機動畫技術的發展，動畫師可以用計算機創作出具有高度真實感的虛擬場景和數字角色。在《泰坦尼克號》《駭客帝國》《恐龍》《金剛》等電影以及《最終幻想》《實況足球》等三維CG游戲中，計算機動畫技術的藝術魅力得到了充分的展示。在計算機動畫技術的研究中，人體動畫技術是最具挑戰的一個領域^[1~4]。這是因為：a)人體模型是由200多個旋轉關節組成的復雜形體；b)需要考慮人體動作的復雜性及其高度協調性。傳統的人體動畫制作需要動畫師逐幀畫出。引入計算機動畫技術后，動畫師可以利用計算機先設計造型，然后按劇情定義關鍵幀，調整關鍵幀中模型的姿勢，最后利用插值平滑生成動畫。然而對于較長的動畫作品，逐個確定關鍵幀以及調整關鍵幀的模型姿態是一項相當繁重的工作。隨著運動捕捉技術的出現，這個難題得到了解決。

運動捕捉系統(motion capture system， MOCAP)對表演者體表所附著的光標或傳感器進行捕捉和跟蹤，利用得到的光標或傳感器的位置信息驅動人體幾何模型，能夠方便地生成人體運動動畫。按工作原理分類，運動捕捉系統可以分為機械式、聲學式、電磁式及光學式。光學運動捕捉系統是目前運用相對廣泛的一種人體運動捕捉系統。該類系統基于計算機視覺原理，對運動物體上特定標志或發光點進行監視和跟蹤，并進行數據處理。光學運動捕捉系統是本文主要討論的人體運動數據的獲取源，其捕捉得到的人體運動數據主要是人體標記點在運動序列中的位置數據。通過每一幀記錄的人體標記點位置信息可以驅動人體幾何模型產生動畫。在運動捕捉過程中，標記點容易被道具、四肢、軀干或者其他標記點遮擋而不可重構，這類點稱為缺失點。這種缺失點現象和運動數據噪聲現象是人體運動數據重構的主要瓶頸，需要經過相應的數據處理才能夠重構逼真的人體運動。

人體運動數據重構研究的內容主要包括：a）對人體運動數據進行缺失點修正；b）過濾時間序列中的噪聲，生成平滑的軌跡；c）利用骨架運動信息或者標記點的運動軌跡驅動幾何模型生成動畫。人體運動數據重構研究能夠應用于體育訓練、醫學診斷、公安監視、游戲制作、商業廣告、CG動畫等諸多領域，不僅降低了人體動畫制作成本，還提高了人體動畫制作效率。人體運動數據重構研究在動畫產業中發揮著越來越大的作用。

本文介紹了人體運動數據重構中缺失點的修正研究、人體運動數據重構中噪聲處理的研究、人體運動數據獲取的光學式原型捕捉系統的開發研究，以及人體運動數據驅動人體幾何模型的研究。

1人體運動數據重構中缺失點的修正研究 

運動捕捉過程中，標記點由于被道具、四肢、軀干或者其他標記點遮擋造成了點缺失現象。由于點缺失現象非常普遍，缺失點修正成為人體運動數據重構的一個重要課題。人體運動數據主要是標記點在運動序列中的位置數據，這些位置數據信息比較單一，不足以逼真重構人體運動，研究者利用特征關聯性約束、物理運動學特性約束等來對點數據流進行處理。以下為人體運動數據缺失問題的處理方法。

11特征關聯性修正方法

特征關聯性主要提取于表演者的人體拓撲結構，研究者可以通過非缺失點與缺失點的關聯性對缺失點進行有效的修正，但該方法需要關聯體內存在一定數量的非缺失點。

較常用的人體拓撲結構是人體骨架模型。Herda等人^[3] 和Hornung等人^[4]利用預定義的人體骨架模型修正缺失點。結合人體骨架模型的信息，文獻[3]利用從前幾幀獲取的特征標記點位置信息來預測缺失點；文獻[4]提出利用剛性的關聯體修正缺失點的方法。這兩種方法適合于缺失特征點較少的情況。即使缺失時間較長，也可以利用與非缺失點的關聯信息推斷出缺失特征點的位置。但文獻[4]中方法的有效性將會隨著關聯體的缺失點增多而降低。Ringer等人^[5]提出一種計算特征點與底層骨架關聯性的全自動處理方法，避免了實驗之前預定義或手動添加模型參數的問題；不僅如此，該方法還能自動計算骨架肢翼的長度以及標記點對肢翼的從屬關系。Chai等人^[6]利用了一個校準的人體骨架模型的信息來修正特征點的位置，對于每個表演者只需要校準一次。除了利用骨架模型關聯性之外，幾何關聯性也可以用來處理特征點的缺失問題。Koh等人^[7]構建了一個幾何擬合算法，用迭代的SVD分解來估算缺失的特征點。該算法采用二維圖像平面和三維誤差空間的幾何關系作為擬合準則，具有較高的魯棒性。Park等人^[8]預定義一個缺失點最少的參考幀，然后利用鄰近標記點的空間位置關聯來預測丟失數據。

12局部線性模型修正方法

局部線性模型修正方法被用來對局部具備線性特征的人體運動數據進行缺失數據的修正。如果標記點只是在很短時間內(＜0.5 s)缺失，利用插值方法能有效地估算缺失點。但該方法的局限性在于，如果缺失時間過長或一開始就丟失，該方法會迅速失效而不得不進行人工干預。

線性插值方法處理運動數據計算量少，是比較常用的數據處理方法。然而由于人體運動數據比較復雜，往往需要構建線性模型才能進行運動線性插值計算。Liu等人^[9]提出一種分段線性方法，從一個預先選擇的最富信息的標記點集來估計人體運動。他們把人體運動描繪成低維的局部線性模型的組合。假定一幀只有主標記點的位置信息，則將之歸類到最相近的局部線性模型；然后使用相應的映射函數來修復非主標記點的位置信息。Liu等人^[10]在文獻[9]的基礎上又提出一種數據驅動的、分段線性建模方法來修正缺失點。該方法不需要骨架模型信息的先驗知識，在處理過程中無須手工干預，即使缺失時間較長，缺失點也能得到修正。該方法適合于修正完整人體的運動，對處理不同主體的不同運動生成的人體運動數據同樣具有較強的魯棒性。

13物理運動學特性修正方法

物理運動學特性修正方法利用物理特性(內部力矩、表面受力、身體負載等)以及運動學特性來修正缺失數據。

Schwartz等人^[11]提出一種基于運動約束的精確估計鉸接點參數的方法，將兩相鄰的人體肢節鉸接點的惟一性作為運動學約束，可以估算出身體各個鉸接點的參數。Grochow等人^[12]提出了一種基于型(style-based)的反向運動學方法。該方法將全局非線性降維技術、高斯隱式變量處理模型(Gaussian process latent variable model， GPLVM)以及一個先驗的運動學模型進行組合運用。這種方法宜修正同類的小規模人體運動數據，但可能不適用于規模較大的異類數據。

14其他修正方法

Teu等人^[13]提出基于一種Plücker坐標系（Plücker線）的方法用于精確估算人體肢節的運動及方位參數。Peng等人^[14]基于獨立成分分析(independent component analysis， ICA)和自組織特征映射(self-organizing maps， SOM)提出一種ISOM-DH模型處理不完全數據的數據挖掘問題。對于保持相關和非高斯的數據，這種方法能提取完全信息來處理丟失數據，能處理高維度數據。相比于混合PCA(mixture of principal component analyzers， MPCA）、平均值方法以及基于SOM模糊映射的標準算法模型，ISOM-DH模型應用更廣泛、更具優越性。

通過運用特征關聯性修正方法，利用非缺失點與缺失點的關聯性，能夠處理較長時間特征點缺失問題。該方法不足之處在于，如果共享關聯的特征點缺失較多時，無法利用特征關聯性對缺失特征點進行修正；對于局部線性模型修正，通常利用插值的方法，但是只能運用于具備線性特征的數據。文獻[9，10]對全局的人體運動數據進行分段線性建模，能夠處理較長時間的特征點缺失問題。物理運動學特性修正方法雖然能夠較好地處理人體運動數據，但是需要考慮更多的物理約束來修正人體運動數據，使修正后的人體運動數據能夠驅動人體模型產生更逼真的動畫。

2人體運動數據重構中噪聲處理的研究

光學運動捕捉系統獲取的人體運動數據不可避免地存在噪聲，對人體運動數據進行降噪是產生高質量的人體運動動畫的前提。因此，在人體運動重構過程中，對人體運動數據進行噪聲處理是十分必要的。

由于人體運動較為復雜，對標記點的全局軌跡進行濾波效果較差。Park等人^[8]采用局部時域濾波的方法對每個標記點的運動軌跡進行分時段降噪，進而實現全局降噪。Hsieh等人^[15]將含有噪聲的剛性體運動數據進行多尺度分解，然后采用B樣條小波函數進行數據濾波，有效地去除了數據中的脈沖噪聲。但是該方法只考慮了大幅的噪聲，對低幅噪聲處理效果并不明顯。Aissaoui等人^[16]比較了三維運動數據自動濾波的三種算法，分別是基于自回歸模型的功率譜分析法（power spectrum analysis， PSA）、基于殘差信號的自相關法（autocorrelation， AC）和基于特征值分解的奇異譜分析法（singular spectrum analysis， SSA）。結果表明，SSA算法在采取不同數據集進行的實驗中都非常有效，而PSA和AC算法則時常會由于噪聲的出現而產生退化。高中玉等人^[17]根據運動數據的變化特性，綜合使用了干擾數據識別與修正、縱向平滑濾波、首幀收斂化處理和值域限定等濾波和處理方法，較為有效地解決了運動數據的波動現象。

除了普通的數據降噪方法，利用物理約束構建的算法同樣能夠處理人體運動數據中的噪聲問題。人體運動過程反映在關節點的物理信息包括關節點的位置和角度、速度、加速度、扭矩等。由于簡化的人體模型與真實人體之間的誤差以及運動捕捉數據噪聲的存在，運動數據難以滿足物理約束。基于此，Wei等人^[18]詳細討論了運動捕捉數據的物理修正問題，通過對作用于人體根節點的六個力的平方和進行最小化優化，構建了一個魯棒的優化方法，以修正運動捕捉數據來滿足物理約束。Xiao等人^[19]提出了一種基于人體物理特征的優化方法來修正和重用采集的人體運動數據。考慮到肌肉變形力對人體骨架鉸節點的運動產生的影響，將運動合成中的非線性約束優化問題轉換為一個基于序列二次規劃(SQP)的問題。該方法雖然能夠有效地重建出一個真實自然的人體運動序列，但其最優化目標函數僅采用了基于能量損耗的單一約束條件，因而不具有普適性。

反向運動學的目標是在互相連接的運動結構中，計算關節的運動參數求解，同樣也適合于人體運動數據的噪聲處理。Alonso等人^[20]利用骨架結構的反向動力學分析(inverse dynamic analysis， IDA）對二維運動數據進行處理。利用奇異譜分析(SSA)對原始位移信號數據進行濾波降噪，校正皮膚動作以確保骨架的剛性結構，利用簡化的生物力學模型對濾波后的數據進行修正，以確保運動的連貫性。對于運動捕捉數據的重用，使用運動學約束對運動數據進行評注顯得高效，然而對于有噪的數據，使用運動學約束的方法就變得不穩定。針對該問題，Callennec等人^[21]構建了一個為有噪聲的運動數據檢測運動學約束的方法。該方法主要特點就是處理數據中的噪聲，對噪聲進行模式計算，使用一個最小平方中值(least median of squares， LMedS)方法能夠檢測和排斥異常數據，因此對于噪聲強度大的數據仍然具有較強的魯棒性。

3人體運動數據獲取光學式原型捕捉系統開發研究

目前國際上比較著名的光學運動捕捉系統是英國的Oxford Metrics Limited公司的Vicon MX光學運動捕捉系統和美國的MotionAnalysis公司的MotionAnalysis運動捕捉系統。其特點是圖像分辨率高、獲取刷新頻率快、硬件處理速度較快，并且都有各自成型的軟件處理系統，軟件處理精度高。國內中國科學院、浙江大學等研究機構對運動捕捉技術都進行了較為深入的研究。國內具有影響力的企業產品有大連東銳軟件有限公司的光學運動捕捉系統和北京迪生通博科技有限公司的運動采集分析系統。與國外技術和產品相比，國內從事光學運動捕捉系統相關研究和開發的機構及企業雖然具備自主的理論、技術和生產體系，但是處理的數據量、精確度和效率都存在一定的差距，在理論、技術和設備等方面都有著較大的提升空間。 

光學運動捕捉系統以其高度的精確性、處理的實時性以及使用的方便性受到青睞，但由于儀器的價格過于昂貴，一些機構或研究單位放棄了購買計劃而直接對光學運動捕捉系統進行開發。Chai等人^[6]研制了一種運動捕捉設備，用兩個視頻攝像機捕捉少量的標記點(6~9個)實現了人體運動的重構。由于標記點較少，他們提出了一種利用低維度控制信號重構人體表演動畫的方法。Papic＇等人^[22]利用兩個商用的可攜式攝像機、幀接收器以及一臺個人電腦對數據進行獲取，數據處理通過一個具有被測運動3D坐標信息的直接線性變換完成，使用軟件來處理由于低幀速和攝像機不同步所導致的誤差。劉國翌^[23]利用計算機圖像和計算機視覺等技術，探討了基于多攝像機視頻的三維人體運動跟蹤和仿真技術，設計了一個多攝像機人體運動跟蹤與捕捉系統，能夠對人體上半身運動進行實時捕捉。黃波士等人^[24]提出一種光學運動捕捉技術的改進算法，利用先驗數據準確跟蹤標記點；通過對運動捕捉系統的關鍵技術如標記點跟蹤、攝像機標定以及三維重建等技術的研究和改進，實現了一個完整的光學運動捕捉系統。但是本方法的攝像機臺數較少、重建時復雜度較高，需要繼續改善攝像機定標方法。高中玉等人^[25]結合國家“863”課題，研究開發了一套人體實時捕捉設備，能夠對主要關節點(marker)進行跟蹤和數據采集，根據相應的處理，得到各標記點的坐標數據，最終實現虛擬人運動圖像的重構。

4人體運動數據驅動人體幾何模型的研究

運動數據對人體幾何模型的驅動產生真實的動畫效果，這是應用運動捕捉系統的最終目標。運動數據一般分為兩個部分：a)骨架定義。定義了該運動數據所使用的骨架結構（articulated skeleton），包括組成該骨架的各關節坐標、自由度以及各關節相對層次關系。b)骨架運動數據。記錄了運動的幀數以及該骨架結構在每一幀的全局坐標和各關節的關節角。運動數據驅動人體幾何模型通常分為兩個階段：將人體幾何模型映射到骨架模型；用骨架運動數據驅動人體幾何模型以產生動畫。

胡曉雁等人^[26]提出了基于語義分析的懶匹配算法（lazy match based on semantic analysis，LMSA），實現了虛擬人模型的運動數據驅動。該算法先用一組平行平面切分人體模型以生成備選關節點集，并在導入運動數據后對備選關節點集和運動數據的骨架結構進行語義分析，匹配具有相同語義的備選關節點和骨架結構的各關節，使已有的虛擬人幾何模型能夠直接應用于具有不同骨架結構的人體運動數據。Gao等人^[27]利用一個標準的骨架模型對不同骨架模型形成的運動數據進行規格化，在映射過程中考慮了根節點轉移問題，簡化了重定向問題中的約束條件，獲得了不同骨架模型之間運動數據驅動的簡化算法。王兆其等人^[28，29]在廣義交叉截面法的基礎上，針對人體全身各處的特點提出了多種截面分組方法，實現了人體運動狀態下的全身皮膚實時變形。然而，該方法以人體骨架模型來驅動人體表面皮膚，尚不能實現逼真的表面變化，如肌肉隆起等。黃海明^[30]針對虛擬人匹配骨架的手工生成和配準所存在的隨意誤差，提出了一種基于包圍盒的虛擬人匹配骨架自動獲取方法。同時，在兼顧人體驅動方案的復雜性和實時性的基礎上，提出了基于動態添加邊緣點圈的多肢體段無縫拼接驅動算法，實現了模型的無縫化驅動，得到了具有較高真實感的模型動畫。Park等人^[8]利用Vicon光學運動捕捉系統對人體表面上的約350個標記點進行運動捕捉，并對捕捉后的數據進行處理，以驅動利用Maya建立的人體表面模型。由于對整個人體表面進行運動驅動時，350個點不足以描述模型的細節動畫，Park等人采用徑向基插值方法（radial basis interpolation）對剩余點進行插值，實現了皮膚表面運動過程。

隨著理論日臻成熟，越來越多逼真的人體動畫面世，如Park等人的實驗動畫精細地表現了人體皮膚的運動，但該實驗需要捕捉的標記點較多，處理過程較為復雜。相比之下，人體骨架動畫特征點少、易于捕捉和處理、便于對不同骨骼模型映射以及方便檢索和重用。最近有不少對人體骨架動畫進行重用的研究^[19，31~36]，這些研究都集中在對于骨架動畫的特征簡化提取，以及對骨架動畫進行語義標記和動畫的分割等。

5結束語

本文總結了近年來在人體運動數據重構方面的進展，特別是對缺失點現象和噪聲現象進行了研究和分析。人體運動數據重構技術隨著高端儀器的出現以及理論研究的不斷深入得以迅速發展，該領域已取得了一定的成果。逼真的人體動畫正在人們的生活娛樂中不斷呈現。但是，由于人體動畫領域的發展才剛剛興起，當前人體運動數據重構的理論研究尚需在以下方面作進一步的研究：

a）自動提取骨架信息模型，為人體運動數據重構提供了一個方便高效的途徑，同時也提出了一個嚴峻的挑戰。

b）人體拓撲結構信息既可以作為缺失數據的關聯信息，也可以用來修正運動數據，這對估算缺失點和降噪都有較大的幫助。

c）從人體運動的物理原理出發，利用物理參數(如速度、力矩等)約束以及反向動力學來處理運動數據。

d）人體運動的特征提取以及語義表示。人體運動是一個高維度的復雜運動過程，每個標記點有六個自由度。當標記點較多時需要分析人體運動以提取運動特征，便于人體運動數據的處理；當人體運動數據量較大時，需要利用語義表示來對數據進行查詢，以方便數據的編輯和重用。

e）人體運動的數學表示和數學建模。數學表示是人體運動數據處理的一個難點。Hsieh 等人^[15]提到在處理運動數據時由于缺乏合適的旋轉表示而受阻，他們利用四元數進行旋轉插值，解決了矩陣元素不能直接插值的問題。對于運動數據處理的數學建模，Wei等人^[18]討論了哪類剛性人體運動方程適合分析人體運動。他們認為分析運動捕捉數據的物理修正方程應具備三個特征：(a）方程內沒有任何奇異性；(b）描述人體運動的變量盡量少；(c）方程要便于下一步的優化。基于以上三個準則，Wei等人提出一種新形式的牛頓—歐拉方程，該方程適合于運動捕捉數據的分析處理。

f）分析光學運動捕捉系統的噪聲，對噪聲進行分解和歸類，以方便對噪聲進行建模，便于噪聲的過濾。

g）減少對先驗數據的依賴，提高算法的魯棒性。目前多數算法利用事先測得的數據(如關節尺寸、骨架模型等)，或者手動對處理過程進行操作。這種方法雖然可行，但是效率不高，算法魯棒性欠缺。

人體動畫領域因其在圖形學、數據處理、模式識別等眾多學科領域具有廣闊的應用前景，受到國內外許多學者的關注和重視。人體運動數據的重構研究是人體動畫研究的熱點，具有重要的理論研究價值，它必將推動人體動畫產業步入更璀璨的未來。

參考文獻：

[1]MOESLUND T B，GRANUM E. A survey of computer vision-based human motion capture[J].Computer Vision and Image Understanding， 2001，81（3）:231-268.

[2]BOESLUND T，HILTON A，KRGER V. A survey of advances in vision-based human motion capture and analysis[J].Computer Vision and Image Understanding，2006，104(2-3):90-126.

[3]HERDA L， FUA P， PLANKERS R，et al. Skeleton-based motion capture for robust reconstruction of human motion[C]//Proc of Computer Animation. Washington DC:[s.n.]， 2000:77-85.

[4]HORNUNG A， SAR-DESSAI S. Self-calibrating optical motion trac-king for articulated bodies[C]//Proc ofIEEE Virtual Reality Confe-rence. Germany:[s.n.]， 2005:75-82.

[5]RINGER M， LASENBY J. A procedure for automatically estimating model parameters in optical motion capture[J].Image and Vision Computing，2004，22(10):843-850.

[6]CHAI Jin-xiang， HODGINS J K. Performance animation from low-dimensional control signals[J].ACM Trans on Graphics，2005，24(3):686-696.

[7]KOH S， KIM C H. Geometrical fitting of missing data for shape from motion under noise distribution[C]//Proc of ICNC’06. 2006:774-783.

[8]PARK S I， HODGINS J K. Capturing and animating skin deformation in human motion[J].ACM Trans on Graphics，2006，25(3):881-889.

[9]LIU Guo-dong， ZHANG Jing-dan， WANG Wei，et al. Human motion estimation from a reduced marker set[C]//Proc of ACM SIGGRAPH Symposium on Interactive 3D Graphics and Games. Redwood City， California:[s.n.]，2006:35-42.

[10]LIU Guo-dong， McMILLAN L. Estimation of missing markers in human motion capture[J]. The Visual Computer，2006，22(9-11):721-728.

[11]SCHWARTZ M H， ROZUMALSKI A. A new method for estimating joint parameters from motion data[J].Journal of Biomechanics，2005，38(1):107-116.

[12]GROCHOW K， MARTIN S L， HERTZMANN A， et al. Style-based inverse kinematics[J]. ACM Trans on Graphics，2004，23(3):522-531.

[13]TEU K K， KIM W. Estimation of the axis of a screw motion from noisy data:a new method based on Plücker lines[J].Journal of Biomechanics， 2006，39(15):2857-2862.

[14]PENG Hong-yi， ZHU Si-ming. Handling of incomplete data sets using ICA and SOM in data mining[J]. Neural Computing and Applications，2007，16(2):167-172.

[15]HSIEH C C， KUO P L. An impulsive noise reduction agent for rigid body motion data using B-spline wavelets[J]. Expert Systems with Applications，2008，34(3):1733-1741.

[16]AISSAOUI R， HUSSE S， MECHERI H，et al. Automatic filtering techniques for three-dimensional kinematics data using 3D motion capture system[C]//Proc of IEEE International Symposium on Industrial Electronics.Montreal， Quebec:[s.n.]， 2006:614-619.

[17]高中玉， 劉金剛. 人體運動實時捕捉設備傳輸數據的濾波與處理[J]. 計算機工程與設計， 2006， 27(15):2715-2717.

[18]WEI Yi， XIA Shi-hong， ZHU Deng-ming. A robust method for analyzing the physical correctness of motion capture data[C]//Proc of ACM Symposium on Virtual Reality Software and Technology. Limassol， Cyprus:[s.n]， 2006:338-341.

[19]XIAO Zhi-dong， YANG Xiao-song， ZHANG J J. Motion data correction and extrapolation using physical constraints[C]//Proc of the 9th International Conference on Information Visualisation. 2005:571-576.

[20]ALONSO F J， CASTILLO J M Del， PINTADO P. Motion data processing and wobbling mass modelling in the inverse dynamics of skeletal models[J]. Mech and Mach Theory，2007，42(9):1153-1169.

[21]CALLENNEC B Le， BOULIC R. Robust kinematic constraint detection for motion data[C]//Proc of ACM SIGGRAPH. Vienna:[s.n.]， 2006:281-290.

[22]PAPIC＇ V， ZANCHI V， CECIC＇ M. Motion analysis system for identification of 3D human locomotion kinematics data and accuracy testing[J]. Simulation Modelling Practice and Theory，2004，12(2):159-170.

[23]劉國翌. 基于視頻的人體運動跟蹤技術研究[D]. 北京. 中國科學院計算技術研究所， 2005.

[24]黃波士， 陳福民， 張金劍. 一種改進算法的光學運動捕捉系統[J].同濟大學學報:自然科學版， 2005，33(10):1372-1376.

[25]高中玉， 劉金剛. 人體運動實時捕捉儀器設計與應用[J].現代儀器， 2005，11(2):33-36.

[26]胡曉雁， 梁曉輝， 趙沁平. 自動匹配虛擬人模型與運動數據[J]. 軟件學報， 2006，17(10):2181-2191.

[27]GAO Yan， MA Li-zhuang， CHEN Zhi-hua，et al. Motion normalization: the preprocess of motion data[C]//Proc ofACM Symposium on Virtual Reality Software and Technology. Monterey，CA:[s.n]， 2005:253-256.

[28]王海強， 毛天露， 王兆其， 等. 運動狀態下虛擬人全身皮膚實時變形方法[J]. 計算機輔助設計與圖形學學報， 2005，17(12):2722-2728.

[29]李艷，王兆其，毛天露.基于廣義交叉截面的實時虛擬人皮膚變形方法[J].計算機科學， 2005，32(1):190-193.

[30]黃海明. 基于空間多點信息采集的虛擬現實人景合成關鍵技術研究[D]. 北京: 中國科學院計算技術研究所， 2005.

[31]JABLON＇SKI B， KLEMPOUS R. Feasibility analysis of human motion identification using motion capture[C]//Proc of the 25th IASTED International Conference on Modeling， Indentification， and Control. Lanzarote， Spain:[s.n.]，2006:495-500.

[32]MLLER M， RDER T. Motion templates for automatic classification and retrieval of motion capture data[C]//Proc of ACM SIGGRAPH/Eurographics Symposium on Computer Animation. Vienna:[s.n.]， 2006:137-146.

[33]LIN Yi. Efficient motion search in large motion capture databases[C]//Proc ofISVC’06. 2006:151-160.

[34]XIAO Jun， ZHUANG Yue-ting，YANG Tao，et al. An efficient keyframe extraction from motion capture data[C]//Proc of CGI’06. 2006:494-501.

[35]CHIU C Y， CHAO S P， WU Ming-yang，et al. Content-based retrie-val for human motion data[J]. Journal of Visual Communication and Image Representation， 2004，15(3):446-466.

[36]CHATTOPADHYAY S， BHANDARKAR S M，LIKang. Human motion capture data compression by model-based indexing:a power aware approach[J]. IEEE Trans on Visualization and Computer Graphics，2007，13(1):5-14.