21、人体跟踪运动模型全解析

人体跟踪运动模型全解析

1. 高斯过程潜在变量模型（GPLVM）

GPLVM是为独立同分布（IID）训练数据设计的，这些数据是从观察空间的真实姿态密度中公平抽取的。它学习从动作捕捉（mocap）数据中得到潜在空间，例如从一个步行周期和一个高尔夫挥杆动作的数据中学习。在图10.2中，红色十字是优化后的潜在点 ( x^{(i)} \in R^2 ) ，灰度表示 ( -D \ln\sigma^2(x) - x^T x ) ，较亮的点意味着较低的方差，因此更可能是有效的姿态。

由于损失函数 ( L(x,y) ) 易于求导，我们可以使用连续优化方法来找到最大后验（MAP）估计，也可以使用顺序蒙特卡罗方法进行推理。在跟踪过程中，通常会在每一帧估计 ( x ) 和 ( y ) 。在某些情况下，我们可能只在 ( x ) 上进行搜索，利用由均值 ( m(x) ) 给出的从 ( x ) 到 ( y ) 的确定性映射。这种方法的优点是搜索的状态空间小得多，但缺点是明显局限于训练姿态的线性组合，没有额外的风格变化。

2. 高斯过程动态模型（GPDM）

GPLVM常常忽略了人体运动中姿态序列的明显时间连贯性，导致连续的姿态在潜在空间中不一定对应于相邻的点。而高斯过程动态模型（GPDM）是GPLVM的扩展，旨在结合时间序列数据的时间结构，从而促进运动潜在表示的平滑性。

GPDM用潜在轨迹上的高斯过程（GP）先验取代了输入 ( {x^{(i)}} ) 上的IID先验。例如，时间 ( t ) 时的潜在位置可以由一阶模型预测：
[
x_t = A\Psi(x_{t - 1}) + \eta
]
其中 ( \eta \sim N(0