[source] ToG
[year] 2005
这篇文章也是非常有意思的，从低维信号中恢复出高维的动作 (检索？)，那么就看最少用了几个传感。
本文中的捕获是使用光学，即产生图像，每个表演者身上绑了6-9个反光点
为什么可以使用少量传感，即数据被降维处理了？
因为所有关节运动自由度之间并非完全独立的 （理解为，在具体一个运动的时候，各个自由协调做一动作）
背景：
2.1 Control Interfaces for Human Motion
可用设备及Interfaces： Mocap Boxing and Police 911, Sony’s EyeToy
少量传感重建动作：magnetic sensors foot pressure sensor
分层：
光学的：单摄像头、三头、 利用动作数据库或动作图
光学的跟踪：
2.2 Animation with Motion Capture Data
建立模型 ，动作图，插值动作
Overview:
数据库：
数据库中的动作是标准标记点配置下捕获的数据（即heavy marked， Helen Hayes marker set) ,记为 {q_i}
而在实时表演中只使用少量标记点，记为 c_t,从中出恢复出朝向z_t
则问题为，在已有一个库 {q_i} i=[1,..N]下，已经合成出序列 q_1, q_2,…q_{t-1}, 又由表演知 c_t, 求 q_t
Calibration:
1.骨架定标
2.标记点定标
c_n = f(q_n; \hat s,\hat v_l ,z_0)
Online Local Modeling
先找到K相似,标准 \alpha \ Left | c_n – T(\hat z_t，z_0)\hat c_t \| ^ 2 + (1-\alhpha) \Left \|q_n –2\hat q_{t-1} + \hat q_{t_2} \|^2， 即前一项为转向对齐后标记点间距离，后项为平滑
由这K个相似，做PCA，抽取其低维控制信号，w_t
Fast Online K-nearest Neighbor Search
对，如果对全部数据计算距离，难以做到实时。
建立邻接图 neighbor graph, 如果两数据 q_I, q_j间：
\Left \| q_I – q_j \|_{L_1} < max{f_m* \Detad/f_c,\epsi}, f_m 捕获帧率，f_c交互帧率,\Delta d 最大L_1距离
Online Motion Synthesis
argmin_{w_t} (先验 + 控制 +平滑)
三项分别计算，先验为K个的高斯局部模型 ，控制为与低维的距离， 平滑为导的模
最后这个优化很犀利啊，这个还是05年的工作…