日渐成熟的人体运动捕获技术催生了一批大规模运动数据库的出现,为人体动画生成提供了真实且丰富的数据来源。受运动捕获系统成本、环境、资源等方面的限制,通常动画师们会为表演者连续采集多种类型的行为动作后放在一个运动序列中。为了便于对运动数据进行检索和管理,每个运动序列需要被分割为若干个独立行为片段后才存入数据库。由此可见,运动分割是构建人体运动数据库过程中必不可少的关键步骤。运动分割分为粗粒度运动分割和细粒度运动分割,粗粒度分割的目标是将原始运动序列分割为若干个独立行为片段和过渡行为片段,细粒度分割的目标是将独立行为片段分割为多个重复子周期。完整的运动分割流程包含数据预处理、粗粒度分割和细粒度分割三个步骤。本文主要工作如下:(1)研究人体运动捕获数据的预处理方法。通过分析人体骨架特有的刚性联动结构,对每帧姿态构建“关节角—三维坐标”的关联转换模型,并借鉴随机游走模型建立序列的状态转换方程,提出基于二通无损卡尔曼滤波的运动平滑算法,有效地降低了原始运动数据存在的抖动噪声。(2)研究人体运动捕获数据的粗粒度运动分割方法。提出基于时域分析的粗粒度运动分割方法:首先,通过稀疏重构方法预估序列行为类型数目;其次,提出多尺度时序关联分割算法,该算法能够结合上下文信息自适应调整分割尺度,从而解决了由分割尺度固定所引起的过渡行为的难分割问题。(3)研究人体运动捕获数据的细粒度分割方法。提出基于频域分析的细粒度运动分割方法:首先,通过频域分析方法对每个独立行为片段进行特征提取;再应用零速度穿越点检测算法获得片段的候选分割点;最后,采用自适应K-means算法对所有候选分割点进行聚类,并选取帧数跨度最大的一组分割点作为最终的细粒度分割解。实验结果表明,本文提出的基于时频分析的运动分割算法对噪声具有鲁棒性,在粗粒度和细粒度方面均表现出较好的分割性能。