CN102323854A - 人体运动捕获装置 - Google Patents
人体运动捕获装置 Download PDFInfo
- Publication number
- CN102323854A CN102323854A CN201110060074A CN201110060074A CN102323854A CN 102323854 A CN102323854 A CN 102323854A CN 201110060074 A CN201110060074 A CN 201110060074A CN 201110060074 A CN201110060074 A CN 201110060074A CN 102323854 A CN102323854 A CN 102323854A
- Authority
- CN
- China
- Prior art keywords
- limbs
- human body
- dimensional
- motion
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 218
- 238000006073 displacement reaction Methods 0.000 claims abstract description 85
- 230000007613 environmental effect Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000010354 integration Effects 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims description 58
- 230000001133 acceleration Effects 0.000 claims description 48
- 230000036541 health Effects 0.000 claims description 30
- 230000005291 magnetic effect Effects 0.000 claims description 25
- 230000005021 gait Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000012856 packing Methods 0.000 claims description 5
- 230000008034 disappearance Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 210000003414 extremity Anatomy 0.000 description 132
- 210000002683 foot Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 210000003141 lower extremity Anatomy 0.000 description 17
- 210000002414 leg Anatomy 0.000 description 16
- 210000004197 pelvis Anatomy 0.000 description 15
- 210000003371 toe Anatomy 0.000 description 15
- 210000000689 upper leg Anatomy 0.000 description 15
- 210000001624 hip Anatomy 0.000 description 10
- 210000003423 ankle Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 210000003127 knee Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000002303 tibia Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001699 lower leg Anatomy 0.000 description 5
- 230000036544 posture Effects 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Abstract
本发明是人体运动捕获装置,包括:运动测量单元、运动参数估计单元、初始化单元、位移估计单元和整体融合单元;运动测量单元附着在人体各肢体上,用于测量各肢体运动数据和环境数据;运动参数估计单元推导出各肢体的运动参数和环境参数,所述推导中还采用自适应抗干扰的三维角度估计方法,推导出各肢体的三维角度估值;初始化单元,用于接收并融合各肢体运动参数和环境参数,推导出人体运动捕获装置的初始运行参数;位移估计单元,用于接收和融合各肢体运动参数和环境参数及人体运动捕获装置的初始运行参数,推导出人体相对于大地的位移;这些参数与人体相对于大地的位移,最终被整体融合单元融合到一起,得到并输出人体整体运动的位置和姿态。
Description
技术领域
本发明涉及一种人体运动捕获装置、人体各肢体运动参数估计、人体运动捕获装置的初始化方法及人体相对于大地的位移估计,属于人体运动感知获取技术领域。
背景技术
现在,通过感知和获取准确的人体姿态和位置运动信息,能够根据运动员各肢体的运动轨迹分析存在的问题并改进训练,能够根据人体步态的变化推断可能存在的疾病,能够根据人体运动信息的跟踪建立高水平的3D游戏,能够根据人体运动姿态的跟踪为数字电影、虚拟世界构建栩栩如生的角色。但是,人体运动的随意性和复杂性,人体周围所在环境的多样性,都给实时准确的人体运动感知和获取带来了巨大的挑战。因此,目前急需一种不受时空限制并能克服外界环境干扰的人体运动感知和获取技术,实现人体姿态和位置运动信息的获取和重现,为健康监测、康复训练、舞蹈训练、体育运动分析、电影数字特技、虚拟现实、游戏和人机交互等领域的应用提供关键技术。
目前,常用的运动捕获技术大致可以分为两类。一类主要使用高精度摄像机阵列。这类系统利用多个高精度高采样率的摄像头捕捉运动者关节上的反射标志,如市场上的产品Vicon。这方面的专利技术有:申请号为20080192116的美国专利Real-time objects tracking andmotion capture in sports event是一个实时运动目标跟踪系统,它使用多个摄像机来检测和跟踪运动目标,但不涉及目标本身的运动细节;专利号为7457439的美国专利System and method for motion capture使用摄像机所获得的运动者身上标志的位置信息以及运动者三维运动模型,恢复出身体的三维运动信息,并利用三维运动模型,比对运动状态;中国专利“基于运动获取的彩色紧身衣”,申请号00264404,设计了一种用色块来编码人体部位的运动获取衣;中国专利“处理被动光学运动获取数据的方法”,申请号03120688,是一种处理被动光学运动获取数据的方法,包括:获取带有被动光学标记的被摄体的同步多摄像机图像,从获取的数据获得标记的一组三维坐标,确定连续获取中各标记之间在时间上的对应,从而确定附有标记的被摄体的身体部分的位置,以一组所作的标记为基础,确定被摄体运动投影到的运动模型的每个连接的角度,并且计算被摄体的姿势;中国专利“一种对多相机系统的标定方法及装置”,申请号200710062825,是一种多摄像机基于标志点的三维运动信息重建的新方法。这类系统的缺陷是,它们需要有固定的实验室,存在光线和遮挡问题,使用时受到场地和应用场景的限制;这类系统使用多个高精度高采样率的摄像头,不仅造价极其昂贵,而且结构非常复杂,使用起来不方便;并且,这类系统处理的数据量巨大,不能实时地捕获人体运动信息。
另一类使用微型传感器,附着在人体肢体上,测量和估计各肢体的三维方位角等运动信息。这类微型传感器体积小、能耗低、测量直接、穿戴方便,同时不受时空限制,非常适合做成穿戴的运动分析装置。这方面的专利技术有:美国专利System and Method for Motion Capturein Natural Environments,IPC8类:AGO1C2300FI,使用放在身体各部位的超声发射源和接收器,测出相应部位的位置,再用惯性传感器测量出的转角来校准位置测量,从而得出身体的运动参数。但是,由于使用了超声传感器和惯性传感器(加速度传感器和陀螺仪),使整个运动获取系统变得复杂;中国专利200920108961.9人体运动捕获三维再现系统提出一种仅用或主要使用微型传感器的运动获取系统,整个系统以人体运动模型为基础,包括了传感器的放置穿戴、运动参数的估计、运动参数之间的约束、人体三维形象的运动再现。这类系统目前存在的技术挑战包括,微型传感器有其固有问题,如测量噪声大,存在系统偏置;惯性传感器只能测量变化率,如加速度计测量的是加速度,陀螺仪测量的是角速度,直接对之进行积分估计位置和角度运动信息,会产生运动量估值的偏移;微型传感器进行人体运动估计是分布式测量,即把传感器单元分别附着在人体的各个肢体上,无法直接得到人体的整体姿态和位置。
发明内容
为了解决已有基于摄像机阵列的运动捕获技术需要专用的实验室、应用受到场地限制,存在光线和遮挡问题,造价极其昂贵,数据量巨大、难于实时处理;及已有基于微型传感器的运动捕获技术测量噪声大,存在系统偏置,直接对惯性传感器测量数据进行积分估值会产生运动量估值偏移,分布式测量无法直接得到人体的整体姿态和位置信息,因此应用有限的技术问题和技术挑战,本发明的目的是利用自适应传感器数据融合技术估计人体运动参数,利用人体运动捕获装置的初始化技术以及位移估计技术进行融合和估计出人体整体运动的姿态和位置信息,为此而提供一种便携式人体运动捕获装置。
为了实现本发明的目的,本发明提供人体运动捕获装置的技术方案包括运动测量单元、运动参数估计单元、初始化单元、位移估计单元和整体融合单元,其中:
所述运动测量单元中的多个微型传感器节点附着在人体各肢体上,用于测量并得到各肢体运动数据和环境数据;
所述运动参数估计单元,是对运动测量单元的运动数据和环境数据进行融合,推导出各肢体的运动参数和环境参数,所述推导中还采用自适应抗干扰的三维角度估计方法对各肢体运动数据和环境数据进行融合,推导出各肢体运动参数中的三维角度估值;所述运动参数包括三维加速度估值、三维速度估值、三维位置估值、三维角速度估值和三维角度估值,所述环境参数包括三维磁场强度估值;
所述初始化单元,用于接收各肢体的运动参数和环境参数,并将各肢体之间的相互限制条件和运动边界条件融合进来,推导出人体运动捕获装置的初始运行参数;
所述位移估计单元,用于接收各肢体的运动参数、环境参数及人体运动捕获装置的初始运行参数,并将各肢体的长度、各肢体之间的相互限制条件和运动边界条件融合进来,根据步态分析方法和人体运动学,推导出人体相对于大地的位移;
所述整体融合单元,用于接收并对各肢体的运动参数、人体运动捕获装置的初始运行参数及人体相对于大地的位移进行融合,推导出并输出人体的整体运动的姿态和位置信息。
本发明的有益效果:本发明采用附着在人体各肢体上的多个微型传感器节点,分别测量各肢体的运动数据和环境数据。这种微型传感器,体积小、能耗低,测量直接,造价经济;使用方便,不受时空控制;数据量小,能够进行数据实时处理和分析;并且不存在光线和遮挡问题,具有便携性和实用性的特点,非常适合做成穿戴式的运动捕获和分析装置,在诸多领域具有广泛应用,具有较强的实用价值和应用前景。
本发明的直接应用之一是实时三维动画动作设计。由演员穿上本发明的人体运动捕获装置,该装置即能将演员各肢体的运动参数及其全身的整体姿态和位置信息输出,该输出数据能够用来输入到普通动画制作软件,如Autodesk MotionBuilder,并驱动动画软件中的角色,使得该角色完全按照演员的动作而动。由于是数据实时处理,并直接看到效果,使得动画的制作时间大大缩短,制作成本大大降低。
本发明的直接应用之二是交互试游戏、模拟训练和舞蹈定量化教学。游戏方或被训练方穿上本发明的人体运动捕获装置,该装置即能将人体各肢体的运动参数及其全身的整体姿态和位置信息输出,该输出数据能够用来输入到混合现实游戏或模拟训练中的游戏方或被训练方的虚拟角色,使得该虚拟角色完全按照的真人的动作而动作。由于真人的运动肢体的运动参数包括了角度、位移、速度和加速度,如果是拳击,由此可以推出出拳的位置、速度和力量,并可以进而根据对方的动作,确定该拳的结果。也可以对该拳的动作做出评述和演示,达到训练的目的。
本发明的直接应用之三是混合现实(Mixed Reality)及其应用,如沉浸式学习(Immersive Learning)。学习者穿上本发明的人体运动捕获装置,与其它真实或虚拟的学习者一起参与真实的、远程的、微观的、不可及的、或虚拟的学习场景。该装置即能将学习者各肢体的运动参数及其全身的整体姿态和位置信息输出,该输出数据能够用来输入到交互式学习软件系统中,学习者的虚拟形象即可出现在场景之中,他们的肢体语言和话语一起被理解,共同构成真实的学习体验。
附图说明
图1是本发明所述人体运动捕获装置的整体逻辑结构方框图;
图2是本发明运动测量单元的结构框图;
图3是本发明中人体各重要肢体多个微型传感器节点分布图;
图4是本发明运动参数估计单元对运动参数估计的结构框图;
图5是本发明人体运动捕获装置中的三个坐标系及它们之间的关系;
图6是本发明位移估计单元的位移估计流程图;
图7是本发明位移估计单元所用的下肢结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
图1是本发明人体运动捕获装置的整体逻辑结构方框图,如图1中所示,本发明由运动测量单元110、运动参数估计单元120、初始化单元200、位移估计单元300和整体融合单元400组成,其中:
所述运动测量单元110中的多个微型传感器节点附着在人体各肢体上,用于测量并得到各肢体运动数据和环境数据;
所述运动测量单元110的结构包括:多个微型传感器节点,以及一个或几个控制单元,每一个微型传感器节点具有一唯一地址,由数据总线将所有微型传感器节点和控制单元连接到一起,控制单元通过地址总线选择不同的微型传感器节点,向各微型传感器节点发布控制命令,获取每个微型传感器节点的各路测量数据,此后控制单元通过无线或有线方式与运动参数估计单元120连接,将所获取数据统一发往运动参数估计单元120。
所述微型传感器节点包括微型传感器和微控制器,其中:微型传感器是微型三维加速度计、微型三维陀螺仪、微型三维磁力计、微型超声测距仪或微型超宽带测距仪一种或多种组合,用于采样及测量各肢体运动数据和环境数据;所述运动数据包括三维加速度测量数据、三维角速度测量数据和三维位置测量数据,所述环境数据是三维磁场强度测量数据;微控制器,控制所述微型传感器采样及测量各肢体运动数据和环境数据,并将测量的运动数据和环境数据打包送往控制单元。
所述运动参数估计单元120,是对运动测量单元110的运动数据和环境数据进行融合,推导出各肢体的运动参数和环境参数,所述推导中还采用自适应抗干扰的三维角度估计方法对各肢体运动数据和环境数据进行融合,推导出各肢体运动参数中的三维角度估值;所述各肢体的运动参数包括三维加速度估值、三维速度估值、三维位置估值、三维角速度估值和三维角度估值,所述环境参数包括三维磁场强度估值。
所述自适应抗干扰的三维角度估计方法是将各肢体的三维加速度测量数据、三维角速度测量数据和三维磁场强度测量数据进行融合,利用三维加速度测量数据和三维磁场强度测量数据计算出初步的三维角度估值,并将初步的三维角度估值与三维角速度测量数据进一步融合,采用多模型Kalman滤波,使三维加速度测量数据和三维磁场强度测量数据分别受到不同程度干扰时自动切换到相对应的滤波模式,得到准确的三维角度估值。
所述初始化单元200,用于接收各肢体的运动参数和环境参数,并将各肢体之间的相互限制条件和运动边界条件融合进来,推导出人体运动捕获装置的初始运行参数;
所述初始化单元200推导人体运动捕获装置初始运行参数的步骤是:人体根据运动边界条件做出初始化姿态,同时初始化单元200接收运动参数估计单元120实时发送的初始化姿态条件下各肢体的运动参数和环境参数;根据各肢体之间的相互限制条件,建立附着在人体各肢体上的多个微型传感器节点之间的拓扑关系映射,再将运动边界条件、初始化姿态条件下人体各肢体的运动参数和环境参数融合进来,并再采用贝叶斯网络动态系统进行滤波,推导出人体运动捕获装置的初始运行参数。
所述初始运行参数包括:运动测量单元110的每个微型传感器节点的传感器坐标系210相对于各肢体的身体坐标系220的三维角度偏差和三维位置偏差;身体坐标系220相对于全局坐标系230的初始三维角度和初始三维位置;其中:所述传感器坐标系210是运动测量单元110中的每一个微型传感器节点自身的坐标系;所述身体坐标系220是人体各肢体的坐标系;所述全局坐标系230是大地坐标系。
所述运动边界条件包括:人体在水平地面上运动时,肢体着地部分的位置的竖直分量是零;人体在水平地面上做走路、侧步、滑步、踏步、跑步和跳跃运动时,肢体着地部分的三维速度及三维角速度是零;人体在水平地面上自然站立,两眼目视前方,则人体后背所在平面与水平地面近似垂直并与人体视线方向近似垂直;人体双手合十后,若运动时两手掌心始终相对,十根手指始终相对,则两手位置近似相等。
所述位移估计单元300,用于接收各肢体的运动参数、环境参数及人体运动捕获装置的初始运行参数,并将各肢体的长度、各肢体之间的相互限制条件和运动边界条件融合进来,根据步态分析方法和人体运动学,推导出人体相对于大地的位移;
位移估计单元300推导人体相对于大地的位移使用两种方案:第一种方案是基于步态分析获得人体相对于的大地位移,其步骤包括:首先检测人体支撑点,即确定人体的着地脚;根据所述运动边界条件,检测步态时间参数;并对人体各肢体的运动参数和环境参数,人体运动捕获装置的初始运行参数,各肢体的长度、各肢体之间的相互限制条件,进行进一步融合,通过以上参数,利用人体运动学将运动边界条件的数据传导到人体各个肢体,从而求得人体相对于大地的位移;第二种方案是基于积分方法获得人体相对于大地的位移,其步骤包括:对人体各肢体的运动参数和环境参数及人体运动捕获装置的初始运行参数进行信息融合,对三维加速度估值去除重力加速度之后进行二次积分,得到各肢体的位移;利用人体运动边界条件,积分开始时各肢体的初始位置为支撑点消失时前一刻的肢体在全局坐标系230的位置,对积分得到的位移进行校正,从而提高位移估计的精确性;再利用人体运动学,将各肢体的位移数据传导到人体各个肢体,对位移估计进行进一步校正,从而求得人体相对于大地的准确位移。
所述整体融合单元400,用于接收并对各肢体的运动参数、人体运动捕获装置的初始运行参数及人体相对于大地的位移进行融合,推导出并输出人体的整体运动的姿态和位置信息。
所述整体融合单元400推导人体整体运动的姿态和位置信息的步骤是:利用人体运动捕获装置的初始运行参数将人体各肢体的运动参数从传感器坐标系210转换到身体坐标系220下,得到身体坐标系220下的各肢体运动参数,并与人体相对于大地的位移一起生成并输出人体的整体运动的姿态和位置信息。
这里,我们以三维微型加速度计、三维微型陀螺仪和三维微型磁力计组成的微型传感器节点作为例子。
下面详细介绍本发明人体运动捕获装置的工作流程及系统结构。
图2是人体运动捕获装置运动测量单元110的详细构成图,它同时给出了信号采集、处理流程。运动测量单元110由多个微型传感器节点和一个或数个控制单元组成。微型传感器节点可以数据总线的有线方式与控制单元相连,控制单元进而以无线或有线的方式与主计算机相连,所述主计算机为台式或便携式。运动参数估计单元120以软件形式在主计算机上实现。
假设装置有一组多个微型传感器节点,它们采集的往往是模拟信号,有些是微弱信号。因此,需要有一组相应的前置放大和模数转换器,对模拟信号进行前置放大,使之满足模数转换器的输入电平的要求,然后获得数字信号。控制单元以数据总线的方式与所有的微型传感器节点相联,并为每一个微型传感器节点分配一个地址,通过地址总线选择不同的微型传感器。控制单元通过数据接口,给微型传感器节点上的微控制器传送指令,控制所有微型传感器节点的工作方式,如激活、同步、设定采样率等,控制微型传感器节点采集数据,接收来自微型传感器节点的数据,将接收到的数据进行缓存打包后发送至通信接口。控制单元的所有操作都由逻辑控制单元触发,并以时分方法读取各微型传感器节点的数据,例如,当控制单元需要读取某一微型传感器节点的数据时,首先通过地址总线发送一条选择命令,各个微型传感器节点接收到这条命令后,与系统分配的地址做比较,如果地址匹配,则将数据以通过数据总线发送到控制单元。控制单元接收到数据后,将数据进行缓存打包后发送至通信接口。通信接口可以选择有线通信,如USB口,或者无线通信,如蓝牙、无线保真(Wi-Fi),发送到主计算机中的运动参数估计单元120。
运动测量单元110一个完整的数据测量流程是:假设采样率为fs赫兹,在每一个1/fs秒的时隙内,运动测量单元110会完成如下动作,首先由控制单元发送一个数据采集指令,微型传感器节点上的微控制器收到指令之后开始采集数据;采集完成后,控制单元通过数据接口依次接收各个微型传感器节点的数据;收集完所有微型传感器节点的数据后,控制单元将这些数据压缩打包,发送给通信接口。
在上述方法中,所述三维微型磁力计、三维加速度传感器和三维陀螺仪都是可选的。根据应用的不同,可以选择其中的一种或两种,甚至不选择其中的任何一种,删减相应的硬件,构成新的实现方法。
本发明人体运动捕获装置,如图3示出人体各重要肢体多个微型传感器节点分布图,所述肢体包括:头、上腰、中腰、下腰、左上臂、左前臂、左手、右上臂、右前臂、右手、左大腿、左小腿、左脚、右大腿和右脚,需要16-20个微型传感器节点。微型传感器节点的个数,可以根据应用需要进行增加或者删减;每个微型传感器节点的放置位置和方向也不是固定不变的,可以根据应用需要进行调整。在本实例中,每个微型传感器节点都包括微控制器、三维加速度计、三维陀螺仪和三维磁力计。将所述微型传感器节点标记为Mi,i=1,2,…,n,其中n代表节点个数。
如果人体各肢体均佩戴上运动测量单元110,那么,人体各肢体运动参数都可以测量和估计到。如果我们已经建立了人体的骨骼模型,则人体运动的实时捕获和重现就是可能的。然而,将运动测量单元110佩戴到各肢体上,如果不做人体运动捕获装置的初始化,那么,每一次穿戴部位的不同都会影响测量和估计结果,同时,分布式测量也无法直接得到人体的整体姿态和位置。
对于使用高精度摄像机的人体运动捕获装置来说,一切均在大地坐标系下进行。如图5示出人体运动捕获装置中的三个坐标系及它们之间的关系,包括:传感器坐标系210、身体坐标系220和全局坐标系230。传感器坐标系210是运动测量单元110中的每一个微型传感器节点自身的坐标系,运动测量单元110中的每一个微型传感器节点,都有一个与其他节点相独立的坐标系,每个节点的测量数据都是在其自身的传感器坐标系下获得的,运动参数估计单元120估计出的各肢体的运动参数也是相对于各肢体上所附着微型传感器节点的坐标系的;身体坐标系220是人体每个肢体的坐标系;全局坐标系230是大地坐标系。为了将分布式测量的、在各自传感器坐标系下的、运动测量单元110中的每一个微型传感器节点所测量的运动数据和环境数据统一起来,将所有肢体的运动参数统一到一个坐标系框架下,以获得人体的整体运动,并去除运动测量单元110穿戴位置不同对运动捕获和估值的影响,本发明的初始化单元200依据人体各肢体的相互限制条件和运动边界条件,设定人体运动捕获装置的初始值和初始参数。人体各肢体之间的相互限制条件,是各肢体之间的相互连接和联动关系,如左大腿连接着左小腿,左小腿连接着左脚,左大腿运动能够带动左小腿和左脚的运动,但是左大腿和左脚并不直接连接在一起,左大腿的运动只能通过左小腿而带动脚一起运动。另外,人的运动存在于大地坐标系中,人体运动包括两部分,一是在身体坐标系220中各肢体的运动,二是人体在全局坐标系230中的三维位移,也就是身体坐标系220相对于全局坐标系230的运动。本发明以步态为线索,推导人体相对于大地坐标系的三维位移。
下面详细介绍运动参数估计单元120、初始化单元200、位移估计单元300和整体融合单元400;在介绍运动参数估计单元120时,本发明仅以自适应抗干扰的三维角度估计方法为例进行阐述:
如上所述,每个微型传感器节点都包括微控制器和三维加速度计、三维陀螺仪及三维磁力计这三种微型传感器。利用本发明提供的自适应抗干扰的三维角度估计方法,可以估计出各微型传感器节点所测肢体在传感器坐标系210下的精确三维角度。以下描述以某一微型传感器节点Si为例阐明自适应抗干扰的三维角度估计的基本方法:
三维微型加速计测量的是三维加速度测量数据,在静止情况下测量得到的是重力加速度测量数据,能够提供所述微型传感器节点相对于水平面的旋转角度为倾斜角(Pitch)和滚动角(Roll);
三维磁力计测量的是三维磁场强度测量数据,能够提供所述微型传感器节点绕竖直方向旋转的角度为偏航角(Yaw),原理类似罗盘;
三维陀螺仪测量的是三维角速度测量数据,对三维角速度测量数据积分能够得到三维的旋转角度。
所述微型传感器节点测量得到的三种微型传感器数据的精确度受到多个方面的影响,首先是三种微型传感器的测量精度和误差,微型传感器在将物理信息转换为数字信号的过程中不可避免的会有误差。其次,由于微型传感器测量的数据会受到干扰,例如三维微型加速计测量得到的是三维加速度测量数据,在静态或者准静态的情况下测得的是重力加速度测量数据,但是在人体快速运动时会引入较大的人体运动加速度;三维微型磁力计测量的是三维地球磁场强度测量数据,但是实际测量得到的数据会受到周围铁磁性物质的磁场干扰。另外,在对三维角速度测量数据进行积分求角度的时候,数字信号误差的累积会产生一个随着时间逐渐累积的漂移误差。所以,在对这三种数据进行信息融合得到角度信息的过程中,首先需要对这些微型传感器数据做去噪、校准和温度补偿预处理,然后需要考虑各种可能的干扰情况,尽量提取其中的可用信息。另一方面,系统的实时性要求我们的融合方法,在保证估计的准确性的情况下,尽量能有低的计算复杂度。
基于以上的分析,本发明运动参数估计单元120提供的自适应抗干扰的角度估计方法,其流程图如图4所示,
首先对运动测量单元110测量得到的原始观测数据进行预处理操作,预处理包括去噪、校准和温度补偿。经过预处理之后,得到的三维角速度数据为其中,Zw代表三维角速度数据,上标w代表角速度,下标x、y和z分别代表x轴、x轴和x轴,上标T代表向量转置;得到的三维加速度数据为其中,Zg代表三维加速度数据,上标g代表加速度,其他符号意义同上;得到的三维磁场强度数据为其中,Zm代表三维磁场强度数据,上标m代表磁场强度,其他符号意义同上。之后,将三维加速度数据和三维磁场强度数据进行信息融合,计算出初步的三维角度,即观测角度其中上标a代表观测角度,其他符号意义同上。然后,将所述三维加速度数据、三维磁场强度数据和观测角度与三维角速度数据采用多模型Kalman滤波进行融合,融合之后得到更精确的三维角度信息,即精确的三维角度估值A=[Ax Ay Az]T,其中,符号x、y、z和T的意义同上。Kalman滤波器被广泛地应用于多微型传感器信息融合中,它提供了一种高效可计算的方法来估计过程的状态,适用于实时处理和计算机运算。根据模型在不同情况下受到干扰程度的不同,本发明采用了多模型方法进行滤波来适应不同的干扰,共采用了四种模型:
1、在三维加速度测量数据和三维磁场强度测量数据都不受到影响的时候,采用三维角速度数据和观测角度来估计三维角度,得到三维角度估值,如下表示:
A=F1(Zw,Za),
2、在三维加速度测量数据受到影响的时候,采用三维角速度数据和三维磁场强度数据来估计三维角度,得到三维角度估值,如下表示:
A=F2(Zw,Zm),
3、在三维磁场强度测量数据受到影响的时候,采用三维角速度数据和三维加速度数据来估计三维角度,得到三维角度估值,如下表示:
A=F3(Zw,Zg),
4、在三维加速度测量数据和三维磁场强度测量数据都受到影响的时候,只采用三维角速度数据来估计三维角度,得到三维角度估值,如下表示:
A=F4(Zw),
其中,F1-F4代表四种模型下的滤波方法。
在经过多模型Kalman滤波融合之后,就可以获得精确地三维角度信息,A=[Ax Ay Az]T。运动参数估计单元120估计其他运动参数的方法与此同理,此处不再赘述。记运动参数估计单元120估计的运动参数为它代表微型传感器节点Mi所测肢体在时刻t在传感器坐标系210下的运动参数和环境参数,其中,下标t代表时刻,上标Mi代表微型传感器节点,下标S代表传感器坐标系210,也即是传感器坐标系210下的运动参数和环境参数,它可以包括三维角度,即由上述自适应抗干扰的三维角度估计方法估计出的精确三维角度,还可以包括三维位置估值、三维速度估值、三维加速度估值、三维角度估值和三维磁场强度估值。如果人体各肢体均佩戴上运动测量单元110中的n个微型传感器节点,那么,各肢体的三维方位角度都可以采用所述自适应抗干扰的三维角度估计方法得出。然而,运动参数估计单元120估计出的各肢体的三维方位角度是相对于各肢体上所附着微型传感器节点的传感器坐标系下的,必须将所有肢体的方位角度统一到一个坐标系框架下,才能获得人体的整体运动姿态和位置信息。另外,将运动测量110佩戴到各肢体上,每一次穿戴部位的不同都会影响测量和估计结果,因此人体运动捕获装置的初始化就是一个非常重要,而且非解决不可的问题。
同上所述,本发明运动测量单元110中的多个微型传感器节点记为Mi,i=1,2,…,n,其中n代表节点个数。由运动参数估计单元120推导计算出的运动参数和环境参数为:
其中,Xt,S代表运动参数和环境参数,下标t代表时刻,上标Mi代表微型传感器节点Mi,n代表微型传感器节点个数;代表微型传感器节点Mi所测肢体在时刻t在传感器坐标系210下的运动参数和环境参数,下标S代表传感器坐标系210,也即运动参数和环境参数是传感器坐标系210下的参数,它可以包括三维角度,即由上述自适应抗干扰的三维角度估计方法估计出的精确三维角度,还可以包括三维位置估值、三维速度估值、三维加速度估值、三维角度估值和三维磁场强度估值。
为将传感器坐标系210下的运动参数和环境参数Xt,S转换到身体坐标系220下,初始化单元200需进行以下两步操作。
第一步操作,初始化姿态。在人体佩戴上n个微型传感器节点之后,进行实时运动捕获之前,人体需要按照若干预定姿势静止或运动一段时间,此时,运动参数估计单元120估计出在预定姿势条件下人体各肢体的运动参数和环境参数。这些预定姿势称为人体的“初始化姿态”,它们分为静止姿态和运动姿态两种;这些预定姿势都利用了相关所述运动边界条件。在静止姿态,根据预先设定,人体所有关节都按照预定约束条件,保持静止一段时间。可选的静止初始化姿态包括“十”型姿态和“I”型姿态,还可以包括其他姿态。“十”型姿态特点为:人体自然站立,目视前方,双臂侧平举,双手掌心竖直向下,双腿竖直,双脚平行。“I”型姿态特点为:人体自然站立,目视前方,双臂侧垂,双手手心紧贴双腿,双腿竖直,双脚平行。与“十”型姿态和“I”型姿态相关的运动边界条件是,人体后背所在平面与水平地面近似垂直,并与人体视线方向近似垂直。在运动姿态,根据预先设定,人体若干个关节都按照预定约束条件,保持运动一段时间。可选的运动初始化姿态包括“O”型姿态,还可以包括其他姿态。“O”型姿态为:人体自然站立,目视前方,双腿竖直,双脚与肩同宽;双手合十后,保持两手掌心始终相对,10根手指始终相对,两手在胸前做绕圈运动。与“O”型姿态相关的运动边界条件是,两手位置近似相等。在初始化时,可以选取一个或多个初始化姿态。记初始化时所用初始化姿态相关的运动边界条件为C(p),其中,p代表初始化姿态,C(p)代表与初始化姿态p相关的运动边界条件。
假定初始化姿态时运动参数估计单元120估计出各肢体运动参数和环境参数的总时刻数为N,则运动参数估计单元120估计出的n个微型传感器节点所测肢体的运动参数和环境参数为:
X1:T,S=={Xt,S|t=1,…,N},
其中,X1:T,S代表n个微型传感器节点所测肢体的总时刻数为N的运动参数和环境参数,其他标号的意义同上;并且,
那么,显然,微型传感器节点Mi所测肢体的运动参数和环境参数即为:
第二步操作,初始化运算。由于人体肢体之间并不是相互独立的,它们之间存在一定的相互限制条件,因而附着在各肢体上的多个微型传感器节点之间也并不是独立的,它们之间存在一定的拓扑关系。人体各肢体之间的相互限制条件,是指各肢体之间的相互连接和联动关系,如左大腿连接着左小腿,左小腿连接着左脚,左大腿运动能够带动左小腿和左脚的运动,但是左大腿和左脚并不直接连接在一起,左大腿的运动只能通过左小腿而带动脚一起运动。因而,附着在左大腿、左小腿和左脚三个肢体上的微型传感器节点具有相应的拓扑关系。多个微型传感器节点之间的拓扑关系,可以采用贝叶斯网络和扩展的贝叶斯网络建模工具进行建模。依据人体各肢体之间的相互限制条件,建立多个微型传感器节点之间的拓扑关系映射如下:
H(M1,…,Mn),
其中H(M1,…,Mn)代表多个微型传感器节点之间的拓扑关系映射,其他标号的意义同上。同时,由上述可知,微型传感器节点Mi所测肢体的总时刻数为N的运动参数和环境参数:
那么,利用拓扑关系映射H(M1,…,Mn)和运动边界条件C(p),可以求得关于微型传感器节点Mi从其自身的传感器坐标系210到相应身体坐标系220的偏差数据如下:
其中,代表微型传感器节点Mi的传感器坐标系210到身体坐标系220的三维角度偏差和三维位置偏差,下标BS表示从传感器坐标系210到身体坐标系220的转换,f(·)代表初始化滤波方法,可用的初始化滤波方法包括Kalman滤波和贝叶斯网络动态系统滤波。
由此初始化单元估计除了人体运动捕获装置的初始运行参数。为了获得人体相对于大地的运动,需要估计人体在大地坐标系下的三维位移。位移可以通过对人体各肢体三维运动加速度的双重积分来得到。但是,由于运动参数估计单元估计出的三维加速度测量数据是在传感器坐标系210下重力加速度与人体运动加速度的矢量和,因而需要先剥离出人体运动加速度分量,并利用运动参数估计单元120得到的三维角度将其从传感器坐标系210下转换到全局坐标系230下,然后对之二次积分才能得到人体各肢体在运动过程中的位移。但是,由于积分常量的未知、运动参数估计单元120估计得到的三维角度信息误差的存在和三维微型加速度计本身漂移的存在,积分得到位置的误差会随着时间的增长成平方系数的积累,几秒钟过后得到的位置已经相当不可靠。为了约束积分过程中漂移无限制地增长,需要引入运动边界条件,如零速度更新的算法。零速度更新算法的基本方法是,利用人体在水平地面上做走路、侧步、滑步、踏步、跑步和跳跃运动时,着地脚的三维速度及三维角速度是零这一运动边界条件,脚着地的这段时间称之为支撑相;在估值过程中,处于支撑相的脚处于静止状态,设置这段时间内的脚速度为零,从而将误差的积累限制在走路的每一个跨步之中,减小了误差的积累。但是得到的脚部位移并不能直接运用于本发明中人体运动捕获装置中去,得到脚部位移之后还需要利用人体运动学、各肢体长度和各肢体之间的相互限制条件进一步推算得到全身其他肢体在大地坐标系下的位移。
因而,本发明提供一种基于步态分析学和人体运动学的方法,即位移估计单元300,来估计在运动过程中人体在大地坐标系下的位移。这里所指的运动包括走路、侧步、滑步、踏步、跑步和跳跃这类人体各肢体相对于大地坐标系位置有变化的运动,本发明以人体骨盆这一肢体为例阐明位移估计单元300的基本方法,此处不妨将骨盆称之为根节点。当已知人体下肢在运动过程中的姿态之后,根据人体下肢长度及初始姿态可以计算出下肢各肢体在各时刻的运动轨迹,从而计算根节点各时刻的位移。这里,步态分析,是指对人体步态进行观察和分析;步态是指人类步行的行为特征;而人体运动学是研究人体运动中人体各肢体及整个身体在空间运动变化规律的科学。
本发明位移估计单元方法流程图如图6所示,位移估计单元300估计出人体相对于大地位移的方法包括两种方案,第一种方案是基于步态分析方法,其估计出人体相对于大地位移的步骤包括:首先检测人体着地的肢体,确定人体的着地脚;根据所述运动边界条件,检测步态时间参数;并对运动参数估计单元120所捕获和推导出的人体各肢体运动参数和环境参数,初始化单元200初始运行参数所推导出的人体运动捕获装置的初始运行参数,各肢体的长度、各肢体之间的相互限制条件,进行进一步融合,通过以上参数,利用人体运动学将运动边界条件的数据传导到人体各个肢体,从而求得人体相对于大地的位移。
具体而言,位移估计单元300的第一种方案包括以下步骤:
第一步,检测在运动过程中支撑点是否存在,即图6中所示支撑点检测。支撑点,就是人体运动过程中与地面接触的肢体,这里所指的运动包括走路、侧步、滑步、踏步、跑步和跳跃。支撑点检测,就是检测人体着地的肢体,确定人体的着地脚。如果检测到支撑点存在,则执行第二步,如果没有检测到支撑点,则执行位移估计单元300的第二种方案,即根节点加速度积分。运动时,支撑点检测分为单支撑点和双支撑点。
第二步,检测步态时间参数,即检测支撑相和摆动相。人体运动时每个步态周期可以分为支撑相和摆动相两个阶段。支撑相是在运动中足与地面始终有接触的阶段,通常指一侧下肢足跟着地(Heel Strike,HS)到同侧足尖离地(Toe Off,TO)的过程;摆动相是在步行中始终与地无接触的阶段,通常指从一侧下肢的足尖离地(TO)到同侧足跟着地(HS)的阶段。支撑相的检测有多种方法,一种比较直接的方法是在脚底放置开关或压力传感器。在本发明中支撑相是通过脚部肢体佩戴的微型传感器节点的三维角速度估值和三维加速度估值的进行检测的。在检测时,本发明利用运动边界条件,人体在水平地面上做走路、侧步、滑步、踏步、跑步和跳跃运动时,肢体着地部分的三维速度及三维角速度是零,这种特征在以上几种运动方式中都很明显。如图6所示,如果检测到支撑点存在,就利用脚部肢体佩戴的微型传感器节点的三维角速度估值和三维加速度估值的进行检测支撑相。在检测摆动相过程中,脚部肢体佩戴的微型传感器节点的三维角速度数据和三维加速度数据都会有过零点,为避免误检,采用基于时间启发式的阈值检测方法来检测支撑相。
第三步,人体运动学传递。如上文所述,本实例记骨盆为根节点,以根节点为例阐述基本方法,与之相关的是人体下肢各肢体。人体下肢各肢体主要由七块骨骼组成,如图7示出的位移估计单元所用的下肢结构图包括骨盆,左、右股骨,左、右胫骨和左、右脚,本发明利用人体运动学在下肢各肢体之间传递位移信息,从而获取根节点的位移。在走路的过程中,当某条腿处于支撑相时,所述条腿的脚趾处于静止状态,被选为参考点,传递人体运动学参数。假定已知人体下肢股骨、胫骨和脚在初始时刻相对于根节点的位置和姿态,记之为V0,其中下标0表示初始时刻。给定运动估计参数单元120估计出的下肢各肢体在时刻t的运动参数和环境参数其中下标t和下标S的意义同上,上标Mi代表下肢各肢体所佩戴的微型传感器节点Mi。因运动学传递时与根节点相关的是人体下肢的七块骨骼及相关关节,因而,Mi的取值范围是{pelvis,lthigh,lshank,lfoot,rthigh,rshank,rfoot},它们分别代表骨盆、左股骨、左胫骨、左脚、右股骨、右胫骨、右脚,与它们相关的人体下肢关节则包括根节点root、左髋lhip、左膝lknee、左踝lankle、左脚趾ltoe和右髋rhip、右膝knee、右踝rankle、右脚趾rtoe。将下肢各肢体在时刻t的运动参数和环境参数利用人体运动捕获装置的初始运行参数,将之转换到身体坐标系220下,就可以获得即身体坐标系220下的各肢体运动参数和环境参数,其中下表B代表身体坐标系220,其他标号意义同上。再根据下肢股骨、胫骨、脚在初始时刻相对于根节点的位置和姿态VMi,0,就可以利用人体运动学在髋、膝、踝和脚趾各关节中进行位置信息的传递,下文仅以人体左下肢为例给出人体运动学位置传递方法:
其中Proot,t,Plhip,t,Plknee,t,Planle,t和Pltoe,t分别是根节点、左髋、左膝、左踝和左脚趾各关节在t时刻的位置,Vpelvis,0,Vlthigh,0,Vlshank,0和Vlfoot,0分别是骨盆、左股骨、左胫骨和左脚在初始时刻相对于根节点的位置和姿态的向量,是身体坐标系220下的各肢体运动参数,K代表自根节点向下直到脚趾的运动学传递函数,K-1代表自脚趾向上到根节点的运动学传递函数,其他标号的意义同上。右下肢的人体运动学位置传递方法与此同理。
第四步,根节点位移估计。在运动过程中,将处于支撑相的脚趾选为参考点,假设当前右脚趾被检测为参考点,以所述参考点的位置作为基准,依据上述运动学位置传递方法,可以依次求得右踝、右膝、右髋、左髋、左膝、左踝和左脚趾各关节相对于参考点的位置。当检测到参考点发生改变,即左脚趾被检测为参考点,则以当前新参考点的位置作为基准,依次计算左踝、左膝、左髋、右髋、右膝、右踝和右脚趾各关节相对于新参考点的位置,以此类推,即可求得根节点各个时刻相对于初始时刻的位置。
位移估计单元300的第二种方案是基于积分方法,其估计出人体相对于大地位移的步骤包括:首先进行支撑点检测,具体方法如上文所述;如果没有检测到支撑点,则根据运动参数估计单元120所捕获和推导出的人体各肢体运动参数和环境参数,及初始化单元200所推导出的人体运动捕获装置的初始运行参数,进行信息融合,对运动参数估计单元120估计出的三维加速度估值去除重力加速度之后进行二次积分,得到各肢体的位移;利用人体运动边界条件,积分开始时各肢体的初始位置为支撑点消失时前一刻的肢体在大地坐标系的位置,对积分得到的位移进行校正,从而提高位移估计的精确性;再利用人体运动学,将各肢体的位移数据传导到人体各个肢体,对位移估计进行进一步校正,从而求得人体相对于大地的精确位移。具体而言,继续以骨盆根节点为例,第二种方案包括以下步骤:首先进行支撑点检测,具体方法如上文所述;如果人体在运动中支撑点消失,如跑步、跳跃等运动中的人体腾空阶段,则对骨盆肢体由运动参数估计单元120估计出的三维加速度估值去除重力加速度之后,进行二次积分,从而得到根节点的积分位移;利用人体运动边界条件,积分开始时根节点的初始位置为支撑点消失时前一刻的骨盆在大地坐标系的位置,对积分得到的位移进行校正,从而提高位移估计的精确性;再利用上述人体运动学位置传递方法,将根节点的位置数据传导到人体下肢各个肢体,对位移估计进行进一步校正,从而求得人体相对于大地的精确位移。由于人体离地的过程时间相对较短,在此过程中积分得到的位移漂移积累误差相对不大。
所推导和估计出的各肢体运动参数、人体运动捕获装置的初始运行参数和人体相对于大地的位移,最终被整体融合单元400融合到一起,以获取人体的整体运动的姿态和位置,作为所述人体运动捕获装置的输出。整体融合单元400融合并得到人体的整体运动的姿态和位置的步骤是,首先将各肢体在传感器坐标系210下的运动参数和环境参数转换为身体坐标系220下的运动参数和环境参数的方法为:
其中,就是身体坐标系下各肢体的运动参数和环境参数,g(·)表示从传感器坐标系210到身体坐标系220的转换函数,其他标号的意义同上。之后,各肢体在身体坐标系220下的运动参数与人体相对于大地的位移,就一起作为人体运动捕获装置的人体整体运动的姿态和位置输出。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的权利要求书的保护范围之内。
Claims (9)
1.人体运动捕获装置,其特征在于,所述装置包括运动测量单元(110)、运动参数估计单元(120)、初始化单元(200)、位移估计单元(300)和整体融合单元(400),其中:
所述运动测量单元(110)中的多个微型传感器节点附着在人体各肢体上,用于测量并得到各肢体运动数据和环境数据;
所述运动参数估计单元(120),是对运动测量单元(110)的运动数据和环境数据进行融合,推导出各肢体的运动参数和环境参数,所述推导中还采用自适应抗干扰的三维角度估计方法对各肢体运动数据和环境数据进行融合,推导出各肢体运动参数中的三维角度估值;所述运动参数包括三维加速度估值、三维速度估值、三维位置估值、三维角速度估值和三维角度估值,所述环境参数包括三维磁场强度估值;
所述初始化单元(200),用于接收各肢体的运动参数和环境参数,并将各肢体之间的相互限制条件和运动边界条件融合进来,推导出人体运动捕获装置的初始运行参数;
所述位移估计单元(300),用于接收各肢体的运动参数、环境参数及人体运动捕获装置的初始运行参数,并将各肢体的长度、各肢体之间的相互限制条件和运动边界条件融合进来,根据步态分析方法和人体运动学,推导出人体相对于大地的位移;
所述整体融合单元(400),用于接收并对各肢体的运动参数、人体运动捕获装置的初始运行参数及人体相对于大地的位移进行融合,推导出并输出人体的整体运动的姿态和位置信息。
2.根据权利要求1所述的人体运动捕获装置,其特征在于:所述运动测量单元(110)的结构包括:多个微型传感器节点,以及一个或几个控制单元,每一个微型传感器节点具有一唯一地址,由数据总线将所有微型传感器节点和控制单元连接到一起,控制单元通过地址总线选择不同的微型传感器节点,向各微型传感器节点发布控制命令,获取每个微型传感器节点的各路测量数据,此后控制单元通过无线或有线方式与运动参数估计单元(120)连接,将所获取数据统一发往运动参数估计单元(120)。
3.根据权利要求1所述的人体运动捕获装置,其特征在于:所述微型传感器节点包括微型传感器和微控制器,其中:
微型传感器是微型三维加速度计、微型三维陀螺仪、微型三维磁力计、微型超声测距仪或微型超宽带测距仪一种或多种组合,用于采样及测量各肢体运动数据和环境数据;所述运动数据包括三维加速度测量数据、三维角速度测量数据和三维位置测量数据,所述环境数据是三维磁场强度测量数据;
微控制器,控制所述微型传感器采样及测量各肢体运动数据和环境数据,并将测量的运动数据和环境数据打包送往控制单元。
4.根据权利要求3所述的人体运动捕获装置,其特征在于:自适应抗干扰的三维角度估计方法是将各肢体的三维加速度测量数据、三维角速度测量数据和三维磁场强度测量数据进行融合,利用三维加速度测量数据和三维磁场强度测量数据计算出初步的三维角度估值,并将初步的三维角度估值与三维角速度测量数据进一步融合,采用多模型Kalman滤波,使三维加速度测量数据和三维磁场强度测量数据分别受到不同程度干扰时自动切换到相对应的滤波模式,得到准确的三维角度估值。
5.根据权利要求1所述的人体运动捕获装置,其特征在于:所述初始化单元(200)推导人体运动捕获装置初始运行参数的步骤是:人体根据运动边界条件做出初始化姿态,同时初始化单元(200)接收运动参数估计单元(120)实时发送的初始化姿态条件下各肢体的运动参数和环境参数;根据各肢体之间的相互限制条件,建立附着在人体各肢体上的多个微型传感器节点之间的拓扑关系映射,再将运动边界条件、初始化姿态条件下人体各肢体的运动参数和环境参数融合进来,并采用贝叶斯网络动态系统进行滤波,推导出人体运动捕获装置的初始运行参数。
6.根据权利要求1所述的人体运动捕获装置,其特征在于:所述初始运行参数包括:运动测量单元(110)的每个微型传感器节点的传感器坐标系(210)相对于各肢体的身体坐标系(220)的三维角度偏差和三维位置偏差;身体坐标系(220)相对于全局坐标系(230)的初始三维角度和初始三维位置;其中:所述传感器坐标系(210)是运动测量单元(110)中的每一个微型传感器节点自身的坐标系;所述身体坐标系(220)是人体各肢体的坐标系;所述全局坐标系(230)是大地坐标系。
7.根据权利要求1所述的人体运动捕获装置,其特征在于:所述运动边界条件包括:
人体在水平地面上运动时,肢体着地部分的位置的竖直分量是零;
人体在水平地面上做走路、侧步、滑步、踏步、跑步和跳跃运动时,肢体着地部分的三维速度及三维角速度是零;
人体在水平地面上自然站立,两眼目视前方,则人体后背所在平面与水平地面近似垂直并与人体视线方向近似垂直;
人体双手合十后,若运动时两手掌心始终相对,十根手指始终相对,则两手位置近似相等。
8.根据权利要求1所述的人体运动捕获装置,其特征在于:位移估计单元(300)推导人体相对于大地的位移使用两种方案:
第一种方案是基于步态分析推导出人体相对于的大地位移,其步骤包括:首先检测人体支撑点,即确定人体的着地脚;根据所述运动边界条件,检测步态时间参数;并对人体各肢体的运动参数和环境参数,人体运动捕获装置的初始运行参数,各肢体的长度、各肢体之间的相互限制条件,进行进一步融合,通过以上参数,利用人体运动学将运动边界条件的数据传导到人体各个肢体,从而求得人体相对于大地的位移;
第二种方案是基于积分方法推导出人体相对于大地的位移,其步骤包括:对人体各肢体的运动参数和环境参数及人体运动捕获装置的初始运行参数进行信息融合,对三维加速度估值去除重力加速度之后进行二次积分,得到各肢体的位移;利用人体运动边界条件,积分开始时各肢体的初始位置为支撑点消失时前一刻的肢体在全局坐标系(230)的位置,对积分得到的位移进行校正,从而提高位移估计的精确性;再利用人体运动学,将各肢体的位移数据传导到人体各个肢体,对位移估计进行进一步校正,从而求得人体相对于大地的准确位移。
9.根据权利要求1所述的人体运动捕获装置,其特征在于:所述整体融合单元(400)推导人体整体运动的姿态和位置信息的步骤是:利用人体运动捕获装置的初始运行参数将人体各肢体的运动参数从传感器坐标系(210)转换到身体坐标系(220)下,得到身体坐标系(220)下的各肢体运动参数,并与人体相对于大地的位移一起生成并输出人体的整体运动的姿态和位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100600740A CN102323854B (zh) | 2011-03-11 | 2011-03-11 | 人体运动捕获装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100600740A CN102323854B (zh) | 2011-03-11 | 2011-03-11 | 人体运动捕获装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102323854A true CN102323854A (zh) | 2012-01-18 |
CN102323854B CN102323854B (zh) | 2013-10-16 |
Family
ID=45451601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100600740A Expired - Fee Related CN102323854B (zh) | 2011-03-11 | 2011-03-11 | 人体运动捕获装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102323854B (zh) |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102921162A (zh) * | 2012-10-27 | 2013-02-13 | 安徽埃力智能科技有限公司 | 自助式平衡与步态训练系统及方法 |
CN103294226A (zh) * | 2013-05-31 | 2013-09-11 | 东南大学 | 一种虚拟输入装置及方法 |
CN103417201A (zh) * | 2013-08-06 | 2013-12-04 | 中国科学院深圳先进技术研究院 | 一种采集人体姿态的体育运动辅助训练系统及其实现方法 |
CN103520917A (zh) * | 2013-10-22 | 2014-01-22 | 芜湖辉天盛世网络科技有限公司 | 一种体感游戏裤 |
CN103519822A (zh) * | 2013-10-15 | 2014-01-22 | 顾捷 | 一种三维步态分析仪 |
CN103578135A (zh) * | 2013-11-25 | 2014-02-12 | 恒德数字舞美科技有限公司 | 虚拟影像与真实场景相结合的舞台交互集成系统及实现方法 |
CN104224182A (zh) * | 2014-03-31 | 2014-12-24 | 桂林电子科技大学 | 一种监测人体跌倒的方法及装置 |
CN104582805A (zh) * | 2012-08-17 | 2015-04-29 | 微软公司 | 动态磁力计校准 |
CN104679253A (zh) * | 2015-03-20 | 2015-06-03 | 联想(北京)有限公司 | 一种电子设备及数据处理方法 |
CN104757976A (zh) * | 2015-04-16 | 2015-07-08 | 大连理工大学 | 一种基于多传感器融合的人体步态分析方法和系统 |
CN104871120A (zh) * | 2012-09-14 | 2015-08-26 | 维德万特格有限公司 | 使用磁场传感器来确定用户输入的电气设备 |
CN104866108A (zh) * | 2015-06-05 | 2015-08-26 | 中国科学院自动化研究所 | 多功能舞蹈体验系统 |
CN104881421A (zh) * | 2014-12-15 | 2015-09-02 | 深圳市腾讯计算机系统有限公司 | 一种三维图形的切换方法及装置 |
CN104932701A (zh) * | 2015-07-22 | 2015-09-23 | 苏州思必驰信息科技有限公司 | 一种松耦合人机交互系统及方法 |
CN105105759A (zh) * | 2015-08-31 | 2015-12-02 | 张昊华 | 康复行为辅助方法及移动智能动作监测康复指导仪 |
CN105278846A (zh) * | 2015-05-14 | 2016-01-27 | 维沃移动通信有限公司 | 控制移动终端屏幕方向的方法及其移动终端 |
CN105549763A (zh) * | 2016-01-26 | 2016-05-04 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN105589559A (zh) * | 2015-12-17 | 2016-05-18 | 安徽寰智信息科技股份有限公司 | 一种用于人机交互中的运动惯性追踪系统 |
WO2016138728A1 (zh) * | 2015-03-03 | 2016-09-09 | 惠州Tcl移动通信有限公司 | 一种可随手势而自动旋转界面的智能手表及其控制方法 |
CN106095094A (zh) * | 2016-06-10 | 2016-11-09 | 北京行云时空科技有限公司 | 增强现实投影与现实交互的方法和装置 |
CN106125908A (zh) * | 2016-06-14 | 2016-11-16 | 上海锡月科技有限公司 | 一种动作捕捉校准系统 |
CN106123896A (zh) * | 2016-06-14 | 2016-11-16 | 上海锡月科技有限公司 | 一种动作捕捉系统 |
CN106256396A (zh) * | 2015-06-22 | 2016-12-28 | 卡西欧计算机株式会社 | 运动支援装置以及运动支援方法 |
CN106420254A (zh) * | 2016-09-14 | 2017-02-22 | 中国科学院苏州生物医学工程技术研究所 | 多人交互虚拟现实康复训练与评估系统 |
CN106454892A (zh) * | 2016-08-30 | 2017-02-22 | 衢州学院 | 一种基于量化和事件的集值卡尔曼滤波方法 |
CN106482733A (zh) * | 2016-09-23 | 2017-03-08 | 南昌大学 | 行人导航中基于足底压力检测的零速修正方法 |
CN106843484A (zh) * | 2017-01-22 | 2017-06-13 | 隋文涛 | 一种融合室内定位数据与动作捕捉数据的方法 |
CN106989773A (zh) * | 2017-04-07 | 2017-07-28 | 浙江大学 | 一种姿态传感器及姿态更新方法 |
CN107016904A (zh) * | 2012-04-13 | 2017-08-04 | 阿迪达斯股份公司 | 运动球类体育活动监测方法 |
CN107014373A (zh) * | 2012-01-12 | 2017-08-04 | 曦恩体感科技股份有限公司 | 在定位时用来产生一地理方位的方法及定位系统 |
US9849376B2 (en) | 2012-05-02 | 2017-12-26 | Microsoft Technology Licensing, Llc | Wireless controller |
CN107865662A (zh) * | 2017-10-19 | 2018-04-03 | 张滇 | 一种识别肢体动作的方法及装置 |
CN107943271A (zh) * | 2016-10-10 | 2018-04-20 | 北京诺亦腾科技有限公司 | 运动数据检测方法、装置及系统 |
WO2018098961A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳市酷浪云计算有限公司 | 运动健康管理平台及运动智能装备 |
WO2018196227A1 (zh) * | 2017-04-28 | 2018-11-01 | 王春宝 | 人体运动能力评价方法、装置及系统 |
CN108762495A (zh) * | 2018-05-18 | 2018-11-06 | 深圳大学 | 基于手臂动作捕捉的虚拟现实驱动方法及虚拟现实系统 |
CN108905164A (zh) * | 2018-05-29 | 2018-11-30 | 广东工业大学 | 一种纠正运动姿态的穿戴系统 |
CN109003300A (zh) * | 2018-07-09 | 2018-12-14 | 查常财 | 一种基于人体质心位移计算算法的虚拟现实系统 |
CN109115207A (zh) * | 2017-06-23 | 2019-01-01 | 北京方位捷讯科技有限公司 | 行人步行轨迹检测方法、装置及系统 |
US10178325B2 (en) | 2015-01-19 | 2019-01-08 | Oy Vulcan Vision Corporation | Method and system for managing video of camera setup having multiple cameras |
CN109259769A (zh) * | 2018-09-26 | 2019-01-25 | 华蓥市铜堡初级中学 | 一种用于腿部角度测量的角度传感器 |
CN109284006A (zh) * | 2018-11-09 | 2019-01-29 | 中科数字健康科学研究院(南京)有限公司 | 一种人体运动捕获装置和方法 |
CN109710057A (zh) * | 2012-09-16 | 2019-05-03 | 吴东辉 | 一种动感重现虚拟现实的方法及系统 |
CN109859597A (zh) * | 2019-03-07 | 2019-06-07 | 哈工大机器人(合肥)国际创新研究院 | 一种康复模拟人位姿采集系统及方法 |
CN109883451A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 一种用于行人方位估计的自适应增益互补滤波方法及系统 |
CN110045823A (zh) * | 2019-03-12 | 2019-07-23 | 北京邮电大学 | 一种基于动作捕捉的动作指导方法和装置 |
CN110139115A (zh) * | 2019-04-30 | 2019-08-16 | 广州虎牙信息科技有限公司 | 基于关键点的虚拟形象姿态控制方法、装置及电子设备 |
TWI680382B (zh) * | 2018-10-19 | 2019-12-21 | 宏達國際電子股份有限公司 | 電子裝置及其姿態校正方法 |
CN110609621A (zh) * | 2019-09-17 | 2019-12-24 | 南京茂森电子技术有限公司 | 姿态标定方法及基于微传感器的人体运动捕获系统 |
CN110766985A (zh) * | 2019-10-09 | 2020-02-07 | 天津大学 | 一种穿戴式运动传感互动教学系统及其运动传感方法 |
US10595008B2 (en) | 2015-10-29 | 2020-03-17 | Oy Vulcan Vision Corporation | Video imaging an area of interest using networked cameras |
WO2020135810A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
CN111382701A (zh) * | 2020-03-09 | 2020-07-07 | 北京字节跳动网络技术有限公司 | 动作捕捉方法、装置、电子设备及计算机可读存储介质 |
WO2020142047A1 (en) * | 2018-12-31 | 2020-07-09 | Havelsan Hava Elektronik Sanayi Ve Ticaret Anonim Sirketi | System for detecting, analysing and following movement |
US11073407B2 (en) | 2018-10-19 | 2021-07-27 | Htc Corporation | Electronic device and pose-calibration method thereof |
WO2023221524A1 (zh) * | 2022-05-20 | 2023-11-23 | 北京航天时代光电科技有限公司 | 一种人体运动智能测量与数字训练系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10120455B2 (en) | 2016-12-28 | 2018-11-06 | Industrial Technology Research Institute | Control device and control method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1967525A (zh) * | 2006-09-14 | 2007-05-23 | 浙江大学 | 三维人体运动数据关键帧提取方法 |
US7457439B1 (en) * | 2003-12-11 | 2008-11-25 | Motion Reality, Inc. | System and method for motion capture |
CN101579238A (zh) * | 2009-06-15 | 2009-11-18 | 吴健康 | 人体运动捕获三维再现系统及其方法 |
CN201431466Y (zh) * | 2009-06-15 | 2010-03-31 | 吴健康 | 人体运动捕获三维再现系统 |
CN101944234A (zh) * | 2010-07-23 | 2011-01-12 | 中国科学院研究生院 | 特征迹驱动的多目标跟踪方法及装置 |
-
2011
- 2011-03-11 CN CN2011100600740A patent/CN102323854B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7457439B1 (en) * | 2003-12-11 | 2008-11-25 | Motion Reality, Inc. | System and method for motion capture |
CN1967525A (zh) * | 2006-09-14 | 2007-05-23 | 浙江大学 | 三维人体运动数据关键帧提取方法 |
CN101579238A (zh) * | 2009-06-15 | 2009-11-18 | 吴健康 | 人体运动捕获三维再现系统及其方法 |
CN201431466Y (zh) * | 2009-06-15 | 2010-03-31 | 吴健康 | 人体运动捕获三维再现系统 |
CN101944234A (zh) * | 2010-07-23 | 2011-01-12 | 中国科学院研究生院 | 特征迹驱动的多目标跟踪方法及装置 |
Cited By (85)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014373A (zh) * | 2012-01-12 | 2017-08-04 | 曦恩体感科技股份有限公司 | 在定位时用来产生一地理方位的方法及定位系统 |
CN107014373B (zh) * | 2012-01-12 | 2020-06-09 | 曦恩体感科技股份有限公司 | 在定位时用来产生一地理方位的方法及定位系统 |
CN107016904A (zh) * | 2012-04-13 | 2017-08-04 | 阿迪达斯股份公司 | 运动球类体育活动监测方法 |
CN107016904B (zh) * | 2012-04-13 | 2020-01-17 | 阿迪达斯股份公司 | 运动球类体育活动监测方法 |
US9849376B2 (en) | 2012-05-02 | 2017-12-26 | Microsoft Technology Licensing, Llc | Wireless controller |
CN104582805A (zh) * | 2012-08-17 | 2015-04-29 | 微软公司 | 动态磁力计校准 |
CN104871120A (zh) * | 2012-09-14 | 2015-08-26 | 维德万特格有限公司 | 使用磁场传感器来确定用户输入的电气设备 |
CN109710057A (zh) * | 2012-09-16 | 2019-05-03 | 吴东辉 | 一种动感重现虚拟现实的方法及系统 |
CN102921162B (zh) * | 2012-10-27 | 2015-01-21 | 安徽埃力智能科技有限公司 | 自助式平衡与步态训练系统及方法 |
CN102921162A (zh) * | 2012-10-27 | 2013-02-13 | 安徽埃力智能科技有限公司 | 自助式平衡与步态训练系统及方法 |
CN103294226B (zh) * | 2013-05-31 | 2016-10-19 | 东南大学 | 一种虚拟输入装置及方法 |
CN103294226A (zh) * | 2013-05-31 | 2013-09-11 | 东南大学 | 一种虚拟输入装置及方法 |
CN103417201B (zh) * | 2013-08-06 | 2015-12-02 | 中国科学院深圳先进技术研究院 | 一种采集人体姿态的体育运动辅助训练系统及其实现方法 |
CN103417201A (zh) * | 2013-08-06 | 2013-12-04 | 中国科学院深圳先进技术研究院 | 一种采集人体姿态的体育运动辅助训练系统及其实现方法 |
CN103519822A (zh) * | 2013-10-15 | 2014-01-22 | 顾捷 | 一种三维步态分析仪 |
CN103520917A (zh) * | 2013-10-22 | 2014-01-22 | 芜湖辉天盛世网络科技有限公司 | 一种体感游戏裤 |
CN103578135B (zh) * | 2013-11-25 | 2017-01-04 | 恒德数字舞美科技有限公司 | 虚拟影像与真实场景相结合的舞台交互集成系统及实现方法 |
CN103578135A (zh) * | 2013-11-25 | 2014-02-12 | 恒德数字舞美科技有限公司 | 虚拟影像与真实场景相结合的舞台交互集成系统及实现方法 |
CN104224182A (zh) * | 2014-03-31 | 2014-12-24 | 桂林电子科技大学 | 一种监测人体跌倒的方法及装置 |
CN104224182B (zh) * | 2014-03-31 | 2017-04-12 | 桂林电子科技大学 | 一种监测人体跌倒的方法及装置 |
CN104881421A (zh) * | 2014-12-15 | 2015-09-02 | 深圳市腾讯计算机系统有限公司 | 一种三维图形的切换方法及装置 |
CN104881421B (zh) * | 2014-12-15 | 2018-04-27 | 深圳市腾讯计算机系统有限公司 | 一种三维图形的切换方法及装置 |
US10178325B2 (en) | 2015-01-19 | 2019-01-08 | Oy Vulcan Vision Corporation | Method and system for managing video of camera setup having multiple cameras |
US10531014B2 (en) | 2015-01-19 | 2020-01-07 | Oy Vulcan Vision Corporation | Method and system for managing video of camera setup having multiple cameras |
WO2016138728A1 (zh) * | 2015-03-03 | 2016-09-09 | 惠州Tcl移动通信有限公司 | 一种可随手势而自动旋转界面的智能手表及其控制方法 |
CN104679253A (zh) * | 2015-03-20 | 2015-06-03 | 联想(北京)有限公司 | 一种电子设备及数据处理方法 |
CN104679253B (zh) * | 2015-03-20 | 2017-12-26 | 联想(北京)有限公司 | 一种电子设备及数据处理方法 |
CN104757976A (zh) * | 2015-04-16 | 2015-07-08 | 大连理工大学 | 一种基于多传感器融合的人体步态分析方法和系统 |
CN105278846A (zh) * | 2015-05-14 | 2016-01-27 | 维沃移动通信有限公司 | 控制移动终端屏幕方向的方法及其移动终端 |
CN105278846B (zh) * | 2015-05-14 | 2019-05-17 | 维沃移动通信有限公司 | 控制移动终端屏幕方向的方法及其移动终端 |
CN104866108B (zh) * | 2015-06-05 | 2018-03-23 | 中国科学院自动化研究所 | 多功能舞蹈体验系统 |
CN104866108A (zh) * | 2015-06-05 | 2015-08-26 | 中国科学院自动化研究所 | 多功能舞蹈体验系统 |
CN106256396A (zh) * | 2015-06-22 | 2016-12-28 | 卡西欧计算机株式会社 | 运动支援装置以及运动支援方法 |
CN106256396B (zh) * | 2015-06-22 | 2019-06-11 | 卡西欧计算机株式会社 | 运动支援装置、运动支援方法、运动支援系统以及存储介质 |
CN104932701B (zh) * | 2015-07-22 | 2018-06-22 | 苏州思必驰信息科技有限公司 | 一种松耦合人机交互系统及方法 |
CN104932701A (zh) * | 2015-07-22 | 2015-09-23 | 苏州思必驰信息科技有限公司 | 一种松耦合人机交互系统及方法 |
CN105105759A (zh) * | 2015-08-31 | 2015-12-02 | 张昊华 | 康复行为辅助方法及移动智能动作监测康复指导仪 |
US10595008B2 (en) | 2015-10-29 | 2020-03-17 | Oy Vulcan Vision Corporation | Video imaging an area of interest using networked cameras |
CN105589559A (zh) * | 2015-12-17 | 2016-05-18 | 安徽寰智信息科技股份有限公司 | 一种用于人机交互中的运动惯性追踪系统 |
CN105549763A (zh) * | 2016-01-26 | 2016-05-04 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN105549763B (zh) * | 2016-01-26 | 2018-04-10 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN106095094A (zh) * | 2016-06-10 | 2016-11-09 | 北京行云时空科技有限公司 | 增强现实投影与现实交互的方法和装置 |
CN106095094B (zh) * | 2016-06-10 | 2019-04-16 | 北京行云时空科技有限公司 | 增强现实投影与现实交互的方法和装置 |
CN106123896A (zh) * | 2016-06-14 | 2016-11-16 | 上海锡月科技有限公司 | 一种动作捕捉系统 |
CN106125908A (zh) * | 2016-06-14 | 2016-11-16 | 上海锡月科技有限公司 | 一种动作捕捉校准系统 |
CN106123896B (zh) * | 2016-06-14 | 2019-03-01 | 上海锡月科技有限公司 | 一种动作捕捉系统 |
CN106454892B (zh) * | 2016-08-30 | 2020-02-11 | 衢州学院 | 一种基于量化和事件的集值卡尔曼滤波方法 |
CN106454892A (zh) * | 2016-08-30 | 2017-02-22 | 衢州学院 | 一种基于量化和事件的集值卡尔曼滤波方法 |
CN106420254A (zh) * | 2016-09-14 | 2017-02-22 | 中国科学院苏州生物医学工程技术研究所 | 多人交互虚拟现实康复训练与评估系统 |
CN106482733B (zh) * | 2016-09-23 | 2019-10-01 | 南昌大学 | 行人导航中基于足底压力检测的零速修正方法 |
CN106482733A (zh) * | 2016-09-23 | 2017-03-08 | 南昌大学 | 行人导航中基于足底压力检测的零速修正方法 |
CN107943271A (zh) * | 2016-10-10 | 2018-04-20 | 北京诺亦腾科技有限公司 | 运动数据检测方法、装置及系统 |
WO2018098961A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳市酷浪云计算有限公司 | 运动健康管理平台及运动智能装备 |
CN106843484B (zh) * | 2017-01-22 | 2019-12-13 | 隋文涛 | 一种融合室内定位数据与动作捕捉数据的方法 |
CN106843484A (zh) * | 2017-01-22 | 2017-06-13 | 隋文涛 | 一种融合室内定位数据与动作捕捉数据的方法 |
CN106989773B (zh) * | 2017-04-07 | 2019-07-16 | 浙江大学 | 一种姿态传感器及姿态更新方法 |
CN106989773A (zh) * | 2017-04-07 | 2017-07-28 | 浙江大学 | 一种姿态传感器及姿态更新方法 |
WO2018196227A1 (zh) * | 2017-04-28 | 2018-11-01 | 王春宝 | 人体运动能力评价方法、装置及系统 |
US11162795B2 (en) | 2017-06-23 | 2021-11-02 | Beijing Fine Way Technology Co., Ltd. | Method and device for detecting pedestrian stride length and walking path |
CN109115207A (zh) * | 2017-06-23 | 2019-01-01 | 北京方位捷讯科技有限公司 | 行人步行轨迹检测方法、装置及系统 |
CN107865662A (zh) * | 2017-10-19 | 2018-04-03 | 张滇 | 一种识别肢体动作的方法及装置 |
WO2019218457A1 (zh) * | 2018-05-18 | 2019-11-21 | 深圳大学 | 基于手臂动作捕捉的虚拟现实驱动方法及虚拟现实系统 |
CN108762495A (zh) * | 2018-05-18 | 2018-11-06 | 深圳大学 | 基于手臂动作捕捉的虚拟现实驱动方法及虚拟现实系统 |
CN108905164A (zh) * | 2018-05-29 | 2018-11-30 | 广东工业大学 | 一种纠正运动姿态的穿戴系统 |
CN109003300A (zh) * | 2018-07-09 | 2018-12-14 | 查常财 | 一种基于人体质心位移计算算法的虚拟现实系统 |
CN109003300B (zh) * | 2018-07-09 | 2021-10-08 | 深圳市花生数字多媒体有限公司 | 一种基于人体质心位移计算算法的虚拟现实系统 |
CN109259769A (zh) * | 2018-09-26 | 2019-01-25 | 华蓥市铜堡初级中学 | 一种用于腿部角度测量的角度传感器 |
TWI680382B (zh) * | 2018-10-19 | 2019-12-21 | 宏達國際電子股份有限公司 | 電子裝置及其姿態校正方法 |
US11073407B2 (en) | 2018-10-19 | 2021-07-27 | Htc Corporation | Electronic device and pose-calibration method thereof |
CN109284006A (zh) * | 2018-11-09 | 2019-01-29 | 中科数字健康科学研究院(南京)有限公司 | 一种人体运动捕获装置和方法 |
CN109284006B (zh) * | 2018-11-09 | 2024-01-16 | 中科数字健康科学研究院(南京)有限公司 | 一种人体运动捕获装置和方法 |
US11353553B2 (en) | 2018-12-29 | 2022-06-07 | Huawei Technologies Co., Ltd. | Multisensor data fusion method and apparatus to obtain static and dynamic environment features |
WO2020135810A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
WO2020142047A1 (en) * | 2018-12-31 | 2020-07-09 | Havelsan Hava Elektronik Sanayi Ve Ticaret Anonim Sirketi | System for detecting, analysing and following movement |
CN109859597A (zh) * | 2019-03-07 | 2019-06-07 | 哈工大机器人(合肥)国际创新研究院 | 一种康复模拟人位姿采集系统及方法 |
CN110045823B (zh) * | 2019-03-12 | 2020-10-02 | 北京邮电大学 | 一种基于动作捕捉的动作指导方法和装置 |
CN110045823A (zh) * | 2019-03-12 | 2019-07-23 | 北京邮电大学 | 一种基于动作捕捉的动作指导方法和装置 |
CN109883451A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 一种用于行人方位估计的自适应增益互补滤波方法及系统 |
CN110139115A (zh) * | 2019-04-30 | 2019-08-16 | 广州虎牙信息科技有限公司 | 基于关键点的虚拟形象姿态控制方法、装置及电子设备 |
CN110609621B (zh) * | 2019-09-17 | 2023-04-28 | 南京茂森电子技术有限公司 | 姿态标定方法及基于微传感器的人体运动捕获系统 |
CN110609621A (zh) * | 2019-09-17 | 2019-12-24 | 南京茂森电子技术有限公司 | 姿态标定方法及基于微传感器的人体运动捕获系统 |
CN110766985A (zh) * | 2019-10-09 | 2020-02-07 | 天津大学 | 一种穿戴式运动传感互动教学系统及其运动传感方法 |
CN111382701B (zh) * | 2020-03-09 | 2023-09-22 | 抖音视界有限公司 | 动作捕捉方法、装置、电子设备及计算机可读存储介质 |
CN111382701A (zh) * | 2020-03-09 | 2020-07-07 | 北京字节跳动网络技术有限公司 | 动作捕捉方法、装置、电子设备及计算机可读存储介质 |
WO2023221524A1 (zh) * | 2022-05-20 | 2023-11-23 | 北京航天时代光电科技有限公司 | 一种人体运动智能测量与数字训练系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102323854B (zh) | 2013-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102323854B (zh) | 人体运动捕获装置 | |
CN101579238B (zh) | 人体运动捕获三维再现系统及其方法 | |
CN201431466Y (zh) | 人体运动捕获三维再现系统 | |
Roetenberg et al. | Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors | |
Destelle et al. | Low-cost accurate skeleton tracking based on fusion of kinect and wearable inertial sensors | |
CN107174255A (zh) | 基于Kinect体感技术的三维步态信息采集与分析方法 | |
KR101751760B1 (ko) | 하지 관절 각도를 이용한 보행 인자 추정 방법 | |
Chen et al. | Real-time human motion capture driven by a wireless sensor network | |
CN107122048A (zh) | 一种动作评估系统 | |
WO2009007917A2 (en) | Object motion capturing system and method | |
CN109284006B (zh) | 一种人体运动捕获装置和方法 | |
CN102670217A (zh) | 下肢关节作用力和力矩的穿戴式传感器测量装置及方法 | |
CN102679964B (zh) | 步态参数测量系统及其数据处理装置和方法 | |
Zheng et al. | Pedalvatar: An IMU-based real-time body motion capture system using foot rooted kinematic model | |
CN110609621B (zh) | 姿态标定方法及基于微传感器的人体运动捕获系统 | |
Salehi et al. | Body-IMU autocalibration for inertial hip and knee joint tracking | |
Li et al. | Real-time human motion capture based on wearable inertial sensor networks | |
Hindle et al. | Inertial-based human motion capture: A technical summary of current processing methodologies for spatiotemporal and kinematic measures | |
CN110193830A (zh) | 基于rbf神经网络的踝关节步态预测方法 | |
CN110456902A (zh) | 跟踪用户移动以控制计算机系统中的骨架模型 | |
Tao et al. | Human modeling and real-time motion reconstruction for micro-sensor motion capture | |
US20180216959A1 (en) | A Combined Motion Capture System | |
CN202932930U (zh) | 有关人体下肢关节作用力和力矩的穿戴式传感器测量装置 | |
CN112256125B (zh) | 一种基于激光大空间定位与光惯互补动作捕捉系统及方法 | |
Li et al. | Visual-Inertial Fusion-Based Human Pose Estimation: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131016 |
|
CF01 | Termination of patent right due to non-payment of annual fee |