CN105869107A - 一种实时运动捕捉系统及方法 - Google Patents

Abstract

一种实时运动捕捉系统及方法，包括节点、HUB和PC，所述节点、HUB和PC顺次相连接；所述节点采集关节处的运动数据并进行包括滤波的预处理；HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端；所述的HUB通过USB或者无线接口同PC相连接；结合其方法避免了现有技术中的需要较大的专用场地、需要昂贵的设备和算法支持、容易出现捕捉死角、快速累积误差且在捕捉开始前需要专业的调试、需要被测单位摆特定动作进行矫正的缺陷。

Description

一种实时运动捕捉系统及方法

技术领域

本发明属于运动捕捉技术领域，具体涉及一种实时运动捕捉系统及方法。

背景技术

目前动作捕获系统主要由数据捕获设备和数据处理设备组成，由于实时运动捕获对于传输速率的高要求，这中间又发展出了一些专用的数据传输设备。通过数据捕获设备的不同进行分类，可分为1：机械式运动捕获系统；2：声学式运动捕获系统；3：电磁式运动捕获系统；4：光学式运动捕获系统；5：惯性导航式运动捕获设系统。

机械式运动捕获系统的原理是使用刚性连杆和连杆关节处的角度传感器组合成一个和被测单位相似的机械模型。在进行运动捕获操作时，首先将被测单位和之前组建的机械模型绑定起来，使被测单位的运动可以带动机械模型的相关部位进行运动。此时由于刚性连杆的长度是固定的，系统就可以通过各个运动关节的角度数据以及刚性连杆的长度进行计算机建模，并实时的模拟出被测单位的运动姿态来。

机械式运动捕获系统的优点主要在于成本低而且精度比较高适合用于小幅度动作的实时测量，但是其使用不方便，会对被测单位的自由运动造成阻碍，难以用于连续的，幅度较大的动作捕获。这方面的局限性大大影响了机械式运动捕获系统的发展和普及。

声学式运动捕获系统的原理和雷达的工作原理有些相似，一般是由发射器，接收器，运算单元三个部分组成。在使用时，发射器向被测物体发射固定频率的超声波，将三个接收器呈三角形摆放，通过接受到发射器发 出，并由被测单位遮挡反射回来的超声波，通过发射和接受的时间差来运算被测单位在三维空间中的位置。

声学式运动捕获系统的优点在于成本比较低，但是其捕获到的数据存在较大的时间轴滞后无法运用于实时度要求较高的动作捕获，而且这种设备系统精度较差，由于不能有遮挡物，对于场地的要求比较高，受到噪声干扰的几率比较大还必须在算法中补偿由空气中气压，湿度，温度等造成的声速变化造成的误差进行补偿，难以取得较为广发的应用。

电磁式运动捕获系统较上述两种运动捕获系统的运用要广泛的多。电磁式运动捕获系统的原理和使用方法和上述的声学式运动捕获系统在很大程度上有通用之处。电磁式运动捕获系统改进了声学式运动捕获系统的场介质，从而基本解决了声学式运动捕获系统由于声速造成的时间轴滞后等误差。数据采样率一般可以达到每秒15～200次，由于算法上需要消除磁场中的一些抖动和干扰，可用数据采样率一般在15Hz以下。

电磁式运动捕获系统虽然解决了声学式运动捕获系统的时间轴滞后造成的影响，但其仍然有着对于场地的要求比较高收到噪声干扰的几率比较大的缺点。

光学式运动捕获系统是当前使用最广范的一种运动捕获系统，如动画片茄菲猫，电影阿凡达在制作时使用的均为光学式运动捕获系统。光学式运动捕获系统一般通过对被测单位上标注的关键节点的高光点进行跟踪和监视来完成动作捕获任务，从理论上来讲，在同一时刻只要有两部摄像机能够同时看到一个高光点就可以运算出该点在空间中的位置。当摄像机在高速拍摄时，就可以得到该高光点的运动轨迹，再通过被测单位上的所有高光点的运动轨迹统筹运算出被测单位的当前运动姿态和空间位置，光学式运动捕获系统的动作捕获原理以及方法见图1所示。

光学式运动捕获系统一般要求系统中存在6-8个高速摄像机，这些摄像机的视野交叉区域就是被测物体的表演区域。

光学式运动捕获系统可以使被测单位拥有较大的表演空间，没有电缆或者机械设备的限制。使用很方便，采样率是上述所有动作捕获系统中最高的。这些优点使得它即使有着需要场地大，容易受到自身遮挡的影响，算法难度大，一套设备成本高(一般在数百万人民币)，难以进行实时捕获等缺点却依然取得了当前最为广泛的应用。

惯性导航式运动捕获系统通过将惯性传感器绑定到被测单位的各个运动节点，通过各个传感器节点获取到的加速度，角速度，磁力值计算出各节点的方位，倾斜角等姿态，再通过算法将各个节点的姿态数据整合到被测单位的整体运动姿态中，从而实现对被测单位的运动捕获操作。

惯性导航式运动捕获系统由于采用集成度比较高的芯片，拥有着体积小，重量轻，价格便宜而且采样率一般可高达每秒1000次，可以做到实时捕获。但惯性式动作捕获系统普遍通过盲推推测出被跟踪物体的位置，由于完全通过运动系统内部进行推算，相较于其他方法虽然有着不存在发射源、不怕遮挡、没有外界干扰、捕获操作对外界环境、场地要求相对较低的优点，但是其快速累积误差不容忽视，是当前惯性式动作捕获系统发展的最大瓶颈。

综上所述，当前发展前景最好的运动捕获系统有光学式运动捕获系统和惯性导航式运动捕获系统。但是光学式运动捕捉系统一般需要较大的专用 场地，需要昂贵的设备和算法支持，容易出现捕捉死角。而目前市场上的惯性运动捕捉系统一般使用内部数据盲推计算出被测单位运动状态，存在快速累积误差，且在捕捉开始前需要专业的调试，需要被测单位摆特定动作进行矫正。

发明内容

本发明的目的提供一种实时运动捕捉系统及方法，避免了现有技术中的需要较大的专用场地、需要昂贵的设备和算法支持、容易出现捕捉死角、快速累积误差且在捕捉开始前需要专业的调试、需要被测单位摆特定动作进行矫正的缺陷。

为了克服现有技术中的不足，本发明提供了一种实时运动捕捉系统及方法的解决方案，具体如下：

一种实时运动捕捉系统，包括节点、HUB和PC，所述节点、HUB和PC顺次相连接；

所述节点采集关节处的运动数据并进行包括滤波的预处理；

HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端。

实时运动捕捉系统的方法为，节点采集关节处的运动数据并进行包括滤波的预处理；HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端进行处理，具体如下：

传感器采集数据，并在采集完成时产生中断通知用于预处理的MCU，用于预处理的MCU通过滤波与融合算法对数据进行预处理，并将处理完成后的数据压入高速缓存的高速缓存栈；

其中，四元数到欧拉角的全角度转换方式为，首先设定欧拉角为(x,y,z)，四元数为(q0,q1,q2,q3)，然后通过如下公式进行运算：

y＝arcsin(2*(q0*q2-q1*q3))；

X＝arctan2(2*(q2*q3)+(q0*q1),1-2*(q1*q1)+(q2*q2)) y<0；

X＝arctan2(-2*(q0*q1)+(q2*q3),-1*(2*q0*q0+2*q1*q1-1)) y>0；

Z＝arctan2(2*(q1*q2+q0*q3),1-2*(q2*q2+q3*q3)) y<0；

Z＝arctan2(-2*(q0*q3+q2*q1),-1*(2*q0*q0+2*q1*q1-1)) y>0；

当y>0时，对x和y的值进行-180到180的标准化转换(其中n可替代为x或y)；

n＝n+π z<0；

n＝n-π z>0；其中y为章动角，x为进动角，z为自转角，q0为四元数的实部,q1为四元数的第一个虚部,q2为四元数的第二个虚部,q3为四元数的第三个虚部；

接着HUB通过轮询的方式从系统总线提取数据，并通过一个缓存与数据打包运算单元对全系统的传感器数据进行初步的打包，并缓存到一个缓存区；用于整合的MCU从这个缓存区提取数据，整理成树状的动作数据格式，并压缩发送给PC端；在PC端首先将各个节点的运动状态数据随机赋值给人体模型，并通过关节旋转与位置限定判断是否关节节点绑定的匹配值，若现绑定的关节匹配值低于50％则根据运动数据将其绑定到匹配值最高的关节节点。

本发明的优点如下：

1.解决了惯性运动捕捉系统的快速累积误差。

2.解决了惯性运动捕捉系统的空间绝对定位。

3.改良了惯性运动捕捉系统的初始姿态矫正方法，使用人体运动数据智能判断捕捉节点的绑定位置。

4.提出了系统运行时动态调整运动单位个体差异性参数方法。

附图说明

图1为现有技术的光学式运动捕获系统的动作捕获原理以及方法。

图2为本发明的实时运动捕捉系统的结构示意图。

图3为本发明的节点的数据预处理与缓存结构。

图4为本发明的HUB的结构示意图。

图5为本发明的PC软件执行的原理结构图。

具体实施方式

下面结合附图和实施例对发明内容作进一步说明：

参照图2-图5所示，实时运动捕捉系统，实时运动捕捉系统，包括节点、HUB和PC，所述节点、HUB和PC顺次相连接；

所述节点采集关节处的运动数据并进行包括滤波的预处理；

HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端。

所述的HUB通过USB或者无线接口同PC相连接。

所述的节点包括节点的数据预处理与缓存结构，所述节点的数据预处理与缓存结构包括依次顺序相连的传感器、用于预处理的MCU和高速缓存，用于预处理的MCU还通过数据接口同系统总线相连接。

所述的HUB包括同缓存区相连接的用于整合的MCU，用于整合的MCU还通过数据接口同系统总线相连接。

实时运动捕捉系统的方法为，节点采集关节处的运动数据并进行包括滤波 的预处理；HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端进行处理，具体如下：

传感器采集数据，并在采集完成时产生中断通知用于预处理的MCU，用于预处理的MCU通过滤波与融合算法对数据进行预处理，并将处理完成后的数据压入高速缓存的高速缓存栈，值得注意的是，这里的高速缓存栈与预处理MCU是相互独立的。可以很大程度的保证HUB与节点都可以全速运行数值计算；

其中，四元数到欧拉角的全角度转换方式为，首先设定欧拉角为(x,y,z)，四元数为(q0,q1,q2,q3)，然后通过如下公式进行运算：

y＝arcsin(2*(q0*q2-q1*q3))；

X＝arctan2(2*(q2*q3)+(q0*q1),1-2*(q1*q1)+(q2*q2)) y<0；

X＝arctan2(-2*(q0*q1)+(q2*q3),-1*(2*q0*q0+2*q1*q1-1)) y>0；

Z＝arctan2(2*(q1*q2+q0*q3),1-2*(q2*q2+q3*q3)) y<0；

Z＝arctan2(-2*(q0*q3+q2*q1),-1*(2*q0*q0+2*q1*q1-1)) y>0；

当y>0时，对x和y的值进行-180到180的标准化转换(其中n可替代为x或y)；

n＝n+π z<0；

n＝n-π z>0；其中y为章动角，x为进动角，z为自转角，q0为四元数的实部,q1为四元数的第一个虚部,q2为四元数的第二个虚部,q3为四元数的第三个虚部；

接着HUB通过轮询的方式从系统总线提取数据，并通过一个缓存与数据打包运算单元对全系统的传感器数据进行初步的打包，并缓存到一个缓存区； 用于整合的MCU从这个缓存区提取数据，整理成树状的动作数据格式，并压缩发送给PC端；在PC端首先将各个节点的运动状态数据随机赋值给人体模型，并通过关节旋转与位置限定判断是否关节节点绑定的匹配值，若现绑定的关节匹配值低于50％则根据运动数据将其绑定到匹配值最高的关节节点，该算法可在一分钟以内的随机动作中将各传感器节点正确的绑定到虚拟世界中的类人模型关节上。

在运行中，PC中的软件模块将根据实时运动数据中的关节角度数据与运动数据习惯模型库进行匹配，动态设定并纠正各节点的初始偏移量。

若高速缓存中存放的数据条数大于阈值，那么可以判断系统虽然上电，但是并未工作，高速缓存可以发出指令使节点处于一个低功耗的休眠模式。

若高速缓存在空的状态下接收到数据提取请求，则唤醒采集单元。

相较于目前应用最为广泛的光学式动作捕捉系统来说，该发明成本更为低廉，操作更为便捷，极大的减小了对使用场地的依赖性。相较于目前市场上的同类运动捕捉产品来说，本发明率先采用二级缓存的架构，将节点计算单元的计算能力发挥到极致，同时在系统休眠时提供更为智能的能耗控制，率先提出智能节点匹配方法，极大的提高了设备使用的便捷性，基本没有学习成本。率先提出绝对定位地毯，可提供比光学辅助定位使用更加方便的绝对位置矫正技术。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发 明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (8)

1.一种实时运动捕捉系统，其特征在于包括节点、HUB和PC，所述节点、HUB和PC顺次相连接；

所述节点采集关节处的运动数据并进行包括滤波的预处理；

HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端。

2.根据权利要求1所述的实时运动捕捉系统，其特征在于所述的HUB通过USB或者无线接口同PC相连接。

3.根据权利要求2所述的实时运动捕捉系统，其特征在于所述的节点包括节点的数据预处理与缓存结构，所述节点的数据预处理与缓存结构包括依次顺序相连的传感器、用于预处理的MCU和高速缓存，用于预处理的MCU还通过数据接口同系统总线相连接。

4.根据权利要求1所述的实时运动捕捉系统，其特征在于所述的HUB包括同缓存区相连接的用于整合的MCU，用于整合的MCU还通过数据接口同系统总线相连接。

5.根据权利要求4所述的实时运动捕捉系统的方法，其特征为，节点采集关节处的运动数据并进行包括滤波的预处理；HUB采用轮询的方式访问节点请求数据，并进行压缩及进一步的分析，最终传输给PC端进行处理，具体如下：

传感器采集数据，并在采集完成时产生中断通知用于预处理的MCU，用于预处理的MCU通过滤波与融合算法对数据进行预处理，并将处理完成后的数据压入高速缓存的高速缓存栈；

其中，四元数到欧拉角的全角度转换方式为，首先设定欧拉角为(x,y,z)，四元数为(q0,q1,q2,q3)，然后通过如下公式进行运算：

y＝arcsin(2*(q0*q2-q1*q3))；

X＝arctan2(2*(q2*q3)+(q0*q1),1-2*(q1*q1)+(q2*q2)) y<0；

X＝arctan2(-2*(q0*q1)+(q2*q3),-1*(2*q0*q0+2*q1*q1-1)) y>0；

Z＝arctan2(2*(q1*q2+q0*q3),1-2*(q2*q2+q3*q3)) y<0；

Z＝arctan2(-2*(q0*q3+q2*q1),-1*(2*q0*q0+2*q1*q1-1)) y>0；

当y>0时，对x和y的值进行-180到180的标准化转换(其中n可替代为x或y)；

n＝n+π z<0；

n＝n-π z>0；其中y为章动角，x为进动角，z为自转角，q0为四元数的实部,q1为四元数的第一个虚部,q2为四元数的第二个虚部,q3为四元数的第三个虚部；

接着HUB通过轮询的方式从系统总线提取数据，并通过一个缓存与数据打包运算单元对全系统的传感器数据进行初步的打包，并缓存到一个缓存区；用于整合的MCU从这个缓存区提取数据，整理成树状的动作数据格式，并压缩发送给PC端；在PC端首先将各个节点的运动状态数据随机赋值给人体模型，并通过关节旋转与位置限定判断是否关节节点绑定的匹配值，若现绑定的关节匹配值低于50％则根据运动数据将其绑定到匹配值最高的关节节点。

6.根据权利要求5所述的实时运动捕捉系统的方法，其特征为在运行中，PC中的软件模块将根据实时运动数据中的关节角度数据与运动数据习惯模型库进行匹配，动态设定并纠正各节点的初始偏移量。

7.根据权利要求6所述的实时运动捕捉系统的方法，其特征为若高速缓存中存放的数据条数大于阈值，那么可以判断系统虽然上电，但是并未工作，高速缓存可以发出指令使节点处于一个低功耗的休眠模式。

8.根据权利要求7所述的实时运动捕捉系统的方法，其特征为若高速缓存在空的状态下接收到数据提取请求，则唤醒采集单元。