CN110232727A - 一种连续姿态动作评估智能算法 - Google Patents
一种连续姿态动作评估智能算法 Download PDFInfo
- Publication number
- CN110232727A CN110232727A CN201910323456.4A CN201910323456A CN110232727A CN 110232727 A CN110232727 A CN 110232727A CN 201910323456 A CN201910323456 A CN 201910323456A CN 110232727 A CN110232727 A CN 110232727A
- Authority
- CN
- China
- Prior art keywords
- sequence
- frame
- posture
- consensus sequence
- distance
- 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.)
- Pending
Links
- 108091035707 Consensus sequence Proteins 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 230000000386 athletic effect Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 24
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 210000001154 skull base Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0065—Evaluating the fitness, e.g. fitness level or fitness index
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Physical Education & Sports Medicine (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出一种连续姿态动作评估智能算法,包括:第一步:录制标准动作数据帧序列,作为基准序列,第二步:使用者按标准动作完成动作,生成需要评估的动作序列;第三步:以基准序列作为标准,和需要评估的动作序列建立距离矩阵,通过计算帧与帧之间的距离,寻找最短路径;第四步:在最短路径中的动作序列上,寻找基准序列中每一帧对应的唯一关键帧,组成一个与基准序列长度相同的新动作序列,评估两序列之间的距离。本发明所述算法,引入时间维度,使用DTW算法,不仅可比较相似度较高的姿态片段,也能评估时间维度变化差异较大的情况,适合时间序列的评测,适用于动画算法评估、医疗用途、体育训练和其他相关连续动作比对的场景。
Description
技术领域
本发明属于人工智能算法领域,特别设计用于评估用户标准化完成给定连续姿态动作的人工智能算法。
背景技术
Humanoid Animation(H-Anim)是人形建模和动画的ISO和IEC标准。H-Anim用于定义可互换和操作的人物骨骼图形化的规范和标准,以便这些角色可以在各种3D游戏和模拟环境中使用。H-Anim主要定义了人体、关节、骨骼等信息,并以骨架的层次结构存储。根据骨骼关节的层次的复杂程度不同,定义了多个层级版本Level of articulation(LOA)。本发明以使用LOA-1标准。
运动学(kinematics)和反向运动学(inverse kinematics)简称IK,常常被用于动画捕捉(motion capture)和动画合成(animation synthesis)。由于这一类运动学算法的使用场景非常多,所以相关的优化算法[1][2][3][4]层出不穷,如何评估这一类算法的优劣性除了从视觉角度主观评估以外,也需要客观算法中与参考样本做比对,比如传统的样本比对方案均方差(Mean Squared Error)MSE,均方根误差(Root Mean Squard Error)RMSE,平均绝对比率误差(Mean Absolute Percentage Error)MAPE。这些评估方案大多只考虑静态一对一姿态情况,比对静态姿态与参考样本姿态的差异(或者长度相同的两组近似序列),并不适合评估一组动态姿态的差异,特别是无法评估前后连贯性不同的时间无法匹配的序列动作,动作有快慢变化的特征。
发明内容
本发明提供了一种连续姿态动作评估智能算法,主要是评估用户完成既定标准的连续姿态动作的技术问题。在图形图像交互视觉系统(包括虚拟现实系统)中获取动态动作数据的基础上,计算骨骼关节点的运动轨迹、旋转姿态以及角速度等多维运动动力学数据,对比标准数据库中的运动姿态基准,使用动态时间规整算法(DTW)量化动作阶段,求取时间线上最优动作距离,规格化最后结果,并对姿态纠正提供量化力学运动学建议。
采用的具体技术方案如下:
一种连续姿态动作评估智能算法,包括以下步骤:
第一步:录制标准动作数据帧序列,作为基准序列,
第二步:使用者按标准动作完成动作,生成需要评估的动作序列;
第三步:以基准序列作为标准,和需要评估的动作序列建立距离矩阵,通过计算帧与帧之间的距离,寻找最短路径:
建立k×h大小的矩阵M,h<k,根据标准动作序列x′的数据,利用DTW算法在x上搜索从M[1,1]到M[k,h]的最短路径;
第四步:在最短路径中的动作序列上,寻找基准序列中每一帧对应的唯一关键帧,组成一个与基准序列长度相同的新动作序列;
第五步:评估基准序列和新动作序列之间的距离:
其中,i是x的序号,j是x′的序号;indices[]是数组,用于记录对应x′j的最优点xi的序号i。
进一步地,对于特定标准姿态动作,指定关键帧标签,先比对序列x寻找最接近x′j的姿态帧xi,然后从位置[j,i]开始,向前向后同时使用DTW算法,直到x′序列向前达到序号1,向后达到h为止。
本发明与现有技术相比,有益效果是:本发明所述连续姿态动作评估智能算法,引入时间维度,使用动态时间规整算法(Dynamic Time Warping)DTW,参考维特比算法(Viterbi algorithm),不仅可比较相似度较高的姿态片段,也能评估时间维度变化差异较大的情况,适合时间序列的评测,适用于动画算法评估、医疗用途、体育训练和其他相关连续动作比对的场景。
附图说明
图1为本发明所述评估算法的实例图;
图2为本发明所述延伸算法实例图;
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
以标准化骨骼结构H-Anim LOA-1为例,本发明所述连续姿态动作评估智能算法,包括以下步骤:
第一步:录制标准动作数据帧序列,作为基准序列,该步骤用于准备目标动作基准序列,设定比对的标准。
第二步:使用者按标准动作完成动作,生成需要评估的动作序列;该步骤生成需要评估的序列,序列长度不一定与目标动作序列相同,假设该动作序列与基准序列完全相同,则两个序列相似度最高,使用者完成的动作为最佳动作。
第三步:以基准序列作为标准,和需要评估的动作序列建立距离矩阵,通过计算帧与帧之间的距离,寻找最短路径:
建立k×h大小的矩阵M,h<k,根据标准动作序列x′的数据,利用DTW算法在x上搜索从M[1,1]到M[k,h]的最短路径;
该步骤是为了生成一组与动作基准序列最类似动作的序列,将需要评估的序列中的帧按照帧距离分配给临近的基准序列中的姿态帧。
第四步:在最短路径中的动作序列上,寻找基准序列中每一帧对应的唯一关键帧,组成一个与基准序列长度相同的新动作序列;
该步骤是根据关键帧一对一原则,剔出一对多情况中距离值较大的多余帧,简化需要评估的序列,使得其简化后长度与基准序列相同。
第五步:评估基准序列和新动作序列之间的距离:
其中,i是x的序号,j是x′的序号;indices[]是数组,用于记录对应x′j的最优点xi的序号i。
本发明需要使用一些交互硬件设备获取用户姿态数据,该类动作捕捉硬件可使用包括光学捕捉,惯性捕捉等技术,输出则包括人体骨骼关节的定位坐标position(pi)和关节局部旋转角度local rotation(rj)等参数,其中i是关节点序号,j是骨骼关节自由度Degree of Freedoms(DOFs)的序号,其中骨骼关节自由度个数可根据需求以及不同系统的调整(本发明专利使用标准化骨骼结构H-Anim LOA-1作为例子)。
在录数据时,骨骼关节点的数据都需要保存,本发明可使用的数据包括:
1)骨骼关节位置坐标:P=(p1,p2,...,pm),m=16个骨骼包括:humanoid_root,sacroiliac,r_hip,l_hip,r_knee,l_knee,r_talocrual,l_talocrual,vl5,skullbase,r_shoulder,l_shoulder,r_elbow,l_elbow,r_wrist,l_wrist等16个骨骼。
2)骨骼关节的局部旋转坐标:R=(r1,r2,...,rn),n=40个关节自由度:humanoid_root(3),sacroiliac(3),r_hip(3),1_hip(3),r_knee(1),l_knee(1),r_talocrual(3),l_talocrual(3),vl5(3),skullbase(3),r_shoulder(3),l_shoulder(3),r_elbow(1),l_elbow(1),r_wrist(3),l_wrist(3)等40个骨骼关节自由度。
3)作为标准的姿态的骨骼位置坐标:P′=(p′1,p′2,...,p′m)如评估使用位置坐标时则使用该数据
4)作为标准的动作的局部旋转坐标:R′=(r′1,r′2,...,r′n)如评估使用局部旋转角度时则使用该数据
5)作为标准的动作序列(局部旋转坐标):x′=(R′1,R′1,...,R′k)
6)需要比对的动作序列(局部旋转坐标):x=(R1,R1,...,Rh),正常情况下h<k
7)距离操作符:dist(x,y),计算x和y之间的距离,可使用欧式距离。
基本算法:以下算法使用局部旋转角度作为对比标准
该基本算法基于寻找对应帧,
在h<k的基础上,根据标准动作序列x′的数据,以x′作为基准利用DTW算法在x上搜索最短路径,寻找路径上对应帧,完成帧匹配,然后完成h对应帧之间的距离计算。
具体步骤:
(1)搜索最小距离路径,匹配关键帧:建立k×h大小的矩阵M,根据姿态最短距离,搜索从M[1,1]到M[k,h]坐标的最短匹配路径。
伪代码:参考图1所示
定义:帧与帧(x′j与xi)之间的距离i是x的序号,j是x′的序号;indices[]是数组,用于记录对应x′j的最优点xi的序号i;distance[]也是数组,记录最短匹配路径上最优点的时候两个姿态间的距离;
初始化:i=1,j=1
循环直到x′h(即i=h)为止
计算:d1=dist(x′j,xi)
d2=dist(x′j,xi+1)
d3=dist(x′j+1,xi+1)
比较d1,d2,d3:
如果d1最大,则比较d1和distance[j]:
如果d1大,则indices[j]=i,distance[j]=d1;
i=i+1;
如果d2最大,则比较d2和distance[j]:
如果d2大,则indices[j]=i+1,distance[j]=d2;
i=i+2;
如果d3最大,则比较d3和distance[j+1]:
如果d3大,则indices[j+1]=i,distance[j+1]=d3;
i=i+1,j=j+1;
(2)累计关键帧之间的距离,并做均一化操作,得到基准序列与新动作序列之间的距离:
对于特定标准姿态动作,使用者可以指定关键帧标签,关键帧代表该连续动作中比较重要的姿态x′j。先比对序列x寻找最接近x′j的姿态帧xi,然后从位置[j,i]开始,向前向后同时使用基本算法,直到x′序列向前达到序号1,向后达到h为止。
特定标准姿态动作的算法属于本发明的延伸算法:当某一序列中有特定比较重点的关键帧,该关键帧的姿态比较有代表性,决定了该动作的完成程度,则可以在评估序列前,指定该帧作为重点帧,按图2延伸算法向前向后计算评估序列。该延伸算法更加具有针对性,比如抬腿的姿势,抬腿一瞬间最为重要,需要提前指定该瞬间的关键帧,并使用最高权重参数。
本发明所述连续动作评估智能算法,适用于多种场景,例如:
1)动画算法评估:比较动画算法与原始动画数据(标准比对动画)相似性
2)医疗用途,肢体康复,给定需要训练的姿势动作,使用者根据要求完成整套动作,系统自动比对动作的准确程度,提供纠正意见
3)体育训练:根据要求完成动作,与标准动作比对,提出训练建议
4)其他相关连续动作比对的场景。
本领域技术人员可显见,本发明上述概述并不意味着阐述了本发明的每一个示例性的实施例或每一种实施方式,容易对本发明进行各种修改和形式替换而不偏离本发明的精神和范围。因此,旨在使本发明覆盖落在所附权利要求书及其等效技术方案范围内的对本发明的修改、替换及其等同形式。
Claims (4)
1.一种连续姿态动作评估智能算法,其特征在于,包括以下步骤:
第一步:录制标准动作数据帧序列,作为基准序列,
第二步:使用者按标准动作完成动作,生成需要评估的动作序列;
第三步:以基准序列作为标准,和需要评估的动作序列建立距离矩阵,通过计算帧与帧之间的距离,寻找最短路径;
第四步:在最短路径中的动作序列上,寻找基准序列中每一帧对应的唯一关键帧,组成一个与基准序列长度相同的新动作序列;
第五步:评估基准序列和新动作序列之间的距离。
2.根据权利要求1所述的连续姿态动作评估智能算法,其特征在于,第三步具体为:
建立k×h大小的矩阵M,h<k,根据标准动作序列x′的数据,利用DTW算法在x上搜索从M[1,1]到M[k,h]的最短路径;
第五步中的距离计算公式为
其中,i是x的序号,j是x′的序号;indices[]是数组,用于记录对应x′j的最优点xi的序号i。
3.根据权利要求2所述的连续姿态动作评估智能算法,其特征在于,对于基准序列中存在特定标准姿态动作,对姿态帧x′j指定关键帧标签,先比对序列x寻找最接近x′j的姿态帧xi,然后从位置[j,i]开始,向前向后同时使用DTW算法,直到x′序列向前达到序号1,向后达到h为止。
4.根据权利要求1所述的连续姿态动作评估智能算法,其特征在于,所述标准动作数据帧,包括作为标准姿态的骨骼位置坐标和作为标准动作的局部旋转坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323456.4A CN110232727A (zh) | 2019-04-22 | 2019-04-22 | 一种连续姿态动作评估智能算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323456.4A CN110232727A (zh) | 2019-04-22 | 2019-04-22 | 一种连续姿态动作评估智能算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232727A true CN110232727A (zh) | 2019-09-13 |
Family
ID=67860813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323456.4A Pending CN110232727A (zh) | 2019-04-22 | 2019-04-22 | 一种连续姿态动作评估智能算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232727A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898519A (zh) * | 2020-07-28 | 2020-11-06 | 武汉大学 | 便携式的特定区域内运动训练辅助视觉伺服机器人系统及姿态评估方法 |
CN112270764A (zh) * | 2020-09-30 | 2021-01-26 | 北京理工大学 | 一种用于合影的虚拟人姿态生成方法 |
CN112272324A (zh) * | 2020-10-15 | 2021-01-26 | 聚好看科技股份有限公司 | 一种跟练模式控制方法及显示设备 |
CN112989121A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种基于关键帧偏好的时序动作评估方法 |
CN113468987A (zh) * | 2021-06-17 | 2021-10-01 | 傲雄在线(重庆)科技有限公司 | 一种电子笔迹鉴定方法、系统、电子设备及存储介质 |
CN113516739A (zh) * | 2020-04-09 | 2021-10-19 | 上海米哈游天命科技有限公司 | 一种动画处理方法、装置、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276370A (zh) * | 2008-01-14 | 2008-10-01 | 浙江大学 | 基于关键帧的三维人体运动数据检索方法 |
-
2019
- 2019-04-22 CN CN201910323456.4A patent/CN110232727A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276370A (zh) * | 2008-01-14 | 2008-10-01 | 浙江大学 | 基于关键帧的三维人体运动数据检索方法 |
Non-Patent Citations (1)
Title |
---|
陈芙蓉 等: "基于动态路径优化的人体姿态识别", 《计算机工程与设计》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516739A (zh) * | 2020-04-09 | 2021-10-19 | 上海米哈游天命科技有限公司 | 一种动画处理方法、装置、存储介质及电子设备 |
CN113516739B (zh) * | 2020-04-09 | 2023-05-16 | 上海米哈游天命科技有限公司 | 一种动画处理方法、装置、存储介质及电子设备 |
CN111898519A (zh) * | 2020-07-28 | 2020-11-06 | 武汉大学 | 便携式的特定区域内运动训练辅助视觉伺服机器人系统及姿态评估方法 |
CN112270764A (zh) * | 2020-09-30 | 2021-01-26 | 北京理工大学 | 一种用于合影的虚拟人姿态生成方法 |
CN112270764B (zh) * | 2020-09-30 | 2022-07-08 | 北京理工大学 | 一种用于合影的虚拟人姿态生成方法 |
CN112272324A (zh) * | 2020-10-15 | 2021-01-26 | 聚好看科技股份有限公司 | 一种跟练模式控制方法及显示设备 |
CN112272324B (zh) * | 2020-10-15 | 2023-03-14 | 聚好看科技股份有限公司 | 一种跟练模式控制方法及显示设备 |
CN112989121A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种基于关键帧偏好的时序动作评估方法 |
CN113468987A (zh) * | 2021-06-17 | 2021-10-01 | 傲雄在线(重庆)科技有限公司 | 一种电子笔迹鉴定方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232727A (zh) | 一种连续姿态动作评估智能算法 | |
Nibali et al. | 3d human pose estimation with 2d marginal heatmaps | |
CN108829232B (zh) | 基于深度学习的人体骨骼关节点三维坐标的获取方法 | |
Stoll et al. | Fast articulated motion tracking using a sums of gaussians body model | |
Lei et al. | Whole-body humanoid robot imitation with pose similarity evaluation | |
CN105512621A (zh) | 一种基于Kinect的羽毛球动作指导系统 | |
CN106600626A (zh) | 三维人体运动捕获方法与系统 | |
CN111062326A (zh) | 一种基于几何驱动的自监督人体3d姿态估计网络训练方法 | |
CN106815855A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
CN103942829A (zh) | 单幅图像的人体三维姿态重构方法 | |
CN108256461A (zh) | 一种用于虚拟现实设备的手势识别装置 | |
CN113763518A (zh) | 基于虚拟数字人的多模态无限表情合成方法及装置 | |
CN113628307A (zh) | 一种三维模型的骨骼驱动方法及设备 | |
Ivekovič et al. | Human body pose estimation with particle swarm optimisation | |
CN114170353A (zh) | 一种基于神经网络的多条件控制的舞蹈生成方法及系统 | |
CN114270402A (zh) | 用于构建三维扫描人体模型的方法和装置 | |
CN109993818B (zh) | 三维人体模型运动合成的方法、装置、设备及介质 | |
CN116248920A (zh) | 虚拟角色直播处理方法、装置及系统 | |
Almasi et al. | Investigating the Application of Human Motion Recognition for Athletics Talent Identification using the Head-Mounted Camera | |
Fang et al. | Hand pose estimation on hybrid CNN-AE model | |
CN108564618A (zh) | 基于多体素块的手几何运动重建方法及装置 | |
Zhu | Refining method of mocap data based on LSTM | |
Zhao et al. | Human motion reconstruction from monocular images using genetic algorithms | |
Deng et al. | Simulation of athletes’ motion detection and recovery technology based on monocular vision and biomechanics | |
HanbyulJoo et al. | Panoptic studio: A massively multiview system for social interaction capture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |