CN111260718A - 一种基于Kinect摄像头的人体重心估计方法 - Google Patents
一种基于Kinect摄像头的人体重心估计方法 Download PDFInfo
- Publication number
- CN111260718A CN111260718A CN202010053633.4A CN202010053633A CN111260718A CN 111260718 A CN111260718 A CN 111260718A CN 202010053633 A CN202010053633 A CN 202010053633A CN 111260718 A CN111260718 A CN 111260718A
- Authority
- CN
- China
- Prior art keywords
- human body
- gravity center
- coordinates
- center
- segment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明针对现有技术中重心估算方法实时性差、精度低的问题,提供一种基于Kinect摄像头的人体重心估计方法,解决了实时重心估算与重心估算精度之间的矛盾,满足了体感交互场景下对人体重心高效、准确估算的需要。包括以下内容:使用Kinect2.0摄像头,获取人体骨骼25个关节点在Kinect坐标系下的三维坐标;结合25个骨骼关节点的三维坐标数据,将人体分为15个人体节段;通过人体节段法计算人体重心,先计算出15个人体节段自身重心的三维空间坐标,然后再将这些人体节段质心坐标通过加权平均计算,最终即可求得人体整体重心的位置坐标。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于Kinect摄像头的人体重心估计方法。
背景技术
Kinect摄像机是一种3D体感摄影机,它具有即时动态捕捉、影像辨识等功能,主要用于捕捉三维空间中使用者的运动,可以利用其功能对人体重心进行测量。人体重心是反映人体形态结构和质量分布特征的基本参数,在体育运动和医疗康复等领域有着重要的作用,因此人体重心的测量具有重要的学术和应用价值。对于人体重心的测量通常使用测力板或穿戴设备。测力板利用力传感器计算出人站在测力台上的压力中心,它可以提供较精确的重心位置测量,但测力板设备体积较大不便携带,测量范围受到测力板面积的局限。穿戴设备主要靠足底的重力传感器,根据静力学中的力矩平衡方程式进行重心位置的二维坐标测量,可提供灵活的运动测量范围,但是穿戴设备较为昂贵,重心测量的精度不足,由此可见传统重心估算方法存在实时性差、精度低的缺点。
发明内容
本发明针对现有技术中重心估算方法实时性差、精度低的问题,提供一种基于Kinect摄像头的人体重心估计方法,解决了实时重心估算与重心估算精度之间的矛盾,满足了体感交互场景下对人体重心高效、准确估算的需要。
为了实现上述目的,本发明采用以下技术方案,包括以下步骤:
S1:使用Kinect2.0摄像头,获取人体骨骼25个关节点在Kinect坐标系下的三维坐标;
S2:结合S1中25个骨骼关节点的三维坐标数据,将人体分为15个人体节段:头颈、上躯干、下躯干、左上臂、右上臂、左前臂、右前臂、左手、右手、左大腿、右大腿、左小腿、右小腿、左足、右足;
S3:通过人体节段法计算人体重心,先计算出S2中15个人体节段自身重心的三维空间坐标,然后再将这些节段质心坐标通过加权平均计算,最终即可求得人体整体重心的位置坐标。
作为优选,所述S2中根据一定的规则将S1中得到的25个关节点进行划分,最终得到包含所有关节点的15个节段。
作为优选,所述S3具体步骤如下:
S32:使用%COMi表示节段i重心的位置百分比,LCS表示身体各节段质心上部尺寸占本体段全长的百分比,以LCS作为节段i的%COMi,由此,COMi的计算公式为:
S33:人体整体重心的坐标的计算,使用mi表示身体节段重量占全身重量的百分比,节段i的质心表示为COMi,N为节段数,人体整体重心COM的坐标计算公式为:
因此,本发明具有如下有益效果:(1)克服了现有技术中重心估算方法实时性差、估算过程繁琐的问题,解决了实时重心估算与重心估算精度之间的矛盾,满足了体感交互场景下对人体重心高效、快速估算的需要;(2)基于人体节段法计算重心,能大大减少重心计算过程中的计算规模,本发明计算重心的公式中只使用了加减乘除基本数学运算,没有复杂的计算过程,可以大大加快计算速度;(3)基于Kinect 2.0摄像头获得的人体骨骼关节点能根据不同人身高、肢体长度而自动匹配,对不同的测试人员具有良好的适应性;(4)使用Kinect骨骼关节点对各节段上、下端标定点的坐标进行估算的方法既能快速获取标定点的坐标,又能将误差控制在较小的范围之内,同时还将人体头颈、左手、右手、左足、右足这些肢端部位也考虑到重心估计中去,提高了人体重心估算的精度。
附图说明
图1是Kinect骨骼空间坐标系。
图2是Kinect骨骼空间坐标系。
图3是人体节段划分示意图。
图4是人体各节段上、下端定标点对应的Kinect骨骼节点。
图5是人体各节段质心相对位置。
图6是人体各节段重量分布。
图7是Kinect摄像头所识别关节点对应的中文翻译。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
如图1-7所示的实施例中,本发明一种基于Kinect摄像头的人体重心估计方法,包括以下步骤:
S1:使用Kinect2.0摄像头,获取人体骨骼25个关节点在Kinect坐标系下的三维坐标;
S2:结合S1中25个骨骼关节点的三维坐标数据,将人体分为15个人体节段,如图3所示分为:头颈、上躯干、下躯干、左上臂、右上臂、左前臂、右前臂、左手、右手、左大腿、右大腿、左小腿、右小腿、左足、右足;结合图2关节点分布,具体划分方法为:由颈【Neck】关节点划分头部与躯干上半部,脊柱中段【SpineMid】关节点划分上躯干和下躯干,左肩(右肩)【ShoulderLeft(ShoulderRight)】关节点划分左(右)上臂和上躯干,左肘(右肘)【ElbowLeft(ElbowRight)】关节点划分左(右)上臂和左(右)前臂,左手腕(右手腕)【WistLeft(WistRight)】关节点划分左(右)前臂和左(右)手,左臀部(右臀部)【HipLeft(HipRight)】关节点划分下躯干和左(右)大腿,左膝(右膝)【KneeLeft(KneeRight)】关节点划分左(右)大腿和左(右)小腿,左脚踝(有脚踝)【AnkleLeft(AnkleRight)】关节点划分左(右)小腿和左(右)足。
S3:通过人体节段法计算人体重心,先计算出S2中15个人体节段自身重心的三维空间坐标,然后再将这些节段质心坐标通过加权平均计算,最终即可求得人体整体重心的位置坐标,所述S3具体步骤如下:
S31:设节段i的质心表示为COMi,质心沿X、Y、Z轴方向的坐标表示为 XP、YP、ZP为肢体上端定标点(即图3中各节段的上端点)沿X、Y、Z轴方向的坐标,XD、YD、ZD为肢体下端定标点(即图3中各节段的下端点)沿X、Y、Z轴方向的坐标,各节段上、下端定标点对应的Kinect骨骼节如图4所示,因为并非所有节段的上、下端定标点都能找到对应的Kinect骨骼节点,因此需要对部分定标点进行估算:头颈的上端定标点坐标用Head+(Head-Neck)估算,下躯干的下端定标点坐标用(HipLeft+HipRight)/2估算,左足的下端定标点坐标用FootLeft+(FootLeft-AnkleLeft)估算,右足的下端定标点坐标用FootRight+(FootRight-AnkleRight)估算,为了明确Kinect摄像头所识别关节点与图3中所标识的关节点的对应关系,从图7的附表中可以找出其对应关系,其中序号是人为编写,不代表一定的顺序。
S32:使用%COMi表示节段i重心的位置百分比,不同阶段重心位置百分比可以查询《中华人民共和国国家标准:成年人人体惯性参数》一书得到(如图5所示)。LCS表示身体各节段质心上部尺寸占本体段全长的百分比,以LCS作为节段i的%COMi,由此,COMi的计算公式为:
S33:人体整体重心的坐标的计算,使用mi表示身体节段重量占全身重量的百分比,其具体数值也可以查询《中华人民共和国国家标准:成年人人体惯性参数》得到(如图6所示),节段i的质心表示为COMi,N为节段数,本发明取N=15,人体整体重心COM的坐标计算公式为:
本发明的原理在于:
(1)使用人体节段法,结合Kinect骨骼25个关节点,将人体分为15个人体节段,分别计算各个节段的重心坐标,最后综合15个人体节段的重心坐标,得出最终人体重心坐标。
(2)为了准确地计算各节段上、下端标定点的坐标,使用了Kinect骨骼关节点对各节段上、下端标定点的坐标进行估算。其中,大部分标定点坐标使用Kinect 2.0得到的生理位置相同的骨骼关节点坐标直接替代,小部分部分标定点由于没有生理位置相同的骨骼关节点而使用估算方法由其余骨骼关节点计算得到。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于Kinect摄像头的人体重心估计方法,其特征是,包括以下步骤:
S1:使用Kinect2.0摄像头,获取人体骨骼25个关节点在Kinect坐标系下的三维坐标;
S2:结合S1中25个骨骼关节点的三维坐标数据,将人体分为15个人体节段:头颈、上躯干、下躯干、左上臂、右上臂、左前臂、右前臂、左手、右手、左大腿、右大腿、左小腿、右小腿、左足、右足;
S3:通过人体节段法计算人体重心,先计算出S2中15个人体节段自身重心的三维空间坐标,然后再将这些节段质心坐标通过加权平均计算,最终即可求得人体整体重心的位置坐标。
2.根据权利要求1所述的一种基于Kinect摄像头的人体重心估计方法,其特征是,所述S2中根据一定的规则将S1中得到的25个关节点进行划分,最终得到包含所有关节点的15个节段。
3.根据权利要求1所述的一种基于Kinect摄像头的人体重心估计方法,其特征是,所述S3具体步骤如下:
S32:使用%COMi表示节段i重心的位置百分比,LCS表示身体各节段质心上部尺寸占本体段全长的百分比,以LCS作为节段i的%COMi,由此,COMi的计算公式为:
S33:人体整体重心的坐标的计算,使用mi表示身体节段重量占全身重量的百分比,节段i的质心表示为COMi,N为节段数,人体整体重心COM的坐标计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053633.4A CN111260718A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Kinect摄像头的人体重心估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053633.4A CN111260718A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Kinect摄像头的人体重心估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260718A true CN111260718A (zh) | 2020-06-09 |
Family
ID=70952214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053633.4A Pending CN111260718A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Kinect摄像头的人体重心估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260718A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205557A (zh) * | 2021-05-20 | 2021-08-03 | 上海曼恒数字技术股份有限公司 | 一种全身姿态还原方法及系统 |
CN113673494A (zh) * | 2021-10-25 | 2021-11-19 | 青岛根尖智能科技有限公司 | 人体姿态标准运动行为匹配方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986884A (zh) * | 2018-05-31 | 2018-12-11 | 杭州同绘科技有限公司 | 一种平衡康复与认知康复相融合的训练系统和方法 |
CN110119697A (zh) * | 2019-04-28 | 2019-08-13 | 华东交通大学 | 一种基于Kinect装置的步态特征提取系统 |
-
2020
- 2020-01-17 CN CN202010053633.4A patent/CN111260718A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986884A (zh) * | 2018-05-31 | 2018-12-11 | 杭州同绘科技有限公司 | 一种平衡康复与认知康复相融合的训练系统和方法 |
CN110119697A (zh) * | 2019-04-28 | 2019-08-13 | 华东交通大学 | 一种基于Kinect装置的步态特征提取系统 |
Non-Patent Citations (4)
Title |
---|
D LAFOND等: ""Comparison of three methods to estimate the center of mass during balance assessment"", 《JOURNAL OF BIOMECHANICS》 * |
中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会: "《成年人人体惯性参数》", 10 May 2004 * |
段增武 等: ""基于Kinect的人体三维质心动态测量及准确性分析"", 《中国生物医学工程学报》 * |
王蔚 等: ""基于体感交互设备的人体重心计算方法"", 《数据采集与处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205557A (zh) * | 2021-05-20 | 2021-08-03 | 上海曼恒数字技术股份有限公司 | 一种全身姿态还原方法及系统 |
CN113205557B (zh) * | 2021-05-20 | 2022-07-15 | 上海曼恒数字技术股份有限公司 | 一种全身姿态还原方法及系统 |
CN113673494A (zh) * | 2021-10-25 | 2021-11-19 | 青岛根尖智能科技有限公司 | 人体姿态标准运动行为匹配方法及系统 |
CN113673494B (zh) * | 2021-10-25 | 2022-03-08 | 青岛根尖智能科技有限公司 | 人体姿态标准运动行为匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Viswakumar et al. | Human gait analysis using OpenPose | |
CN107174255B (zh) | 基于Kinect体感技术的三维步态信息采集与分析方法 | |
Roetenberg et al. | Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors | |
WO2018196227A1 (zh) | 人体运动能力评价方法、装置及系统 | |
CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和系统 | |
JP2017503225A (ja) | モーションキャプチャシステム | |
WO2015162158A1 (en) | Human motion tracking | |
Liu et al. | Triaxial joint moment estimation using a wearable three-dimensional gait analysis system | |
CN102679964B (zh) | 步态参数测量系统及其数据处理装置和方法 | |
CN107273611A (zh) | 一种基于下肢行走特点的下肢康复机器人的步态规划方法 | |
US20170000389A1 (en) | Biomechanical information determination | |
JP6127873B2 (ja) | 歩行特徴の解析方法 | |
Bonnet et al. | Fast determination of the planar body segment inertial parameters using affordable sensors | |
CN111260718A (zh) | 一种基于Kinect摄像头的人体重心估计方法 | |
JP6649323B2 (ja) | 歩行解析システム及び方法 | |
CN112205979A (zh) | 一种实时测量运动人体机械能的装置及方法 | |
Chen et al. | IMU-based estimation of lower limb motion trajectory with graph convolution network | |
Loose et al. | Gait patterns in standard scenarios: Using Xsens MTw inertial measurement units | |
CN108309301B (zh) | 人体体段质量测量方法 | |
WANG et al. | Estimation of knee joint angle during gait cycle using inertial measurement unit sensors: A method of sensor-to-clinical bone calibration on the lower limb skeletal model | |
Cai et al. | A binocular-camera-assisted sensor-to-segment alignment method for inertial sensor-based human gait analysis | |
Nohara et al. | Multiple regression based imputation for individualizing template human model from a small number of measured dimensions | |
US20220183591A1 (en) | Biomechanical modelling of motion measurements | |
Kumarasiri et al. | Gait analysis using RGBD sensors | |
Hellmers et al. | Validation of a motion capture suit for clinical gait analysis |
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: 20200609 |