CN112215172A - 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 - Google Patents
融合彩色图像与深度信息的人体卧姿三维姿态估计方法 Download PDFInfo
- Publication number
- CN112215172A CN112215172A CN202011113689.0A CN202011113689A CN112215172A CN 112215172 A CN112215172 A CN 112215172A CN 202011113689 A CN202011113689 A CN 202011113689A CN 112215172 A CN112215172 A CN 112215172A
- Authority
- CN
- China
- Prior art keywords
- human body
- camera
- depth
- depth information
- rgb
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
一种融合彩色图像与深度信息的人体卧姿三维姿态估计方法,先使用RGB‑D相机同时捕获运动的人体所在空间内的彩色图像和深度信息;基于自下而上的深度学习方法对彩色图像进行人体二维关键点位置检测;再利用相机标定得到的相关参数对彩色图像与深度信息进行空间匹配实,实现人体关键点的三维坐标粗略定位;然后基于个性化的人体尺寸参数对深度相机的采集误差进行修正;最后考虑运动本身在时间尺度上的连续性,利用插帧和滤波方法对各关键点的三维坐标序列进行进一步修正,准确实现人体卧姿三维姿态估计;本发明成本低,无接触,可有效实现人体卧姿状态的姿态估计,满足婴儿及其他卧姿人体的运动识别与分析需求。
Description
技术领域
本发明属于人体姿态估计技术领域,具体涉及融合彩色图像与深度信息的人体卧姿三维姿态估计方法。
背景技术
在人机交互、运动分析和视频监控等众多应用领域,人体都是主要的被处理对象,对人体动作和行为的识别和分析都是必不可少的环节,识别结果将直接影响后续应用的效果。人体运动由相互连接的人体肢体的各部位组合完成,为有效实现某一姿态下人体姿态的数字化描述,需要对人体各部位进行实时定位,这一定位过程就是人体姿态估计技术。
目前,随着计算机视觉领域相关技术的快速发展,姿态估计技术的研究也成为一个研究热点。现有的姿态估计技术按照传感器的不同可以分为四类:①机械装置与惯性测量单元;②多目相机;③彩色相机;④深度相机。其中,前两类一般需要将传感器或标记点固定在身体上,影响运动过程,且多目相机成本昂贵;彩色相机方法已经可以很好地获取二维投影内人体的姿态信息,但是受限于传感器性质,无法进行三维空间定位;深度相机方法多针对人体站姿状态,难以区分卧姿状态下的人体与背景信息,从而无法应用于人体卧姿状态的姿态估计。
然而,卧姿状态的游戏娱乐、瘫痪病人的康复训练、婴儿群体的运动功能诊断、人体睡眠的视觉检测等应用均需要解决卧姿状态下的人体姿态估计难题,因此,急需一种低成本无接触的人体卧姿状态姿态估计方法。
发明内容
为了克服现有技术的缺点,本发明的目的是提供一种融合彩色图像与深度信息的人体卧姿三维姿态估计方法,具有低成本、无接触、高精度等优点,满足人类卧姿姿态检测与运动识别的需求。
为达到上述目的,本发明采用的技术方案为:
一种融合彩色图像与深度信息的人体卧姿三维姿态估计方法,包括以下步骤:
步骤一:选用RGB-D相机作为采集设备,并对采集设备进行相关标定,分别得到彩色相机和深度相机的内参矩阵Hrgb和Hd:
其中fxrgb、fyrgb为彩色摄像头的焦距,cxrgb与cyrgb分别为彩色摄像头的主点在xy方向的偏移;fxd、fyd为深度摄像头的焦距,cxd和cyd为深度摄像头的主点在xy方向的偏移;
同时获取彩色相机和深度相机坐标系间的旋转矩阵R和平移矩阵T;
步骤二:利用RGB-D传感器同步连续采集人体运动空间内的彩色图像与深度信息N帧;
步骤三:对彩色图像使用自底向上的深度学习框架基于部分亲和字段(PAF)检测14个二维人体关键点位置,二维人体关键点位置包括头部、颈部、双肩、双肘、双腕、双髋、双膝和双踝;
步骤四:通过彩色相机和深度相机成像系统中各坐标系的映射模型求解彩色相机和深度相机坐标系的对应关系:
其中ud,vd为深度图像中的像素点坐标,zd为像素点对应的深度值,Hd为深度相机的内部参数,R为彩色相机到深度相机的旋转矩阵,T为彩色相机到深度相机的偏移矩阵,xrgb、yrgb、zrgb为彩色相机的对应像素点的空间坐标,为彩色相机内部参数的逆矩阵,urgb和vrgb为对应像素点在彩色图像中的坐标;
对RGB信息和原始深度信息进行配准得到不同坐标空间下每个点的映射,在此基础上实现步骤三获取的二维人体关键点位置的深度信息匹配,得到粗略的人体关键点三维坐标;
步骤五:为消除深度信息的采集误差,针对不同测试群体参考人体标准指数构建人体静态尺寸参数模型Π=[λHea,λN,λS,λE,λW,λHip,λK,λA],其中λHea为头部静态参数,λN为颈部静态参数,λS为肩部静态参数,λE为肘部静态参数,λW为腕部静态参数,λHip为髋部静态参数,λK为膝部静态参数,λA为踝部静态参数;以此为标准对关节点深度信息进行修正,若身体各部位的修正深度信息D=[dHea,dN,dSL,…,dAR],其中的d分别对应人体静态尺寸参数模型Π中的关节部分修正深度信息;则D的修正过程如下:
步骤六:为消除步骤三带来的丢帧现象和随机误差,考虑运动的时间约束,对帧间差造成的跳变误差,采用三倍标准差法对误差点进行消除:
xt+1≤xt±3×σ
xt+1为t+1帧中对应关键点的坐标值,xt为t帧时刻对应关键点的坐标值,σ为整段序列的对应关键点的统计学标准差;
针对丢帧问题,对坐标序列进行分段三次样条曲线插值。
为获取更平滑的关节运动轨迹,采用高斯平滑滤波方法进一步对系列帧数据进行去噪平滑,最后完成准确的三维姿态估计。
本发明的优点为:
(1)本发明仅需要RGB-D相机作为采集设备,硬件成本低;
(2)本发明数据采集过程中与人体无接触,不妨碍运动的产生;
(3)本发明可以有效实现卧姿状态下的人体姿态估计。
附图说明
图1为本发明方法的流程图。
图2为发明的硬件平台。
图3为RGB-D相机采集到的某帧彩色图像与深度图像,(a)为彩色图像;(b)为深度图像。
图4为基于彩色图像的二维人体关键点位置检测结果示意图。
图5为彩色图像的深度信息匹配结果示意图,(a)为匹配前二维人体关键点位置在深度图像上的对应结果;(b)为匹配后的结果。
图6为基于人体静态尺寸参数进行深度信息修正前后的误差对比。
图7为插帧和平滑滤波的效果展示,(a)为插帧滤波前某关键点的三维坐标序列;(b)为插帧滤波后的结果。
图8为最终卧姿姿态检测的某帧结果,(a)为原始彩色图像;(b)和(c)为检测到的人体骨骼框架在不同角度下的展示。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1和图2,一种融合彩色图像与深度信息的人体卧姿三维姿态估计方法,包括以下步骤:
步骤一:选用RGB-D相机作为采集设备,此处以KinectV1.0为例,对采集设备进行相关标定,分别得到彩色相机和深度相机的内参矩阵Hrgb和Hd:
同时获取彩色相机和深度相机坐标系间的旋转矩阵R和平移矩阵T:
步骤二:利用RGB-D传感器同步连续采集人体运动空间内的彩色图像与深度信息N帧,其中某帧彩色图像如图3中的(a),深度信息如图3中的(b),明显两图并不完全对齐,需要进行图像信息的进一步匹配;
步骤三:对彩色图像使用自底向上的深度学习框架基于部分亲和字段(PAF)检测14个二维人体关键点位置,二维人体关键点位置包括头部、颈部、双肩、双肘、双腕、双髋、双膝和双踝,其中某帧图像的二维人体关键点位置检测结果如图4所示;
步骤四:通过彩色相机和深度相机成像系统中各坐标系的映射模型求解彩色相机和深度相机坐标系的对应关系:
其中ud,vd为深度图像中的像素点坐标,zd为像素点对应的深度值,Hd为深度相机的内部参数,R为彩色相机到深度相机的旋转矩阵,T为彩色相机到深度相机的偏移矩阵,xrgb、yrgb、zrgb为彩色相机的对应像素点的空间坐标,为彩色相机内部参数的逆矩阵,urgb和vrgb为对应像素点在彩色图像中的坐标;
对RGB信息和原始深度信息进行配准得到不同坐标空间下每个点的映射,在此基础上可以实现步骤三获取的二维人体关键点位置的深度信息匹配,得到粗略的人体关键点三维坐标,参照图5,图5中的(a)和(b)分别为深度信息匹配前和匹配后的骨架在深度图上的示意;
步骤五:为消除深度信息的采集误差,针对不同测试群体参考人体标准指数构建人体静态尺寸参数模型Π=[λHea,λN,λS,λE,λW,λHip,λK,λA],其中λHea为头部静态参数,λN为颈部静态参数,λS为肩部静态参数,λE为肘部静态参数,λW为腕部静态参数,λHip为髋部静态参数,λK为膝部静态参数,λA为踝部静态参数;以此为标准对关节点深度信息进行修正,若身体各部位的修正深度信息D=[dHea,dN,dSL,…,dAR],其中的d分别对应人体静态尺寸参数模型Π中的关节部分修正深度信息,则D的修正过程如下:
步骤六:为消除步骤三带来的丢帧现象和随机误差,考虑运动的时间约束,对帧间差造成的跳变误差,采用三倍标准差法对误差点进行消除:
xt+1≤xt±3×σ
其中xt+1为t+1帧中对应关键点的坐标值,xt为t帧时刻对应关键点的坐标值,σ为整段序列的对应关键点的统计学标准差;
针对丢帧问题,对坐标序列进行分段三次样条曲线插值;
为获取更平滑的关节运动轨迹,采用高斯平滑滤波方法进一步对系列帧数据进行去噪平滑,选取大小为5帧的时间滑移窗模板G(x):
其中P(t)为平滑后的t时刻的对应关键点坐标,i为t时刻前后5帧的滑移窗序号,i=[1,2,3,4,5],G(i)为i序号时的时间滑移窗模板系数。
图7展示了插帧和平滑的效果,其中图7中的(a)为修正前的某关键点三维坐标序列,(b)为修正后的结果;完成准确的三维姿态估计,参照图8,图8为最终卧姿姿态检测的某帧结果,(a)为原始彩色图像;(b)和(c)为检测到的人体骨骼框架在不同角度下的展示。
Claims (1)
1.一种融合彩色图像与深度信息的人体卧姿三维姿态估计方法,其特征在于,包括以下步骤:
步骤一:选用RGB-D相机作为采集设备,并对采集设备进行相关标定,分别得到彩色相机和深度相机的内参矩阵Hrgb和Hd:
其中fxrgb、fyrgb为彩色摄像头的焦距,cxrgb与cyrgb分别为彩色摄像头的主点在xy方向的偏移;fxd、fyd为深度摄像头的焦距,cxd和cyd为深度摄像头的主点在xy方向的偏移;
同时获取彩色相机和深度相机坐标系间的旋转矩阵R和平移矩阵T;
步骤二:利用RGB-D传感器同步连续采集人体运动空间内的彩色图像与深度信息N帧;
步骤三:对彩色图像使用自底向上的深度学习框架基于部分亲和字段(PAF)检测14个二维人体关键点位置,二维人体关键点位置包括头部、颈部、双肩、双肘、双腕、双髋、双膝和双踝;
步骤四:通过彩色相机和深度相机成像系统中各坐标系的映射模型求解彩色相机和深度相机坐标系的对应关系:
其中ud,vd为深度图像中的像素点坐标,zd为像素点对应的深度值,Hd为深度相机的内部参数,R为彩色相机到深度相机的旋转矩阵,T为彩色相机到深度相机的偏移矩阵,xrgb、yrgb、zrgb为彩色相机的对应像素点的空间坐标,为彩色相机内部参数的逆矩阵,urgb和vrgb为对应像素点在彩色图像中的坐标;
对RGB信息和原始深度信息进行配准得到不同坐标空间下每个点的映射,在此基础上实现步骤三获取的二维人体关键点位置的深度信息匹配,得到粗略的人体关键点三维坐标;
步骤五:为消除深度信息的采集误差,针对不同测试群体参考人体标准指数构建人体静态尺寸参数模型Π=[λHea,λN,λS,λE,λW,λHip,λK,λA],其中λHea为头部静态参数,λN为颈部静态参数,λS为肩部静态参数,λE为肘部静态参数,λW为腕部静态参数,λHip为髋部静态参数,λK为膝部静态参数,λA为踝部静态参数;以此为标准对关节点深度信息进行修正,若身体各部位的修正深度信息D=[dHea,dN,dSL,…,dAR],其中的d分别对应人体静态尺寸参数模型Π中的关节部分修正深度信息,则D的修正过程如下:
步骤六:为消除步骤三带来的丢帧现象和随机误差,考虑运动的时间约束,对帧间差造成的跳变误差,采用三倍标准差法对误差点进行消除:
xt+1≤xt±3×σ
其中xt+1为t+1帧中对应关键点的坐标值,xt为t帧时刻对应关键点的坐标值,σ为整段序列的对应关键点的统计学标准差;
针对丢帧问题,对坐标序列进行分段三次样条曲线插值;
为获取更平滑的关节运动轨迹,采用高斯平滑滤波方法对系列帧数据进行去噪平滑,最后完成准确的三维姿态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011113689.0A CN112215172A (zh) | 2020-10-17 | 2020-10-17 | 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011113689.0A CN112215172A (zh) | 2020-10-17 | 2020-10-17 | 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215172A true CN112215172A (zh) | 2021-01-12 |
Family
ID=74055679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011113689.0A Pending CN112215172A (zh) | 2020-10-17 | 2020-10-17 | 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215172A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257642A (zh) * | 2020-10-30 | 2021-01-22 | 上海庞勃特科技有限公司 | 人体连续动作相似性评价方法及评价装置 |
CN112907463A (zh) * | 2021-01-28 | 2021-06-04 | 华南理工大学 | 联合图像语义和三维信息的深度图像错误点移除方法 |
CN113077512A (zh) * | 2021-03-24 | 2021-07-06 | 浙江中体文化集团有限公司 | 一种rgb-d位姿识别模型训练方法及系统 |
CN113487674A (zh) * | 2021-07-12 | 2021-10-08 | 北京未来天远科技开发有限公司 | 一种人体位姿估计系统和方法 |
CN113724176A (zh) * | 2021-08-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
CN115633956A (zh) * | 2022-11-08 | 2023-01-24 | 华南理工大学 | 一种婴儿身高自动测量方法、系统、装置和存储介质 |
CN115984384A (zh) * | 2023-03-20 | 2023-04-18 | 乐歌人体工学科技股份有限公司 | 一种基于面部姿态图像估计的桌面升降控制方法 |
CN113724176B (zh) * | 2021-08-23 | 2024-07-16 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629946A (zh) * | 2018-06-14 | 2018-10-09 | 清华大学深圳研究生院 | 一种基于rgbd传感器的人体跌倒检测方法 |
CN109003301A (zh) * | 2018-07-06 | 2018-12-14 | 东南大学 | 一种基于OpenPose和Kinect的人体姿态估计方法及康复训练系统 |
CN109446981A (zh) * | 2018-10-25 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种脸部活体检测、身份认证方法及装置 |
CN109615601A (zh) * | 2018-10-23 | 2019-04-12 | 西安交通大学 | 一种融合彩色与灰阶深度图像的方法 |
-
2020
- 2020-10-17 CN CN202011113689.0A patent/CN112215172A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629946A (zh) * | 2018-06-14 | 2018-10-09 | 清华大学深圳研究生院 | 一种基于rgbd传感器的人体跌倒检测方法 |
CN109003301A (zh) * | 2018-07-06 | 2018-12-14 | 东南大学 | 一种基于OpenPose和Kinect的人体姿态估计方法及康复训练系统 |
CN109615601A (zh) * | 2018-10-23 | 2019-04-12 | 西安交通大学 | 一种融合彩色与灰阶深度图像的方法 |
CN109446981A (zh) * | 2018-10-25 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种脸部活体检测、身份认证方法及装置 |
Non-Patent Citations (2)
Title |
---|
QINGQIANG WU 等,: "Human 3D pose estimation in a lying position by RGB-D images for medical diagnosis and rehabilitation", 《2020 42ND ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC)》 * |
QINGQIANG WU 等,: "Human action recognition based on kinematic similarity in real time", 《PLOSONE12(10):E0185719》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257642A (zh) * | 2020-10-30 | 2021-01-22 | 上海庞勃特科技有限公司 | 人体连续动作相似性评价方法及评价装置 |
CN112257642B (zh) * | 2020-10-30 | 2024-03-15 | 上海创屹科技有限公司 | 人体连续动作相似性评价方法及评价装置 |
CN112907463A (zh) * | 2021-01-28 | 2021-06-04 | 华南理工大学 | 联合图像语义和三维信息的深度图像错误点移除方法 |
CN113077512A (zh) * | 2021-03-24 | 2021-07-06 | 浙江中体文化集团有限公司 | 一种rgb-d位姿识别模型训练方法及系统 |
CN113077512B (zh) * | 2021-03-24 | 2022-06-28 | 浙江中体文化集团有限公司 | 一种rgb-d位姿识别模型训练方法及系统 |
CN113487674A (zh) * | 2021-07-12 | 2021-10-08 | 北京未来天远科技开发有限公司 | 一种人体位姿估计系统和方法 |
CN113487674B (zh) * | 2021-07-12 | 2024-03-08 | 未来元宇数字科技(北京)有限公司 | 一种人体位姿估计系统和方法 |
CN113724176A (zh) * | 2021-08-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
CN113724176B (zh) * | 2021-08-23 | 2024-07-16 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
CN115633956A (zh) * | 2022-11-08 | 2023-01-24 | 华南理工大学 | 一种婴儿身高自动测量方法、系统、装置和存储介质 |
CN115984384A (zh) * | 2023-03-20 | 2023-04-18 | 乐歌人体工学科技股份有限公司 | 一种基于面部姿态图像估计的桌面升降控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215172A (zh) | 融合彩色图像与深度信息的人体卧姿三维姿态估计方法 | |
CN109758355B (zh) | 一种基于人体穴位二维图像处理和三维立体定位方法 | |
Thar et al. | A proposal of yoga pose assessment method using pose detection for self-learning | |
CN107367229B (zh) | 自由双目立体视觉转轴参数标定方法 | |
Zhang | Camera calibration with one-dimensional objects | |
CN102032878B (zh) | 基于双目立体视觉测量系统的精确在线测量方法 | |
CN114529605B (zh) | 一种基于多视图融合的人体三维姿态估计方法 | |
Wu et al. | Human 3D pose estimation in a lying position by RGB-D images for medical diagnosis and rehabilitation | |
CN111507306A (zh) | 一种基于ai人脸距离检测的温度误差补偿方法 | |
US20210216759A1 (en) | Recognition method, computer-readable recording medium recording recognition program, and learning method | |
CN106323286B (zh) | 一种机器人坐标系与三维测量坐标系的变换方法 | |
CN113237434B (zh) | 一种基于阶梯形标定物的激光轮廓传感器eye-in-hand标定方法 | |
Zhang et al. | Human motion capture based on kinect and imus and its application to human-robot collaboration | |
CN115035546B (zh) | 三维人体姿态检测方法、装置及电子设备 | |
CN114581632A (zh) | 基于增强现实技术的零件装配误差检测方法、设备和装置 | |
Do | Application of neural networks for stereo-camera calibration | |
CN111950639B (zh) | 一种同步实时显示超声与断层解剖图像的成像方法 | |
JP2014117409A (ja) | 身体関節位置の計測方法および装置 | |
Neubert et al. | Automatic training of a neural net for active stereo 3D reconstruction | |
Karan | Accuracy improvements of consumer-grade 3D sensors for robotic applications | |
CN114494341A (zh) | 一种融合时空约束的光学动作捕捉标记点实时补全方法 | |
JP3625558B2 (ja) | 動画像による運動計測装置 | |
Sheng et al. | Marker-less Motion Capture Technology Based on Binocular Stereo Vision and Deep Learning | |
Wang et al. | An algorithm of pose estimation based on conic correspondences | |
Pan et al. | A Fast Alignment Algorithm for Posture Measurement of Autistic Children in Swimming using Computer Vision |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210112 |
|
WD01 | Invention patent application deemed withdrawn after publication |