CN117115341B - 一种基于传感器的数字动作捕捉系统 - Google Patents
一种基于传感器的数字动作捕捉系统 Download PDFInfo
- Publication number
- CN117115341B CN117115341B CN202310971385.5A CN202310971385A CN117115341B CN 117115341 B CN117115341 B CN 117115341B CN 202310971385 A CN202310971385 A CN 202310971385A CN 117115341 B CN117115341 B CN 117115341B
- Authority
- CN
- China
- Prior art keywords
- sensing data
- module
- data
- bone
- motion capture
- 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.)
- Active
Links
- 238000012795 verification Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 19
- 210000000988 bone and bone Anatomy 0.000 claims description 168
- 238000005259 measurement Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013524 data verification Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 9
- 230000036544 posture Effects 0.000 description 24
- 210000001503 joint Anatomy 0.000 description 8
- 210000002310 elbow joint Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000001364 upper extremity Anatomy 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003857 wrist joint Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Abstract
本发明提供了一种基于传感器的数字动作捕捉系统,涉及动作捕捉技术领域,该方法包括:人体骨骼模型构建模块,用于构建人体骨骼模型;传感器组配置模块,用于基于人体骨骼模型配置M个惯性传感器组;传感数据采集模块,用于获取M个动作传感数据;第一校验模块,用于获得第一校验结果;第二校验模块,用于获得第二校验结果;数据补偿模块,用于获得M个补偿传感数据;动作捕捉模块,用于获得动作捕捉结果,解决了现有技术中存在由于对传感器的采集数据的可信度分析不足,基础数据的可靠性不足的技术问题,实现对传感器的数据采集结果的校验补偿,达到减小基础数据的误差,进而保证动作捕捉结果的准确性和可靠性的技术效果。
Description
技术领域
本发明涉及动作捕捉技术领域,具体涉及一种基于传感器的数字动作捕捉系统。
背景技术
人体动作捕捉技术是一种通过虚拟三维计算机模型,准确、实时地还原现实中人体运动状态的技术,可以应用于影视制作、体感游戏、体育训练、医疗康复及人体行为分析等领域,具有非常广阔的发展前景。现有的人体动作捕捉方法大多通过在人体不同骨骼上设置单一传感器进行传感数据采集,进而进行三维人体动作的分析展示,但是,传感器在进行数据采集时,可能出现失灵等问题,导致数据采集不准确,进而影响人体动作捕捉准确性。
综上,现有技术中存在由于对传感器的采集数据的可信度分析不足,基础数据的可靠性不足,进而导致人体动作捕捉结果的准确度和可靠性不足的技术问题。
发明内容
本发明提供了一种基于传感器的数字动作捕捉系统,用以解决现有技术中存在由于对传感器的采集数据的可信度分析不足,基础数据的可靠性不足,进而导致人体动作捕捉结果的准确度和可靠性不足的技术问题。
根据本发明的第一方面,提供了一种基于传感器的数字动作捕捉系统,包括:人体骨骼模型构建模块,所述人体骨骼模型构建模块用于构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;传感器组配置模块,所述传感器组配置模块用于基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;传感数据采集模块,所述传感数据采集模块用于对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;第一校验模块,所述第一校验模块用于根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;第二校验模块,所述第二校验模块用于根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;数据补偿模块,所述数据补偿模块用于根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;动作捕捉模块,所述动作捕捉模块用于将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果。
根据本发明的第二方面,提供了一种基于传感器的数字动作捕捉方法,包括:构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.构建人体骨骼模型,人体骨骼模型包括M个骨骼,基于人体骨骼模型配置M个惯性传感器组,对M个惯性传感器组进行测量误差修正,根据测量误差修正后的M个惯性传感器组采集获取M个骨骼的M个动作传感数据,根据M个动作传感数据进行单骨骼数据校验,获得第一校验结果,根据第一校验结果,对M个动作传感数据进行骨骼联合校验,获得第二校验结果,根据第二校验结果进行动作传感数据补偿,获得M个补偿传感数据,将M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果,达到提升动作捕捉准确度和可靠性的技术效果。
2.提取人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取第一骨骼的第一传感数据和第二传感数据,对第一传感数据和第二传感数据进行数据对比分析,获取第一数据采集偏差,根据数据采集偏差获取第一偏差系数,根据第一偏差系数对第一传感数据和第二传感数据进行加权计算,获得第一校验结果,达到提升数据采集结果的可信度,进而提升动作捕捉结果的准确性。
3.基于人体骨骼模型获取M个骨骼的M个位置信息,读取M个骨骼的M个活动自由度,根据M个位置信息和M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数,根据N个骨骼关节支链和第一校验结果,构建N个支链传感数据集,对N个支链传感数据集进行数据联合校验,获得第二校验结果,达到提升数据采集结果的准确度,较小误差,进而提升动作捕捉结果的可靠性的技术效果
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于传感器的数字动作捕捉方法的流程示意图;
图2为本发明实施例中获得第一校验结果的流程示意图;
图3为本发明实施例中获得第二校验结果的流程示意图;
图4为本发明实施例提供的一种基于传感器的数字动作捕捉系统的结构示意图。
附图标记说明:人体骨骼模型构建模块11,传感器组配置模块12,传感数据采集模块13,第一校验模块14,第二校验模块15,数据补偿模块16,动作捕捉模块17。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1为本发明实施例提供的一种基于传感器的数字动作捕捉方法图,如图1所示,所述数字动作捕捉方法包括:
步骤S100:构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;
其中,本发明实施例步骤S100还包括:
步骤S110:获取人体骨骼连接结构;
步骤S120:根据所述人体骨骼连接结构组建人体关节集;
步骤S130:根据预定动作捕捉精度,在所述人体关节集中进行目标关节筛选,获取目标关节集;
步骤S140:以所述目标关节集中的关节为骨骼连接点,根据所述人体骨骼连接结构获取骨骼群集;
步骤S150:根据所述目标关节集和所述骨骼群集,构建所述人体骨骼模型。
具体而言,所述人体骨骼模型是指由多个骨骼按照在人体上的位置连接而成的人体结构模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数,需要说明的是,每个骨骼并不是指代一块骨头,其是指多块连接在一起的运动状态相同的骨头,比如小臂上的所有骨头作为一个骨骼、肘关节作为一个骨骼、小腿上的所有骨头作为一个骨骼。
构建人体骨骼模型的具体过程如下:获取人体骨骼连接结构,人体骨骼连接结构是指人体的所有骨头的连接方式和连接位置,可基于互联网大数据直接获取,或者由本领域技术人员进行上传。根据所述人体骨骼连接结构,从人体的多块骨头中提取出关节骨头,组成人体关节集。预定动作捕捉精度是指预期的动作捕捉效果要求,需要根据实际情况自行确定,比如,预动作捕捉只要求捕捉上肢,上肢即为预定动作捕捉精度,进而根据预定动作捕捉精度在所述人体关节集中进行筛选出属于上肢的关节,比如肘关节、腕关节等组成目标关节集。以所述目标关节集中的关节为骨骼连接点,根据所述人体骨骼连接结构获取骨骼群集,简单来说,就是以与目标关节集中的关节连接的多块运动状态相同的骨骼作为一个骨骼群,比如与肘关节连接的小臂、大臂等,小臂或者大臂等骨骼群上面不止一块骨头,为了提高动作捕捉效率,将其看做一个整体,从而组成骨骼群集,根据所述目标关节集和所述骨骼群集,按照目标关节和骨骼群在人体的分布位置,构建一个树状层次结构,得到所述人体骨骼模型,举例如,头部作为树状层次结构的最高层,脚踝作为树状层次结构的最底层,中间分布连接四肢、腰部等骨骼。由此达到为后续的动作捕捉提供基础的技术效果。
步骤S200:基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;
具体而言,基于所述人体骨骼模型配置M个惯性传感器组,也就是说,一个骨骼配置一个惯性传感器组,所述惯性传感器组包括第一传感器和第二传感器,第一传感器和第二传感器是两种型号不同的惯性传感器,第一传感器和第二传感器是指可同时进行三维磁场计、三维陀螺仪、三维加速度9个数据的测量的传感器,比如MTi-680G型九轴传感器、LPMS-CURS3型9轴姿态传感器等,具体可根据实际情况自行选取,在此不做限制。
步骤S300:对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;
其中,本发明实施例步骤S300还包括:
步骤S310:提取所述M个惯性传感器组的第一惯性传感器组;
步骤S320:基于第一预定人体姿态进行人体姿态四元参数分析,获得第一预定四元数;
步骤S330:按照所述第一预定人体姿态,通过所述第一惯性传感器组进行传感数据采集,获得第一测试传感数据;
步骤S340:对所述第一测试传感数据进行姿态四元数转换,获取第一测试四元数;
步骤S350:计算所述第一预定四元数和所述第一预定四元数的第一偏差;
步骤S360:根据所述第一偏差对所述第一惯性传感器组进行测量误差修正。
具体而言,对所述M个惯性传感器组进行测量误差修正,简单来说,在惯性传感器中,三维加速度计是用来确定惯性传感器相对水平面上的方向,通过测量惯性传感器坐标下的重力向量来实现;三维磁力计用来确定惯性传感器垂直轴上的旋转信息,通过测量惯性传感器坐标下的磁场强度向量来实现;三维陀螺仪测量惯性传感器的角速度,角速度通过积分计算可以得到角度。但是加速度计会受到重力的干扰,磁力计会受到周围环境磁场的干扰,角速度在积分的过程中会产生漂移,因此,其采集输出的数据会存在误差,需要对每一个M个惯性传感器组中的每一个传感器进行测量误差的修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据,可以有效提高数据采集的准确性。
具体地,提取所述M个惯性传感器组的第一惯性传感器组,第一惯性传感器组包括第一传感器和第二传感器。第一预定人体姿态是由本领域技术人员自行规定的姿态,比如双臂向侧面伸展,人体保持T字形静止,基于第一预定人体姿态进行人体姿态四元参数分析,获得第一预定四元数,四元数是用于表示人体姿态的其中一种方法,四元数是一个超复数,可以表示四维空间上的一个点,通常使用一个实数和三个虚数来表示,四元数的转换是本领域技术人员常用手段,在此不进行展开,具体来说,可基于现有技术获取第一预定人体姿态下的四元姿态参数作为第一预定四元数。试验人员呈第一预定人体姿态的状态下,通过试验人员身上绑定的第一惯性传感器组的第一传感器和第二传感器中的任一传感器进行传感数据采集,采集结果即为第一测试传感数据。基于现有技术对所述第一测试传感数据进行人体姿态四元数转换,获取第一测试四元数,计算所述第一预定四元数和所述第一预定四元数之间的差值作为第一偏差,根据所述第一偏差,通过比例积分控制器对第一惯性传感器组的采集数据输出控制端进行调整,实现测量误差修正,达到减小偏差,后续通过惯性传感器组进行数据采集时,提升数据采集的准确性的技术效果。
步骤S400:根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;
其中,如图2所示,本发明实施例步骤S400还包括:
步骤S410:提取所述人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取所述第一骨骼的第一传感数据和第二传感数据;
步骤S420:对所述第一传感数据和所述第二传感数据进行数据对比分析,获取第一数据采集偏差;
步骤S430:根据所述数据采集偏差获取第一偏差系数;
步骤S440:根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果。
其中,本发明实施例步骤S440还包括:
步骤S441:判断所述第一偏差系数是否处于预定偏差系数范围内,若是,对所述第一传感数据和第二传感数据进行可信标记,并加权计算,获得第一加权结果作为所述第一校验结果;
步骤S442:若否,对所述第一传感数据和所述第二传感数据进行不可信标记,生成所述第一校验结果。
具体而言,根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果,简单来说,每一个骨骼上安装了两个型号不同的传感器,对每一个骨骼对应的两个传感器的采集数据进行校验,确定数据采集结果的准确性。
具体地,提取所述人体骨骼模型的第一骨骼,第一骨骼是指所述人体骨骼模型中的M个骨骼中的任意一个骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取所述第一骨骼的第一传感数据和第二传感数据,也就是说,第一传感器和第二传感器采集到的数据类型是相同的,但是只用一个传感器进行数据采集,会难以判断采集结果是否准确,需要比较分析两个传感器的采集结果,确定数据采集的准确性,基于此,对所述第一传感数据和所述第二传感数据进行数据对比分析,获取第一数据采集偏差,第一数据采集偏差即为所述第一传感数据和所述第二传感数据之间的差值,根据所述数据采集偏差获取第一偏差系数,具体地,首先可预设不同的偏差,然后对不同的偏差进行偏差系数的设置,比如偏差范围在0-1内,对应的偏差系数为1%,以此类推,进而根据第一数据采集偏差匹配获取对应的偏差系数作为第一偏差系数。根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果,达到提升数据采集结果的可信度,进而提升动作捕捉结果的准确性。
其中,根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果的过程如下:预定偏差系数范围由本领域技术人员根据实际情况自行设定,可根据应用场景确定对动作捕捉结果的精度要求确定允许存在的偏差范围,作为预定偏差系数范围。进一步判断所述第一偏差系数是否处于预定偏差系数范围内,若是,说明第一传感数据和第二传感数据之间的差异较小,即数据采集结果存在的误差较小,数据可信度较高,因此,对所述第一传感数据和第二传感数据进行可信标记,比如,将其标记为绿色,然后进行加权计算,具体来说,可将第一传感数据和第二传感数据的权重系数均设为0.5,也就是求两者的平均值作为第一加权结果,即所述第一校验结果。
如果所述第一偏差系数不处于预定偏差系数范围内,说明第一传感数据和第二传感数据之间的差异较大,难以确定两者的准确性,也就是说,第一传感数据和第二传感数据均不可信,对所述第一传感数据和所述第二传感数据进行不可信标记,比如将其标记为红色,将标记结果添加至所述第一校验结果。基于此,根据第一校验结果即可确定惯性传感器组的传感数据的可信度,为后续的动作捕捉提供支持。
步骤S500:根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;
其中,如图3所示,本发明实施例步骤S500还包括:
步骤S510:基于所述人体骨骼模型获取所述M个骨骼的M个位置信息;
步骤S520:读取所述M个骨骼的M个活动自由度;
步骤S530:根据所述M个位置信息和所述M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数;
步骤S540:根据所述N个骨骼关节支链和所述第一校验结果,构建N个支链传感数据集;
步骤S550:对所述N个支链传感数据集进行数据联合校验,获得所述第二校验结果。
其中,本发明实施例步骤S550还包括:
步骤S551:根据所述N个骨骼关节支链构建N个支链运动传感关系;
步骤S552:根据所述第一校验结果,获取第一骨骼关节支链的骨骼可信标记数量和支链骨骼总数;
步骤S553:根据所述可信标记数量、支链骨骼总数和可信标记骨骼位置计算第一可信度系数;
步骤S554:如果所述第一可信度系数大于等于预定可信度阈值,根据具有可信标记的骨骼的第一校验结果和第一支链运动传感关系,进行数据联合校验,获得所述第二校验结果。
具体而言,根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果,具体过程如下:基于所述人体骨骼模型获取所述M个骨骼的M个位置信息,M个位置信息是指各个骨骼在人体的分布位置,包括前后连接的其他骨骼。读取所述M个骨骼的M个活动自由度,活动自由度是指骨骼可以转动的角度范围,比如,左肩为30~180度、左上臂为20~145度,具体可基于大数据进行数据挖掘获取,数据挖掘是本领域技术人员常用技术手段,在此不进行展开。根据所述M个位置信息和所述M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数,骨骼关节支链是指由根骨骼至父骨骼,再至子骨骼的骨骼连接链,根骨骼是指活动自由度最小,且位于人体中心的骨骼,父骨骼即为与根骨骼相连的骨骼,子骨骼即为与父骨骼相连的骨骼,父骨骼和子骨骼可实时变化,在一个骨骼关节支链中,一个骨骼可以是前一个骨骼的子骨骼,也是后一个骨骼的父骨骼,在骨骼关节支链中,父骨骼的运动驱动整条骨骼关节支链中所有骨骼的运动。因此,当已知父骨骼的运动、子骨骼和父骨骼之间的相对旋转角度和偏移量时,可据此计算出子骨骼的位置,由于使用的是树状结构的人体骨骼模型,可以根据根骨骼的位置和拓扑结构将人体整体划分为N个骨骼关节支链,示例性地,由于人体运动过程中,盆骨位于人体中心位置,既承担重心的作用,自身变化移动又相对最小,因此,可选择盆骨作为根骨骼,建立N个骨骼关节支链,从而减少关节链的数目和各个关节链的层次数目,进而减少计算量。示例性地,根据人体骨骼和关节的层次隶属关系,可构建5个骨骼关节支链:躯干支链、左上肢支链、右上肢支链、左下肢支链和右下肢支链。进一步根据所述N个骨骼关节支链和所述第一校验结果,构建N个支链传感数据集,每个支链传感数据集均包括每个骨骼关节支链中的所有骨骼的第一校验结果,在第一校验结果均具有可信标记的情况下,每个支链传感数据集只包含每个骨骼关节支链中的每一个骨骼的一个传感数据,即所述第一加权结果;在第一校验结果具有不可信标记的情况下,每个支链传感数据集包括具有不可信标记的骨骼具有的第一传感器和第二传感器分别采集到的传感数据,进而对所述N个支链传感数据集进行数据联合校验,获得所述第二校验结果,达到提升数据可靠度,进而提升动作捕捉结果的准确性的技术效果。
具体地,对所述N个支链传感数据集进行数据联合校验,获得所述第二校验结果的过程如下:根据所述N个骨骼关节支链构建N个支链运动传感关系,所述支链运动传感关系是指任意一个骨骼关节支链上的所有骨骼之间的旋转角度和偏移量之间的关系,比如左肩偏转角度与肘关节、小臂的偏转角度和偏移量的关系,据此推算出所有骨骼的传感数据之间的对应关系。具体地,可基于现有技术获取所述支链运动传感关系,示例性的,可让测试者进行各种动作姿态测试,通过现有技术测试各个骨骼在不同动作姿态下的旋转角度和偏移量,进而基于数据挖掘技术,获取不同旋转角度和偏移量下各个骨骼对应的九轴传感数据,以不同动作姿态和九轴传感数据的对应关系,作为所述支链运动传感关系。
进一步根据所述第一校验结果,获取第一骨骼关节支链的骨骼可信标记数量和支链骨骼总数,第一骨骼关节支链是指所述N个骨骼关节支链中的任意一个骨骼关节支链。根据所述可信标记数量、支链骨骼总数和可信标记骨骼位置计算第一可信度系数,具体来说,可计算所述可信标记数量与支链骨骼总数的比值,然后根据可信标记骨骼位置分析具有可信标记的骨骼的分布均匀度,对计算获得的比值和分布均匀度进行归一化处理后求平均值,以平均值作为所述第一可信度系数。
预定可信度阈值由本领域技术人员根据实际情况自行设定,如果所述第一可信度系数小于预定可信度阈值,说明不可行的数据过多,此时进行联合校验,会导致校验结果不准确,因此,不必要进行联合校验,可重新进行数据采集,重复以上的分析步骤。如果所述第一可信度系数大于等于预定可信度阈值,根据具有可信标记的骨骼的第一校验结果和第一支链运动传感关系,进行数据联合校验,简单来说,就是只提取具有可信标记的骨骼的第一校验结果,结合第一校验结果和第一支链运动传感关系,推算出具有不可信标记的骨骼的预测传感数据,以此作为所述第二校验结果。实现对不可信数据的预测,达到提升数据采集结果的可信度,进而提升动作捕捉结果的可靠性的技术效果。
步骤S600:根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;
具体而言,根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据,简单来说,就是用不可信标记的骨骼的预测传感数据与具有不可信标记的骨骼的第一传感数据和第二传感数据进行比对分析,获取预测传感数据分别与第一传感数据、第二传感数据的第一差值、第二差值,如果第一差值或者第二差值在预定差值范围内,采用其作为具有不可信标记的骨骼的补偿传感数据,具有可信标记的骨骼则直接用其第一校验结果作为补偿传感数据,由此得到M个骨骼的M个补偿传感数据。
步骤S700:将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果。
具体而言,三维动画展示模型是基于现有技术中的三维合成软件构建的,比如基于Unity3D的三维动画展示模型,通过创建三维场景和三维人体模型,使用三维人体模型实时展示捕捉的M个补偿传感数据,具体可首先对M个补偿传感数据进行人体姿态四元数转换,获得M个人体姿态四元数,将M个人体姿态四元数转换为人体姿态,以转换后的人体姿态作为所述动作捕捉结果。需要说明的是,三维动画展示和人体姿态四元数转换是本领域技术人员的常用技术手段,在此不进行展开。
基于上述分析可知,本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.构建人体骨骼模型,人体骨骼模型包括M个骨骼,基于人体骨骼模型配置M个惯性传感器组,对M个惯性传感器组进行测量误差修正,根据测量误差修正后的M个惯性传感器组采集获取M个骨骼的M个动作传感数据,根据M个动作传感数据进行单骨骼数据校验,获得第一校验结果,根据第一校验结果,对M个动作传感数据进行骨骼联合校验,获得第二校验结果,根据第二校验结果进行动作传感数据补偿,获得M个补偿传感数据,将M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果,达到提升动作捕捉准确度和可靠性的技术效果。
2.提取人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取第一骨骼的第一传感数据和第二传感数据,对第一传感数据和第二传感数据进行数据对比分析,获取第一数据采集偏差,根据数据采集偏差获取第一偏差系数,根据第一偏差系数对第一传感数据和第二传感数据进行加权计算,获得第一校验结果,达到提升数据采集结果的可信度,进而提升动作捕捉结果的准确性。
3.基于人体骨骼模型获取M个骨骼的M个位置信息,读取M个骨骼的M个活动自由度,根据M个位置信息和M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数,根据N个骨骼关节支链和第一校验结果,构建N个支链传感数据集,对N个支链传感数据集进行数据联合校验,获得第二校验结果,达到提升数据采集结果的准确度,较小误差,进而提升动作捕捉结果的可靠性的技术效果
实施例二
基于与前述实施例中一种基于传感器的数字动作捕捉方法同样的发明构思,如图4所示,本发明还提供了一种基于传感器的数字动作捕捉系统,所述数字动作捕捉系统包括:
人体骨骼模型构建模块11,所述人体骨骼模型构建模块11用于构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;
传感器组配置模块12,所述传感器组配置模块12用于基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;
传感数据采集模块13,所述传感数据采集模块13用于对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;
第一校验模块14,所述第一校验模块14用于根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;
第二校验模块15,所述第二校验模块15用于根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;
数据补偿模块16,所述数据补偿模块16用于根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;
动作捕捉模块17,所述动作捕捉模块17用于将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果。
进一步而言,所述数字动作捕捉系统还包括:
骨骼结构获取模块,所述骨骼结构获取模块用于获取人体骨骼连接结构;
根据所述人体骨骼连接结构组建人体关节集;
目标关节筛选模块,所述目标关节筛选模块用于根据预定动作捕捉精度,在所述人体关节集中进行目标关节筛选,获取目标关节集;
骨骼群集获取模块,所述骨骼群集获取模块用于以所述目标关节集中的关节为骨骼连接点,根据所述人体骨骼连接结构获取骨骼群集;
数据组合模块,所述数据组合模块用于根据所述目标关节集和所述骨骼群集,构建所述人体骨骼模型。
进一步而言,所述数字动作捕捉系统还包括:
传感器组提取模块,所述传感器组提取模块用于提取所述M个惯性传感器组的第一惯性传感器组;
第一预定四元数获取模块,所述第一预定四元数获取模块用于基于第一预定人体姿态进行人体姿态四元参数分析,获得第一预定四元数;
第一测试传感数据获取模块,所述第一测试传感数据获取模块用于按照所述第一预定人体姿态,通过所述第一惯性传感器组进行传感数据采集,获得第一测试传感数据;
四元数转换模块,所述四元数转换模块用于对所述第一测试传感数据进行姿态四元数转换,获取第一测试四元数;
第一偏差获取模块,所述第一偏差获取模块用于计算所述第一预定四元数和所述第一预定四元数的第一偏差;
偏差修正模块,所述偏差修正模块用于根据所述第一偏差对所述第一惯性传感器组进行测量误差修正。
进一步而言,所述数字动作捕捉系统还包括:
传感数据获取模块,所述传感数据获取模块用于提取所述人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取所述第一骨骼的第一传感数据和第二传感数据;
数据对比分析模块,所述数据对比分析模块用于对所述第一传感数据和所述第二传感数据进行数据对比分析,获取第一数据采集偏差;
第一偏差系数获取模块,所述第一偏差系数获取模块用于根据所述数据采集偏差获取第一偏差系数;
加权计算模块,所述加权计算模块用于根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果。
进一步而言,所述数字动作捕捉系统还包括:
第一数据标记模块,所述第一数据标记模块用于判断所述第一偏差系数是否处于预定偏差系数范围内,若是,对所述第一传感数据和第二传感数据进行可信标记,并加权计算,获得第一加权结果作为所述第一校验结果;
第二数据标记模块,所述第二数据标记模块用于若否,对所述第一传感数据和所述第二传感数据进行不可信标记,生成所述第一校验结果。
进一步而言,所述数字动作捕捉系统还包括:
骨骼位置信息获取模块,所述位置信息获取模块用于基于所述人体骨骼模型获取所述M个骨骼的M个位置信息;
活动自由度读取模块,所述活动自由度读取模块用于读取所述M个骨骼的M个活动自由度;
骨骼关节支链构建模块,所述骨骼关节支链构建模块用于根据所述M个位置信息和所述M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数;
支链传感数据集构建模块,所述支链传感数据集构建模块用于根据所述N个骨骼关节支链和所述第一校验结果,构建N个支链传感数据集;
数据联合校验模块,所述数据联合校验模块用于对所述N个支链传感数据集进行数据联合校验,获得所述第二校验结果。
进一步而言,所述数字动作捕捉系统还包括:
支链运动传感关系构建模块,所述支链运动传感关系构建模块用于根据所述N个骨骼关节支链构建N个支链运动传感关系;
骨骼数量分析模块,所述骨骼数量分析模块用于根据所述第一校验结果,获取第一骨骼关节支链的骨骼可信标记数量和支链骨骼总数;
第一可信度系数计算模块,所述第一可信度系数计算模块用于根据所述可信标记数量、支链骨骼总数和可信标记骨骼位置计算第一可信度系数;
第二校验结果获取模块,所述第二校验结果获取模块用于如果所述第一可信度系数大于等于预定可信度阈值,根据具有可信标记的骨骼的第一校验结果和第一支链运动传感关系,进行数据联合校验,获得所述第二校验结果。
前述实施例一中的一种基于传感器的数字动作捕捉方法具体实例同样适用于本实施例的一种基于传感器的数字动作捕捉系统,通过前述对一种基于传感器的数字动作捕捉方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种基于传感器的数字动作捕捉系统,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行,也可以顺序地执行,也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (7)
1.一种基于传感器的数字动作捕捉系统,其特征在于,所述数字动作捕捉系统包括:
人体骨骼模型构建模块,所述人体骨骼模型构建模块用于构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;
传感器组配置模块,所述传感器组配置模块用于基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;
传感数据采集模块,所述传感数据采集模块用于对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;
第一校验模块,所述第一校验模块用于根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;
第二校验模块,所述第二校验模块用于根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;
数据补偿模块,所述数据补偿模块用于根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;
动作捕捉模块,所述动作捕捉模块用于将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果;
其中,所述数字动作捕捉系统还包括:
传感数据获取模块,所述传感数据获取模块用于提取所述人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取所述第一骨骼的第一传感数据和第二传感数据;
数据对比分析模块,所述数据对比分析模块用于对所述第一传感数据和所述第二传感数据进行数据对比分析,获取第一数据采集偏差;
第一偏差系数获取模块,所述第一偏差系数获取模块用于根据所述第一数据采集偏差获取第一偏差系数;
加权计算模块,所述加权计算模块用于根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果。
2.如权利要求1所述数字动作捕捉系统,其特征在于,所述数字动作捕捉系统还包括:
骨骼结构获取模块,所述骨骼结构获取模块用于获取人体骨骼连接结构;
根据所述人体骨骼连接结构组建人体关节集;
目标关节筛选模块,所述目标关节筛选模块用于根据预定动作捕捉精度,在所述人体关节集中进行目标关节筛选,获取目标关节集;
骨骼群集获取模块,所述骨骼群集获取模块用于以所述目标关节集中的关节为骨骼连接点,根据所述人体骨骼连接结构获取骨骼群集;
数据组合模块,所述数据组合模块用于根据所述目标关节集和所述骨骼群集,构建所述人体骨骼模型。
3.如权利要求2所述数字动作捕捉系统,其特征在于,所述数字动作捕捉系统还包括:
传感器组提取模块,所述传感器组提取模块用于提取所述M个惯性传感器组的第一惯性传感器组;
第一预定四元数获取模块,所述第一预定四元数获取模块用于基于第一预定人体姿态进行人体姿态四元参数分析,获得第一预定四元数;
第一测试传感数据获取模块,所述第一测试传感数据获取模块用于按照所述第一预定人体姿态,通过所述第一惯性传感器组进行传感数据采集,获得第一测试传感数据;
四元数转换模块,所述四元数转换模块用于对所述第一测试传感数据进行姿态四元数转换,获取第一测试四元数;
第一偏差获取模块,所述第一偏差获取模块用于计算所述第一预定四元数和所述第一测试四元数的第一偏差;
偏差修正模块,所述偏差修正模块用于根据所述第一偏差对所述第一惯性传感器组进行测量误差修正。
4.如权利要求1所述数字动作捕捉系统,其特征在于,所述数字动作捕捉系统还包括:
第一数据标记模块,所述第一数据标记模块用于判断所述第一偏差系数是否处于预定偏差系数范围内,若是,对所述第一传感数据和第二传感数据进行可信标记,并加权计算,获得第一加权结果作为所述第一校验结果;
第二数据标记模块,所述第二数据标记模块用于判断所述第一偏差系数是否处于预定偏差系数范围内,若否,对所述第一传感数据和所述第二传感数据进行不可信标记,生成所述第一校验结果。
5.如权利要求4所述数字动作捕捉系统,其特征在于,所述数字动作捕捉系统还包括:
骨骼位置信息获取模块,所述骨骼位置信息获取模块用于基于所述人体骨骼模型获取所述M个骨骼的M个位置信息;
活动自由度读取模块,所述活动自由度读取模块用于读取所述M个骨骼的M个活动自由度;
骨骼关节支链构建模块,所述骨骼关节支链构建模块用于根据所述M个位置信息和所述M个活动自由度构建N个骨骼关节支链,其中,N为小于M的正整数;
支链传感数据集构建模块,所述支链传感数据集构建模块用于根据所述N个骨骼关节支链和所述第一校验结果,构建N个支链传感数据集;
数据联合校验模块,所述数据联合校验模块用于对所述N个支链传感数据集进行数据联合校验,获得所述第二校验结果。
6.如权利要求5所述数字动作捕捉系统,其特征在于,所述数字动作捕捉系统还包括:
支链运动传感关系构建模块,所述支链运动传感关系构建模块用于根据所述N个骨骼关节支链构建N个支链运动传感关系;
骨骼数量分析模块,所述骨骼数量分析模块用于根据所述第一校验结果,获取第一骨骼关节支链的骨骼可信标记数量和支链骨骼总数,所述第一骨骼关节支链是指所述N个骨骼关节支链中的任意一个骨骼关节支链;
第一可信度系数计算模块,所述第一可信度系数计算模块用于根据所述可信标记数量、支链骨骼总数和可信标记骨骼位置计算第一可信度系数;
第二校验结果获取模块,所述第二校验结果获取模块用于如果所述第一可信度系数大于等于预定可信度阈值,根据具有可信标记的骨骼的第一校验结果和第一支链运动传感关系,进行数据联合校验,获得所述第二校验结果,所述第一支链运动传感关系是指任意一个骨骼关节支链上的所有骨骼之间的旋转角度和偏移量之间的关系。
7.一种基于传感器的数字动作捕捉方法,其特征在于,所述数字动作捕捉方法应用于一种基于传感器的数字动作捕捉系统,所述数字动作捕捉方法包括:
构建人体骨骼模型,所述人体骨骼模型包括M个骨骼,且M为大于0的整数;
基于所述人体骨骼模型配置M个惯性传感器组,其中,所述惯性传感器组包括第一传感器和第二传感器;
对所述M个惯性传感器组进行测量误差修正,根据测量误差修正后的所述M个惯性传感器组采集获取所述M个骨骼的M个动作传感数据;
根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果;
根据所述第一校验结果,对所述M个动作传感数据进行骨骼联合校验,获得第二校验结果;
根据所述第二校验结果进行动作传感数据补偿,获得M个补偿传感数据;
将所述M个补偿传感数据输入三维动画展示模型,获得动作捕捉结果;
根据所述M个动作传感数据进行单骨骼数据校验,获得第一校验结果包括:
提取所述人体骨骼模型的第一骨骼,并根据惯性传感器组中的第一传感器和第二传感器获取所述第一骨骼的第一传感数据和第二传感数据;
对所述第一传感数据和所述第二传感数据进行数据对比分析,获取第一数据采集偏差;
根据所述第一数据采集偏差获取第一偏差系数;
根据所述第一偏差系数对所述第一传感数据和第二传感数据进行加权计算,获得所述第一校验结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971385.5A CN117115341B (zh) | 2023-08-03 | 2023-08-03 | 一种基于传感器的数字动作捕捉系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971385.5A CN117115341B (zh) | 2023-08-03 | 2023-08-03 | 一种基于传感器的数字动作捕捉系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115341A CN117115341A (zh) | 2023-11-24 |
CN117115341B true CN117115341B (zh) | 2024-02-13 |
Family
ID=88811917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971385.5A Active CN117115341B (zh) | 2023-08-03 | 2023-08-03 | 一种基于传感器的数字动作捕捉系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115341B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267815A (zh) * | 2014-09-25 | 2015-01-07 | 黑龙江节点动画有限公司 | 基于惯性传感技术的动作捕捉系统及方法 |
CN106648088A (zh) * | 2016-12-14 | 2017-05-10 | 影动(北京)科技有限公司 | 惯性运动捕捉姿态瞬时校准方法及其系统 |
KR101768958B1 (ko) * | 2016-10-31 | 2017-08-17 | (주)코어센스 | 고품질 콘텐츠 제작을 위한 하이브리드 모션캡쳐 시스템 |
CN109211267A (zh) * | 2018-08-14 | 2019-01-15 | 广州虚拟动力网络技术有限公司 | 一种惯性动作捕捉姿态快速校准方法及系统 |
CN109238302A (zh) * | 2018-09-26 | 2019-01-18 | 天津理工大学 | 一种基于惯性感测的人体三维动作捕捉系统 |
CN113220119A (zh) * | 2021-04-22 | 2021-08-06 | 南京多禾互娱科技股份有限公司 | 一种惯性传感器运动捕捉装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9060714B2 (en) * | 2008-12-04 | 2015-06-23 | The Regents Of The University Of California | System for detection of body motion |
KR20160096473A (ko) * | 2015-02-05 | 2016-08-16 | 한국전자통신연구원 | 동작 평가 시스템 및 방법 |
EP3184033A1 (en) * | 2015-12-22 | 2017-06-28 | IMEC vzw | System and method for acquisition of biosignals with motion sensor based artifact compensation |
-
2023
- 2023-08-03 CN CN202310971385.5A patent/CN117115341B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267815A (zh) * | 2014-09-25 | 2015-01-07 | 黑龙江节点动画有限公司 | 基于惯性传感技术的动作捕捉系统及方法 |
KR101768958B1 (ko) * | 2016-10-31 | 2017-08-17 | (주)코어센스 | 고품질 콘텐츠 제작을 위한 하이브리드 모션캡쳐 시스템 |
CN106648088A (zh) * | 2016-12-14 | 2017-05-10 | 影动(北京)科技有限公司 | 惯性运动捕捉姿态瞬时校准方法及其系统 |
CN109211267A (zh) * | 2018-08-14 | 2019-01-15 | 广州虚拟动力网络技术有限公司 | 一种惯性动作捕捉姿态快速校准方法及系统 |
CN109238302A (zh) * | 2018-09-26 | 2019-01-18 | 天津理工大学 | 一种基于惯性感测的人体三维动作捕捉系统 |
CN113220119A (zh) * | 2021-04-22 | 2021-08-06 | 南京多禾互娱科技股份有限公司 | 一种惯性传感器运动捕捉装置 |
Non-Patent Citations (3)
Title |
---|
Real-Time Human Motion Capture Based on Wearable Inertial Sensor Networks;Jie Li et al;IEEE INTERNET OF THINGS JOURNAL,;第9卷(第11期);8953-8966 * |
基于惯性测量系统的人体运动捕捉技术;纪俐;姬晓飞;;计算机工程与设计(第04期);266-269 * |
基于无线惯性传感器的人体动作捕获方法;李启雷等;浙江大学学报(工学版);第46卷(第2期);280-285 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115341A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Sensor network oriented human motion capture via wearable intelligent system | |
CN108939512B (zh) | 一种基于穿戴式传感器的游泳姿态测量方法 | |
US20150149104A1 (en) | Motion Tracking Solutions Using a Self Correcting Three Sensor Architecture | |
Tian et al. | Accurate human navigation using wearable monocular visual and inertial sensors | |
CN110095116A (zh) | 一种基于lift的视觉定位和惯性导航组合的定位方法 | |
WO2023221524A1 (zh) | 一种人体运动智能测量与数字训练系统 | |
KR101751760B1 (ko) | 하지 관절 각도를 이용한 보행 인자 추정 방법 | |
CN203149575U (zh) | 一种基于微型传感器的交互式上肢康复设备 | |
CN103136912A (zh) | 运动姿态捕捉系统 | |
JP2010534316A (ja) | 対象物の動きを捕捉するシステム及び方法 | |
CN111091587B (zh) | 一种基于视觉标志物的低成本动作捕捉方法 | |
CN201431466Y (zh) | 人体运动捕获三维再现系统 | |
CN102567638A (zh) | 一种基于微型传感器的交互式上肢康复系统 | |
US20140150521A1 (en) | System and Method for Calibrating Inertial Measurement Units | |
CN103994765B (zh) | 一种惯性传感器的定位方法 | |
Chen et al. | Real-time human motion capture driven by a wireless sensor network | |
Sun et al. | Adaptive sensor data fusion in motion capture | |
US20140032124A1 (en) | Apparatus and method for classifying orientation of a body of a mammal | |
CN110609621B (zh) | 姿态标定方法及基于微传感器的人体运动捕获系统 | |
CN114676956A (zh) | 基于多维数据融合的老人跌倒风险预警系统 | |
CN109284006B (zh) | 一种人体运动捕获装置和方法 | |
CN116027905A (zh) | 基于惯性传感器的双人皮划艇上肢动作捕捉方法 | |
CN109000633A (zh) | 基于异构数据融合的人体姿态动作捕捉算法设计 | |
CN110672095A (zh) | 一种基于微惯导的行人室内自主定位算法 | |
KR20120059824A (ko) | 복합 센서를 이용한 실시간 모션 정보 획득 방법 및 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |