TW201316278A - 被遮蔽骨架之重建方法 - Google Patents
被遮蔽骨架之重建方法 Download PDFInfo
- Publication number
- TW201316278A TW201316278A TW100135965A TW100135965A TW201316278A TW 201316278 A TW201316278 A TW 201316278A TW 100135965 A TW100135965 A TW 100135965A TW 100135965 A TW100135965 A TW 100135965A TW 201316278 A TW201316278 A TW 201316278A
- Authority
- TW
- Taiwan
- Prior art keywords
- skeleton
- information
- skeleton information
- reconstructing
- human body
- Prior art date
Links
Landscapes
- Processing Or Creating Images (AREA)
Abstract
一種被遮蔽骨架之重建方法,包括下列步驟。分析多張連續影像以取得一即時骨架資訊。判斷即時骨架資訊是否完整。當即時骨架資訊為未完整,判斷一下半身骨架資訊是否完整。當下半身骨架資訊為未完整,依據一人體運動狀態估測一下半身平衡姿態。依據下半身平衡姿態與一未遮蔽骨架資訊,使用一機器學習模型以產生一重建骨架資訊。
Description
本發明是有關於一種被遮蔽骨架之重建方法。
人體動作偵測是目前相當熱門的研究課題。傳統係藉由多個光學攝影機間的相對關係,對人體進行三角定位。但由於光的直線前進特性,常會因為人體不在光學攝影機的可視範圍或是障礙物體的出現,導致光學攝影機無法取得被遮體的人體的狀態。上述的問題雖然可靠增加光學攝影機數量提升可見視角以減少人體被遮蔽的機率,但設備成本過高且架設困難,難以推廣。
近年來提出使用單一光學攝影機對人體進行定位的解決方案,大幅降低設備成本與架設困難度。然而導因於單一光學攝影機只具有單一視角,人體被遮蔽的問題反而更為嚴重。以姿勢資料庫為基礎,切割人體肢幹影像為更小單位以針對遮蔽部分進行補償的解決方案被提出。然而由於需要參考姿勢資料庫,使得可進行補償的動作受到限制。另外,以數學模型為基礎,定義人體各區塊在形態與運動學上關係,以每一區塊演繹得到下一區塊存在的事後機率的解決方案亦被提出。然而,人體各區塊模型的訓練以及事後機率的計算都會浪費大量的資源。
本揭露是有關於一種被遮蔽骨架之重建方法,利用一質心運動軌跡估算得到人體的平衡姿勢,再結合機器學習模型的歷史資訊,故得以補足人體全身動作之細節。
根據本揭露之第一方面,提出一種被遮蔽骨架之重建方法,包括下列步驟。分析多張連續影像以取得一即時骨架資訊。判斷即時骨架資訊是否完整。當即時骨架資訊為未完整,判斷一下半身骨架資訊是否完整。當下半身骨架資訊為未完整,依據一人體運動狀態估測一下半身平衡姿態。依據下半身平衡姿態與一未遮蔽骨架資訊,使用一機器學習模型以產生一重建骨架資訊。
為了對本揭露之上述及其他方面有更佳的瞭解,下文特舉一實施例,並配合所附圖式,作詳細說明如下:
本揭露所提出之被遮蔽骨架之重建方法,利用一質心運動軌跡估算得到人體的下半身平衡姿態,再結合機器學習模型的歷史資訊,故得以補足人體全身動作之細節,達到重建被遮蔽骨架的目的。
請參照第1A圖~第1C圖,其繪示依照一實施例之被遮蔽骨架之重建方法之流程圖。於步驟S100中,分析多張連續影像以取得一即時骨架資訊,此即時骨架資訊包含未遮蔽骨架資訊或是被遮蔽骨架資訊。於步驟S110中,判斷此即時骨架資訊是否完整。在本實施例中,可依據人體自然骨架定義,分析即時骨架資訊是否包含完整的關節數目以判斷是否完整。分析的方式可分為兩種,其一,由外部骨架辨識模組提供每一塊骨頭的信任度,信任度低者被認定為被遮蔽骨架;其二,將即時骨架資訊與一機器學習模型的資料庫做比對,差異度過大的骨頭被認定為被遮蔽骨架。若即時骨架資訊為完整,則其包含完整的未遮蔽骨架資訊;若即時骨架資訊為未完整,則其包含部分的未遮蔽骨架資訊及部分的被遮蔽骨架資訊。
由於雙腳是控制人體平衡姿勢的主要肢段,故當即時骨架資訊為未完整,於步驟S120中,判斷即時骨架資訊中之一下半身骨架資訊是否完整。當下半身骨架資訊為未完整,則表示至少部分之下半身的骨架被遮蔽,接著於步驟S130中,依據一人體運動狀態估測一下半身平衡姿態。此人體運動狀態例如以一倒單擺模型(Inverted Pendulum Model,IPM)、一零力矩點(Zero Moment Point,ZMP)或一有限狀態機(Finite State Machine,FSM)描述,但是並不僅限於此。
茲舉人體運動狀態以倒單擺模型描述為例做說明。請參照第2圖,其繪示依照一實施例之估測下半身平衡姿態之流程圖。於步驟S132中,依據一人體質心(Center Of Mass,COM)以倒單擺模型描述人體運動狀態。請同時參照第3圖及第4圖,第3圖繪示依照一實施例之倒單擺模型之示意圖,第4圖繪示依照一實施例之被遮蔽骨架所產生的倒單擺模型之示意圖。倒單擺模型包括無重量竿子210、固定支點220及擺錘質心230。無重量竿子210兩端分別為擺錘質心230和地面上固定的固定支點220。
倒單擺模型與地面只有一個固定支點220,而必須至少有三個支點且質心投影在三個支點內才能維持靜態平衡。因此倒單擺模型不可能維持靜態平衡。換句話說,倒單擺模型是一直屬於不穩定的狀況,所以需要一個維持動態平衡的機制。藉由輸入骨架資訊取得人體運動狀態後,即能算出倒單擺模型的擺錘質心230所在。而前述固定支點220例如為人體之腳的受力中心(Center Of Pressure,COP)。將前述擺錘質心230與固定支點220之間連線即成為如第4圖繪示之倒單擺模型。
接著,於步驟S134中,預測人體質心之一質心運動軌跡(COM trajectory)。請參照第5圖,其繪示依照一實施例之人體質心之質心運動軌跡之示意圖。在人體平衡的假設下,為了估算下半身的被遮蔽骨架之腳板與地面的接觸位置,需先預測未來一段時間內人體質心的質心運動軌跡。當以倒單擺模型描述人體運動狀態時,則人體質心於倒單擺模型中即以擺錘質心230表示。第5圖之擺錘質心230之質心運動軌跡的動量守恆(Conservation of Momentum)方程式如公式(1)所述:
其中τ=mgr sinθ。上述公式(1)中,ws表示倒單擺模型的初始角速度,擺錘質心230從角度θ s到角度θ e的重力所產生的力矩後,角速度變為we。τ為倒單擺在角度θ時,重力所產生的力矩。m表示擺錘質心230的重量。g表示重力加速度。r表示支點220與擺錘質心230之間的距離,也就是單擺的長度。前述擺錘質心230之質心運動軌跡例如使用Runge-Kutta演算法,以迭代的方式積分出不同時間點的擺錘質心230之位置與速度,質心運動軌跡例如為第5圖繪示。
之後,於步驟S136中,基於維持人體平衡的前提,依據人體運動狀態及質心運動軌跡估測得到下半身平衡姿態。請同時參照第6圖,其繪示依照一實施例之人體運動狀態由一初始姿態改變為一目標姿態之倒單擺模型等效示意圖。倒單擺模型係以能量守恆(Conservation of Energy)為基礎,描述由支撐腳作為支點的倒單擺,轉換成以被遮蔽腳作為支點的新的倒單擺瞬間的能量變化。當人體運動狀態初始狀態改變為目標狀態時,擺錘質心230由初始位置改變至目標位置。擺錘質心230於初始位置具有初始速度VSU且擺錘質心230與一未遮蔽骨架支點之連線與地面形成初始角度θSU,於第5圖中未遮蔽骨架支點係以支點220為例說明。擺錘質心230於初始位置時,擺錘質心230的高度即為高度Ly。
擺錘質心230於目標位置具有目標速度VOC2且擺錘質心230與遮蔽骨架支點320之連線與地面之垂直線形成目標角度θOC2。當擺錘質心230於初始位置,擺錘質心230與遮蔽骨架支點320之連線與地面之垂直線形成遮蔽骨架角度θOC1。前述目標資料例如包括目標速度VOC2及目標角度θOC2。換言之,目標速度VOC2及目標角度θOC2可根據前述歷史運動資訊而得。除此之外,當目標狀態為站立時,目標速度VOC2及目標角度θOC2可根據一預設資料而得。預設資料係假設目標速度VOC2及目標角度θOC2等於一預設值。目標速度VOC2及目標角度θOC2之預設值例如為0。
根據能量守恆定律,人體運動狀態為初始姿態的能量等於人體運動狀態為目標姿態的能量。藉由能量守恆定律分析初始姿態與目標姿態間的被遮蔽骨架的動作歷程,可以估測得到下半身的被遮蔽骨架的落地點範圍,如第7圖所示,第7圖繪示依照一實施例之產生落地點範圍之示意圖。第6圖繪示之倒單擺模型等效示意圖進一步能以下述能量守恆方程式表示初始姿態與目標姿態之間的被遮蔽骨架的動作歷程。
上述公式(2)中的距離r、角速度ω OC 1及角速度ω OC 2能進一步地以下述公式(3)、公式(4)及公式(5)表示。
將上述公式(3)、公式(4)及公式(5)代入公式(2)能進一步地得到下述公式(6)。換言之,第6圖繪示之倒單擺模型等效示意圖進一步能以下述公式(6)表示。公式(6)即為從公式(2)推導而得的能量守恆(Conservation of Energy)方程式。
公式(6)中之目標速度VOC2及目標角度θOC2皆為已知。綜合前述說明,公式(6)中僅被遮蔽骨架角度θOC1為未知數。被遮蔽骨架角度θOC1求出後即能根據被遮蔽骨架角度θOC1找出在維持人體平衡下被遮蔽骨架之可能所在範圍。被遮蔽骨架之可能所在範圍例如為第11圖繪示之落地點範圍10。
請參照第8圖,其繪示以逆向運動學(Inverse kinematics)解出人體動作狀態之示意圖。上述的落地點範圍估測得到後,考慮肢體關節自由度的限制,以逆向運動學將倒單擺轉換成骨架動作。於第8圖中,標示1110是根節點(root),而標示1120是端點(End-effector)。逆向運動學會以這兩點位置做為限制,去解出中間肢段的關節角度。結合逆向動力學可解出一組最符合人體自由度限制的自然肢體姿勢。
在上述內容中,人體運動狀態係以倒單擺模型描述,然亦可以零力矩點描述。當一個點受到所有身體支幹以及重力造成的力矩和為零時,稱為零力矩點。當零力矩點在支撐區域內時,不論當時人體動作是動態或靜態,則可保證人體的最終一定會達到(維持)靜態平衡。支撐區域通常指人雙腳及雙腳之間的凸包(Convex hull)。
零力矩點的計算方式為 m i (r i -P)×(-+g)=0。其中,P點是空間中任意一點,P點為身體收到其他身體肢段i的動量m i (r i -P)×(-+g)。m i 是肢段i的質量,r i 和分別是肢段i的位置與加速度,g是重力加速度。當P點座標y軸限制為零時P有唯一解。
此外,人體運動狀態亦能以有限狀態機描述。有限狀態機是一種描述人體循環動作的一種有效方式。舉例來說,走路或跑步都屬於一種循環動作。故此,有限狀態機能用來處理人體動作在不同階段下的平衡模型。有限狀態機平衡模型設定如下,每個狀態與參數t e 與d e 下式組成:d b =d 0+c v v+c d d。其中v為目前質心速度,d為目前質心到腳之間的投影水平距離,d b 是目標平衡腳落地位置,d 0是此狀態質心初始位置,c v 與c d 則是常數參數。t e 是狀態停留的時間上限,d e 則是狀態切換距離的上限。
此種方法的特點是人體平衡三個主要變數:質心速度、質心位置與平衡落地位置,三者之間,原本就存在一個非線性的關係。此法使用有限狀態機切割此非線性關係,並用線性關係描述一個狀態內,三者之間的關係。因此可以有效處理一定動作變化的動作平衡。
綜上所述,經由第6圖~第8圖的流程就得到了下平身平衡姿態。之後,於步驟S140中,依據下半身平衡姿態與一未遮蔽骨架資訊,使用一機器學習模型以產生一重建骨架資訊。此機器學習模型例如為一高斯過程潛在變量模型(Gaussian Process Latent Variable Model,GPLVM)。請參照第9圖,其繪示依照一實施例之產生重建骨架資訊之流程圖。於步驟S142中,依據一人體質心以倒單擺模型描述人體運動狀態,其原理同第3圖及第4圖所示。
於步驟S144中,基於人體運動狀態,依據下半身平衡姿態與未遮蔽骨架資訊,使用機器學習模型以得到一被遮蔽骨架資訊。以GPLVM演算法為例,逆向運動學最佳化的目標函數(objective function)如下:
其中,
其中y為目前的骨架資訊,包含被遮蔽骨架與未被遮蔽骨架。未被遮蔽骨架資訊為已知,在最佳化疊代過程中恆為定值。下半身平衡姿態所對應的倒單擺模型所描述的潛在空間(latent space)xp是已知資訊,而被遮蔽骨架資訊與對應的潛在空間xu則為未知資訊。上述未知資訊可使用歷史資歷作為初始猜測(initial guess),例如最後一個未遮蔽骨架資訊、或前一個補償資訊等方式。由於是連續動作,姿勢不會差異太大,所以梯度最佳化演算法也可快速收斂至極小值。在最佳化求解得到被遮蔽骨架資訊後,於步驟S146中,結合已知的未遮蔽骨架資訊與求得的被遮蔽骨架資訊以產生重建骨架資訊,此重建骨架資訊即可視為一完整的骨架資訊。
此外,考量到被遮蔽資訊的缺乏可能導致的誤差,於步驟S150中,判斷重建骨架資訊是否相似一先前骨架資訊。在人體連續動作的前提下,步驟S150實質上比較重建骨架資訊與前一段時間內(如1秒)的所有骨架資訊是否相似。若差異度過大的話,則以重建骨架資訊為新的輸入疊代步驟S130及S140,重新估測下平身平衡姿態以再次使用機器學習模型產生另一重建骨架資訊。為了節省計算資源,可設定當疊代次數達到一預設值後即視為相似度夠而停止疊代。之後於步驟S160中,重建骨架資訊即可視為一完整骨架資訊。
此外,於步驟S120之後,當下半身骨架資訊為完整,則接續步驟S122,依據下半身骨架資訊使用機器學習模型以產生重建骨架資訊。換言之,當下半身骨架資訊為完整時,不須進行下平身平衡姿態估測而得以直接由機器學習模型(例如GPLVM)的資料庫產生重建骨架資訊。另外,於步驟S110之後,若即時骨架資訊為完整,則接續步驟S160得到完整骨架資訊。同時,當即時骨架資訊為完整,則於步驟S112中,將即時骨架資訊輸入機器學習模型以訓練並更新機器學習模型。以GPLVM為例,會希望能將一個N維度的潛在空間對應至訓練骨架資訊Y,通常潛在空間的維度N會遠小於Y的維度。傳統的GPLVM模型,會將該潛在空間視為類似Principal Component Analysis的特徵擷取,不會限制潛在空間的維度性質。但是在本揭露中,為了保有物理的合理性,故直接指定部分潛在空間的維度是倒單擺模型的資訊。因此最終的潛在空間由「未知潛在空間xu」與「倒單擺潛在空間xp」組成。根據GPLVM演算法所推導的公式,訓練最佳化的目標函數(objective function)如下:
其中未知數為核心矩陣(kernel matrix)、骨架特徵權重{wk}、未知潛在空間{xu,i}、α、β、γ,已知變數為動作骨架資訊Y、倒單擺潛在空間{xp,j}。在初次訓練時,所有的未知數只能使用預設的初始值作為最佳化的初始猜測,對於梯度最佳化演算法來說,會需要較長的時間進行收斂,因此步驟S112較佳地需要在離線(off line)狀態進行訓練。
本揭露上述實施例所提出之被遮蔽骨架之重建方法,在人體平衡的前提下,利用一質心運動軌跡估算得到人體的下半身平衡姿態,再結合機器學習模型的歷史資訊,故得以補足人體全身動作之細節,達到重建被遮蔽骨架的目的,有效降低骨架被遮蔽的影響,提升了辨識正確率。相較於傳統的遮蔽補償方式,更可滿足人體多樣化動作與未知新動作的兩大要求。
綜上所述,雖然本發明已以多個實施例揭露如上,然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾。因此,本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10...落地點範圍
210...無重量竿子
220...固定支點
230...擺錘質心
320...遮蔽骨架支點
1110...根節點
1120...端點
第1A圖~第1C圖繪示依照一實施例之被遮蔽骨架之重建方法之流程圖。
第2圖繪示依照一實施例之估測下半身平衡姿態之流程圖。
第3圖繪示依照一實施例之倒單擺模型之示意圖。
第4圖繪示依照一實施例之被遮蔽骨架所產生的倒單擺模型之示意圖。
第5圖繪示依照一實施例之人體質心之質心運動軌跡之示意圖。
第6圖繪示依照一實施例之人體運動狀態由一初始姿態改變為一目標姿態之倒單擺模型等效示意圖。
第7圖繪示依照一實施例之產生落地點範圍之示意圖。
第8圖繪示以逆向運動學解出人體動作狀態之示意圖。
第9圖繪示依照一實施例之產生重建骨架資訊之流程圖。
Claims (10)
- 一種被遮蔽骨架之重建方法,包括:分析複數張連續影像以取得一即時骨架資訊;判斷該即時骨架資訊是否完整;當該即時骨架資訊為未完整,判斷一下半身骨架資訊是否完整;當該下半身骨架資訊為未完整,依據一人體運動狀態估測一下半身平衡姿態;以及依據該下半身平衡姿態與一未遮蔽骨架資訊,使用一機器學習模型以產生一重建骨架資訊。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中該機器學習模型為一高斯過程潛在變量模型(Gaussian Process Latent Variable Model,GPLVM)。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中該人體運動狀態係以一倒單擺模型(Inverted Pendulum Model,IPM)描述。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中該人體運動狀態係以一零力矩點(Zero Moment Point,ZMP)描述。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中該人體運動狀態係以一有限狀態機(Finite State Machine,FSM)描述。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,更包括:當該即時骨架資訊為完整,將該即時骨架資訊輸入該機器學習模型以訓練並更新該機器學習模型。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,更包括:當該下半身骨架資訊為完整,依據該下半身骨架資訊使用該機器學習模型以產生該重建骨架資訊。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中依據該人體運動狀態估測該下半身平衡姿態之步驟更包括:依據一人體質心描述該人體運動狀態;預測該人體質心之一質心運動軌跡;以及基於維持人體平衡的前提,依據該人體運動狀態及該質心運動軌跡估測得到該下半身平衡姿態。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,其中依據該下半身平衡姿態與該未遮蔽骨架資訊,使用該機器學習模型以產生該重建骨架資訊之步驟更包括:依據一人體質心描述該人體運動狀態;基於該人體運動狀態,依據該下半身平衡姿態與該未遮蔽骨架資訊,使用該機器學習模型以得到一被遮蔽骨架資訊;以及結合該未遮蔽骨架資訊與該被遮蔽骨架資訊以產生該重建骨架資訊。
- 如申請專利範圍第1項所述之被遮蔽骨架之重建方法,更包括:判斷該重建骨架資訊是否相似一先前骨架資訊;以及若否,則重新估測該下平身平衡姿態以再次使用該機器學習模型產生另一重建骨架資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW100135965A TWI534739B (zh) | 2011-10-04 | 2011-10-04 | 被遮蔽骨架之重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW100135965A TWI534739B (zh) | 2011-10-04 | 2011-10-04 | 被遮蔽骨架之重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201316278A true TW201316278A (zh) | 2013-04-16 |
TWI534739B TWI534739B (zh) | 2016-05-21 |
Family
ID=48803072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100135965A TWI534739B (zh) | 2011-10-04 | 2011-10-04 | 被遮蔽骨架之重建方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI534739B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI603294B (zh) * | 2016-07-18 | 2017-10-21 | 岱宇國際股份有限公司 | 基於影像的動作分析系統與方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI736083B (zh) | 2019-12-27 | 2021-08-11 | 財團法人工業技術研究院 | 動作預測的方法及系統 |
-
2011
- 2011-10-04 TW TW100135965A patent/TWI534739B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI603294B (zh) * | 2016-07-18 | 2017-10-21 | 岱宇國際股份有限公司 | 基於影像的動作分析系統與方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI534739B (zh) | 2016-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Physical inertial poser (pip): Physics-aware real-time human motion tracking from sparse inertial sensors | |
US11200685B2 (en) | Method for three-dimensional human pose estimation | |
CN109307508A (zh) | 一种基于多关键帧的全景惯导slam方法 | |
Kim et al. | Simultaneous gesture segmentation and recognition based on forward spotting accumulative HMMs | |
Ott et al. | A humanoid two-arm system for dexterous manipulation | |
TWI427558B (zh) | 遮蔽骨架之位置估算系統、遮蔽骨架之位置估算方法及遮蔽骨架之重建方法 | |
Or et al. | Stability and completion of Zeno equilibria in Lagrangian hybrid systems | |
Calinon et al. | On learning the statistical representation of a task and generalizing it to various contexts | |
CN107909150B (zh) | 基于逐块随机梯度下降法在线训练cnn的方法与系统 | |
Gärtner et al. | Differentiable dynamics for articulated 3d human motion reconstruction | |
WO2021051526A1 (zh) | 多视图3d人体姿态估计方法及相关装置 | |
CN112001859A (zh) | 一种人脸图像的修复方法及系统 | |
Aktaş et al. | Deep dexterous grasping of novel objects from a single view | |
CN111753696A (zh) | 一种感知场景信息的方法、仿真装置、机器人 | |
WO2023087758A1 (zh) | 定位方法、定位装置、计算机可读存储介质和计算机程序产品 | |
Wang et al. | A robust 6-D pose tracking approach by fusing a multi-camera tracking device and an AHRS module | |
JP2008140101A (ja) | 無制約、リアルタイム、かつマーカ不使用の手トラッキング装置 | |
Yao et al. | Dynamicbev: Leveraging dynamic queries and temporal context for 3d object detection | |
Guan et al. | A novel feature points tracking algorithm in terms of IMU-aided information fusion | |
TWI534739B (zh) | 被遮蔽骨架之重建方法 | |
Zhu et al. | PairCon-SLAM: Distributed, online, and real-time RGBD-SLAM in large scenarios | |
Krishna | SignPose: Sign language animation through 3D pose lifting | |
CN109492522A (zh) | 特定目标检测模型训练程序、设备及计算机可读存储介质 | |
Fu et al. | Capture of 3D human motion pose in virtual reality based on video recognition | |
CN113673494B (zh) | 人体姿态标准运动行为匹配方法及系统 |