TW202341071A - 運動影像分析方法 - Google Patents
運動影像分析方法 Download PDFInfo
- Publication number
- TW202341071A TW202341071A TW112112074A TW112112074A TW202341071A TW 202341071 A TW202341071 A TW 202341071A TW 112112074 A TW112112074 A TW 112112074A TW 112112074 A TW112112074 A TW 112112074A TW 202341071 A TW202341071 A TW 202341071A
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- skeletal
- dynamic model
- processing unit
- skeleton information
- Prior art date
Links
- 238000000034 method Methods 0.000 title abstract description 20
- 238000010191 image analysis Methods 0.000 title abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 238000003703 image analysis method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 22
- 230000000875 corresponding effect Effects 0.000 description 20
- 210000003414 extremity Anatomy 0.000 description 16
- 210000003205 muscle Anatomy 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008602 contraction Effects 0.000 description 3
- 210000000544 articulatio talocruralis Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 210000002832 shoulder Anatomy 0.000 description 2
- 208000025978 Athletic injury Diseases 0.000 description 1
- 206010062310 Joint hyperextension Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 210000005010 torso Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本發明提供一種運動影像分析方法,其擷取人體之影像資訊,並將影像資訊進行分析,同時,以反向動力學作為演算法進行運算,而可建立對應的骨骼動力模型,並依據此一骨骼動力模型進一步與參照骨骼動力模型進行分析,以取得關於訓練方案的最佳化資訊,從而可提供使用者進行參照,大幅提升訓練效率。
Description
一種影像分析系統,特別是涉及一種運動影像分析方法。
近年大數據時代來臨,以往需要以人工方式進行管控或紀錄,才可進一步進行資料分析,為此,更多不確定因素將導致分析結果失準,而無法進行精準的調整,最典型的例子即為運動訓練,一般進行運動訓練時,選手依據教練所教導的動作或建議進行訓練,例如由教練示範動作,提供選手參照其方式,並由教練記錄或判斷其運動情況,當選手實際操作時,教練則依據自身經驗判斷其缺點並提出改進之意見,然而,此種方式具有相當大的限制,其限制在於教練的動作不一定最適合該位選手,且,選手一般僅能從某一固定角度觀察教練的動作,意即整體的動作,並沒有完整的三維空間視覺訊息,再者,每位選手的身形、體重、力量或習慣等特質皆不同,單一的訓練模式並無法適用於全體,因此傳統方式亦缺乏客觀的指導方針。
為此,即便可由人工紀錄每位選手的情形進行分析調整,亦無法給予客製化的訓練建議,因此對於如何提供每位運動選手精準的訓練方案以及其評估之問題,使其可大幅提升訓練效率為本領域人員亟欲改善之缺失,本發明提供一種結合影像辨識、人工智慧運算、反向動力學分析與正向動力學的最佳化模擬,以提供最佳的運動訓練方案,而可進一步改善傳統方法的缺失,並依據客觀的力學角度與最佳化計算,解決了現有訓練方式較為主觀的問題。
本發明之主要目的,係提供一種運動影像分析方法,其以人體影像資訊進行運算,以取得人體之骨骼動力模型,再依據預設之參照骨骼動力模型進行分析,而可取得最佳化資訊,從而可提供使用者三維影像進行參照,並且可於調整動作後繼續進行分析,以協助使用者依據三維影像調整至最佳運動狀態,而大幅提升訓練效率。
為了達到上述之目的,本發明之一實施例係揭示一種運動影像分析方法,步驟包含: 以一影像擷取裝置擷取並傳輸人體之一影像資訊至一運算處理單元;該運算處理單元依據該影像資訊進行關聯預測,生成一初始運動參數及一骨架資訊;該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型;及該運算處理單元依據該骨骼動力模型與一參照骨骼動力模型進行分析,依據一最佳化目標函數進行分析,生成一最佳化資訊。
於較佳實施例中,該初始運動參數包含一關節角度資訊、一關節角速度資訊及一質心加速度資訊。
於較佳實施例中,該骨架資訊包含複數個視角資訊及複數個關節點資訊。
於較佳實施例中,該骨骼動力模型包含複數個第一肢段資訊及對應該些個第一肢段資訊之複數個第一自由度資訊,及該參照骨骼動力模型包含複數個第二肢段資訊及對應該些個第二肢段資訊之複數個第二自由度資訊。
於較佳實施例中,於以該運算處理單元依據該影像資訊進行關聯預測,生成一初始運動參數及一骨架資訊之步驟中,包含步驟: 該運算處理單元依據該影像資訊進行運算,取得連續對應之複數個第一二維骨架資訊;該運算處理單元依據該些個第一二維骨架資訊於一深度學習模型進行運算,生成對應之一三維骨架資訊;及該運算處理單元依據該三維骨架資訊進行轉換,生成對應之複數個第二二維骨架資訊;其中,該骨架資訊為該些個第二二維骨架資訊。
於較佳實施例中,於該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型之步驟中,輸入人體對應之一身高值與一質量值至該運算處理單元,該運算處理單元依據該身高值、質量值、該初始運動參數及該骨架資訊進行運算處理,建立該骨骼動力模型。
於較佳實施例中,於該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型之步驟中,該運算處理單元係依據殘差縮減演算法(Residual Reduction Algorithm, RRA)進行運算,以建立該骨骼動力模型。
於較佳實施例中,於該運算處理單元依據該骨骼動力模型與一參照骨骼動力模型進行分析,生成一最佳化資訊之步驟中,該運算處理單元於該骨骼動力模型輸入一虛擬標點進行運算,以取得一調整運動參數,該骨骼動力模型依據該調整運動參數進行分析,生成該最佳化資訊。
於較佳實施例中,該最佳化資訊包含至少一模擬三維影像及對應之複數個關節力矩活化點。
於較佳實施例中,該骨骼動力模型包含一關節力矩函數。
本發明之有益功效在於以反向動力學作為演算法進行運算,而可建立對應的骨骼動力模型進行分析,並取得最佳化資訊,從而可提供使用者三維影像進行參照,並且可於調整動作後繼續進行分析,以協助使用者依據三維影像調整至最佳運動狀態,而大幅提升訓練效率。
為讓本發明上述及/或其他目的、功效、特徵更明顯易懂,下文特舉較佳實施方式,作詳細說明於下:
請參閱第1圖,其為本發明之一實施例之方法流程圖。如圖所示,本發明之運動影像分析方法,包含步驟如下:
步驟S1: 以一影像擷取裝置擷取並傳輸人體之一影像資訊至一運算處理單元;
步驟S2: 該運算處理單元依據該影像資訊進行關聯預測,生成一初始運動參數及一骨架資訊;
步驟S3: 該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型;及
步驟S4: 該運算處理單元依據該骨骼動力模型與一參照骨骼動力模型進行分析,生成一最佳化資訊。
如步驟S1所示,係以影像擷取裝置擷取人體之影像資訊,並將影像資訊傳輸至運算處裡單元,影像擷取裝置之數量並不被限制,於一實施例中,影像擷取裝置之數量為1-2台,且,影像資訊不限於靜態影像,亦可為動態連續影像,但不在此限。
如步驟S2所示,運算處理單元係依據影像資訊進行關聯預測,從而取得初始運動參數及骨架資訊,其中,骨架資訊包含複數個視角資訊及複數個關節點資訊,且,初始運動參數包含關節角度資訊、關節角速度資訊及質心加速度資訊,其中,骨架資訊係更進一步依據下列步驟進行運算處理,並請參閱第2圖,其為本發明之一實施例之方法流程圖。如圖所示,步驟說明如下:
步驟S21: 該運算處理單元依據該影像資訊進行運算,取得連續對應之複數個第一二維骨架資訊;
步驟S22: 該運算處理單元依據該些個第一二維骨架資訊於一深度學習模型進行運算,生成對應之一三維骨架資訊;及
步驟S23: 該運算處理單元依據該三維骨架資訊進行轉換,生成對應之複數個第二二維骨架資訊。
如步驟S21所示,運算處理單元將依據影像資訊進行運算,而可取得連續對應之複數個第一二維骨架資訊,並接續如步驟S22所示,運算處理單元係以深度學習模型取得相關的骨架資訊,其中,深度學習模型可採用Transformer Model架構,此一模型係用於自然語言處理(Natural Language Processing, NLP)領域,一般用以處理連續資料,常見於執行翻譯相關任務,而本發明係將Transformer Model應用於3D人體姿態辨識(3D human pose estimation),其方法主要將取得之影像資訊經過深度學習模型進行運算後,從而取得對應之三維骨架資訊。
最後如步驟S23所示,再將取得之三維骨架資訊進行轉換,取得對應之複數個第二二維骨架資訊,此一步驟之作用在於倘若影像資訊於某一時間點之某一關節點可能被遮擋,因此根據前後時間點將二維骨架資訊轉換為三維骨架資訊,再經由三維骨架資訊推估出更精準的二維骨架資訊,即步驟S2所取得之骨架資訊為該些個第二二維骨架資訊。
如步驟S3所示,運算處理單元依據初始運動參數及骨架資訊以反向動力學進行運算,建立骨骼動力模型,反向動力學係一種透過子骨骼的位置,進一步推導出其所在的骨骼上之父骨骼位置,從而確定整體骨骼位置,其中,骨骼動力模型包含複數個第一肢段資訊及對應該些個第一肢段資訊之複數個第一自由度資訊,及參照骨骼動力模型包含複數個第二肢段資訊及對應該些個第二肢段資訊之複數個第二自由度資訊,於一實施例中,骨骼動力模型係以一般習知定義之全身骨骼模型,其包含14個肢段並且含有30個肢段自由度,並於致動模組進行肌肉模擬結構,以形成骨骼動力模型,但不在此限。
於一實施例中,為因應個人不同的肌肉、骨骼型態,因此進一步的,輸入人體對應之身高值與質量值至運算處理單元,使得運算處理單元可依據個人之身高值、質量值、初始運動參數及骨架資訊進行運算處理,建立骨骼動力模型,但不在此限。
於一實施例中,為確保調整過後的骨骼動力模型其各肢段的質心位置加速度能夠與地面反作用相符合,更進一步的,運算處理單元係依據殘差縮減演算法(Residual Reduction Algorithm, RRA)進行運算,其結合地面反作用力計算出額外需要的殘餘力 (Residual force) 並施加於各肢段,使各肢段的質心加速度與地面反作用力具有一致性,以建立更精確的骨骼動力模型,但不在此限。
於步驟S4所示,運算處理單元依據骨骼動力模型與參照骨骼動力模型進行分析,生成最佳化資訊,於一實施例中,參照骨骼動力模型係以他人較佳的動作影像進行分析,進而取得相關參數,並且依據個人不同的骨骼及肌肉等性質,生成最適合之最佳化資訊,於一實施例中,以投球運動為例,運算處理單元於骨骼動力模型輸入虛擬標點進行運算,其作用在於使得人體之投球動作位置對齊,並利用加權最小平方(Weighted Least Squares Equation)之演算法,於每個時間單位當中以此演算法將骨骼動力模型所輸入之虛擬標點趨近於投球動作位置,以取得調整運動參數,骨骼動力模型依據調整運動參數進行分析,生成最佳化資訊,但不在此限。
於一實施例中,運算處理單元更可依據最佳化目標函數進行分析,意即不僅從影像中的資料進行分析,而是根據最佳化目標函數用以探索更多不同的可能性,從而所生成的最佳化資訊,將可提供針對個人之客製化訓練建議,例如: 強化某部分關節,以增加球速,或降低關節受力,以避免運動傷害等,其中,最佳化資訊包含至少一模擬三維影像及對應之複數個關節力矩活化點,此模擬三維影像係用以提供訓練之參考,以虛擬三維影像模擬動作流程,使得使用者可參照虛擬三維影像進行訓練,更可採用擴增實境(Augmented Reality, AR)、虛擬實境(Virtual Reality, VR)或混合實境(Mixed Reality, MR)等技術,進一步將虛擬三維影像顯示於使用者觀看,同時,所提供之複數個關節力矩活化點,以投球運動為例,則以使用者之投球動作模擬與最高球速的投球動作模擬,兩者實際動作之差異,進而提供最佳的關節力矩活化點,但不在此限。
於一實施例中,最佳化資訊更可採用正向動力學進行模擬,其係完全遵循骨骼父子關係的層級,以父層級帶動子層級的運動進行分析,正向動力學模擬最佳化資訊作用在於可預測訓練結果,如此一來,可提供使用者更多訓練的參考方向,並且輔助使用者選擇出最適合自己的訓練方式,但不在此限。
在投球的實施例中,骨骼動力模型可包含簡易的上半身三維模型或複雜的全身人體模型,上半身三維模型可分為四個肢段及八個自由度,分別為軀幹有繞縱軸旋轉與前後傾兩個自由度,肩膀有外展/內收、水平旋轉及內/外旋三個自由度,手肘有伸展及收縮、內旋及外旋兩個自由度,手腕有伸展及收縮的一個自由度。在全身人體模型則可包含雙腳、雙小腿、雙大腿、骨盆、頭併軀幹及上肢兩側的肩帶、上臂、前臂、與手掌。其中,骨盆為基底肢段,具有三個移動和三個轉動自由度,腰關節及兩側髖關節各有三個自由度,兩側膝關節各有一個自由度,後腳踝關節有三個轉動的自由度,前腳踝關節為兩個自由度。在模型的建立上,為減少計算量,可採用關節力矩的模式來模擬肌肉力量驅動模型的動作,關節力矩雖然並非肌肉,但由於其為肌肉作用力與力臂效應的總合,所以考慮類似肌肉模擬時肌肉長度和收縮速度及活化程度對肌肉力量產生所造成的影響。
於一實施例中,關節力矩T可以方程式(1)來表示,
T =T
max(θ)h(ω)A(t) (1)
其中,T
max(θ)是在不同關節角度下的最大力矩。h(ω)為隨關節角速度變化的關係式,角速度越大其值越小,但角速度為負時其值會增大至角速度為0時的值的約1.4倍。關節力矩在不同關節角度於角速度之值,可參考文獻資料或讓受試者以儀器進行實驗獲得。A(t)為隨時間變化的關節力矩活化程度,介於0與1之間,0代表完全放鬆,1為盡全力。
假設每一關節的轉動自由度皆由兩個力矩活化程度所控制(一個伸展,另一個屈曲)。雖然A(t)為人體自主控制的變數,但其增大與減小也由類似肌肉活化的時間常數限制,不會瞬間以太大的幅度改變數值。假設每個自由度有兩組力矩產生器,分別控制伸展及屈曲,每個活化度由四個點以spline內插定出投球過程中的各時間點數值。關節的活動度由被動產生之力矩所限制,即一般情況下不作用,而當關節過度伸展或屈曲時,此力矩開始作用,被動力矩可假設與關節角度平方成正比。
最佳化目標函數可包括對動作的調整及對球速的要求,在對動作的調整上,為使骨骼動力模型的姿勢能與參照骨骼動力模型的參照動作盡可能一樣,將最佳化目標函數設為實驗所得之各關節點動作與模擬出的動作於每個時間點差異的平方合,將目標函數最小化表示動作差異最小。在對球速的要求上,由於手和球連在一起,計算球離手時間點方法即在模擬過程監控球最終加速度,也就是離手瞬間為球剛好開始對手產生拉力的時間點。最佳化過程為經由內爾德米德(Nelder-Mead)與粒子群最佳化(Particle Swarm)等最佳化演算法,找出最佳的各關節力矩活化節點(等同於調整各關節力矩活化值隨時間的變化),但須考量關節部過度伸展的限制。在其他實施例中,依據跨步距離、關節活動範圍、關節最大力矩等,也可設計對應的最佳化目標函數來進行分析。
請參閱第3圖,其為本發明之一實施例之產生二維骨架資料之示意圖。如圖所示,於生成骨架資訊的步驟上,可以將多個視圖及多個時間點的圖像訊息作為第一二維骨架資訊21作為輸入資料,通過姿勢產生器網路22產生三維骨架資訊23,通過評論網路24來進行檢查。接著,利用相機網路25進行重投影26,將三維骨架資訊23轉換成第二二維骨架資訊27。
在第一二維骨架資訊21當中,可以給定二維骨架
,其中x
i及y
i為第i個關節的座標,給定一個姿勢產生器網路22來產生三維骨架資訊23,以
表示,其中x’
I,y’
i及z’
i為第i個關節的座標,由於實際的三維骨架資訊23是較為稀缺的,因此採用評論網路24、相機網路25及重投影26的方式來進行評估。
首先,設置評論網路(critic network)24來檢驗三維骨架資訊23,衡量預估的三維骨架分布與實際三維骨架分布的差異,為了訓練評論網路24,界定瓦瑟斯坦(Wasserstein)損失函數作為評論損失函數31。
接著,預估相機參數來描述弱透視投影,利用相機損失函數32來指導相機網路25的訓練,其可以正規化相機參數及特定投影間的弗羅貝尼烏斯範數(Frobenius norm)來表示。最後,基於相機參數,預估的三維骨架資訊可重投影成為第二二維骨架資訊27,第二二維骨架資訊27與第一二維骨架資訊21之間的弗羅貝尼烏斯範數可做為重投影損失函數33。將三個損失函數縣性組合,可用來做為整個網路訓練的指導。
姿勢產生器網路22及相機網路25可由多個連續幀的影像資料來進行訓練,其架構包含卷積層及激活層(利用ReLU函數),每一幀可由16個關鍵點構成,可表示為32維的向量,形成矩陣資料,其輸入頻道、卷積核及輸出頻道可依據需求設定,對第一二維骨架資訊21進行特徵萃取。在網路的下部分可進行分支,分別做為姿勢產生器網路22及相機網路25的預估。
在進行三維骨架資訊23的預估時,可考慮多個視角的第一二維骨架資訊21,也就是利用不同視角的二維影像來增加形成三維姿勢所需要的資訊,具有不同視角的第一二維骨架資訊21可以結合為相同視角的三維骨架資訊23。在計算重投影損失函數33時,可依據不同視角分別產生的損失函數進行計算,也可依據不同視角相互間產生的損失函數進行計算。
綜上所述,本發明之運動影像分析方法,其擷取人體之影像資訊進行分析,同時,以反向動力學作為演算法進行運算,而可建立對應的骨骼動力模型,以取得關於訓練方案的最佳化資訊,從而可提供使用者進行參照,大幅提升訓練效率,而符合本發明之目的。
惟以上所述者,僅為本發明之較佳實施例,但不能以此限定本發明實施之範圍;故,凡依本發明申請專利範圍及說明書內容所做之簡單的等效改變與修飾,皆仍屬本發明專利涵蓋之範圍內。
21:第一二維骨架資訊
22:姿勢產生器網路
23:三維骨架資訊
24:評論網路來
25:相機網路
26:重投影
27:第二二維骨架資訊
31:評論損失函數
32:相機損失函數
33:重投影損失函數
S1:步驟
S2:步驟
S21:步驟
S22:步驟
S23:步驟
S3:步驟
S4:步驟
第1圖: 其為本發明之一實施例之方法流程圖;
第2圖: 其為本發明之一實施例之部分方法流程圖;
第3圖:其為本發明之一實施例之產生二維骨架資料之示意圖。
S1:步驟
S2:步驟
S3:步驟
S4:步驟
Claims (10)
- 一種運動影像分析方法,步驟包含: 以一影像擷取裝置擷取並傳輸人體之一影像資訊至一運算處理單元; 該運算處理單元依據該影像資訊進行關聯預測,生成一初始運動參數及一骨架資訊; 該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型;及 該運算處理單元依據該骨骼動力模型與一參照骨骼動力模型進行分析,依據一最佳化目標函數進行分析,生成一最佳化資訊。
- 如請求項1所述之運動影像分析方法,其中,該初始運動參數包含一關節角度資訊、一關節角速度資訊及一質心加速度資訊。
- 如請求項1所述之運動影像分析方法,其中,該骨架資訊包含複數個視角資訊及複數個關節點資訊。
- 如請求項1所述之運動影像分析方法,其中,該骨骼動力模型包含複數個第一肢段資訊及對應該些個第一肢段資訊之複數個第一自由度資訊,及該參照骨骼動力模型包含複數個第二肢段資訊及對應該些個第二肢段資訊之複數個第二自由度資訊。
- 如請求項1所述之運動影像分析方法,於以該運算處理單元依據該影像資訊進行關聯預測,生成一初始運動參數及一骨架資訊之步驟中,包含步驟: 該運算處理單元依據該影像資訊進行運算,取得連續對應之複數個第一二維骨架資訊; 該運算處理單元依據該些個第一二維骨架資訊於一深度學習模型進行運算,生成對應之一三維骨架資訊;及 該運算處理單元依據該三維骨架資訊進行轉換,生成對應之複數個第二二維骨架資訊; 其中,該骨架資訊為該些個第二二維骨架資訊。
- 如請求項1所述之運動影像分析方法,於該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型之步驟中,輸入人體對應之一身高值與一質量值至該運算處理單元,該運算處理單元依據該身高值、質量值、該初始運動參數及該骨架資訊進行運算處理,建立該骨骼動力模型。
- 如請求項1所述之運動影像分析方法,於該運算處理單元依據該初始運動參數及該骨架資訊以一反向動力學進行運算,建立一骨骼動力模型之步驟中,該運算處理單元係依據殘差縮減演算法(Residual Reduction Algorithm, RRA)進行運算,以建立該骨骼動力模型。
- 如請求項1所述之運動影像分析方法,於該運算處理單元依據該骨骼動力模型與一參照骨骼動力模型進行分析,生成一最佳化資訊之步驟中,該運算處理單元於該骨骼動力模型輸入一虛擬標點進行運算,以取得一調整運動參數,該骨骼動力模型依據該調整運動參數進行分析,生成該最佳化資訊。
- 如請求項1所述之運動影像分析方法,該最佳化資訊包含至少一模擬三維影像及對應之複數個關節力矩活化點。
- 如請求項1所述之運動影像分析方法,該骨骼動力模型包含一關節力矩函數。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111113066 | 2022-04-06 | ||
TW111113066 | 2022-04-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202341071A true TW202341071A (zh) | 2023-10-16 |
Family
ID=89856046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112112074A TW202341071A (zh) | 2022-04-06 | 2023-03-29 | 運動影像分析方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202341071A (zh) |
-
2023
- 2023-03-29 TW TW112112074A patent/TW202341071A/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460873B (zh) | 图像处理方法及装置、图像设备及存储介质 | |
Durandau et al. | Robust real-time musculoskeletal modeling driven by electromyograms | |
US11069144B2 (en) | Systems and methods for augmented reality body movement guidance and measurement | |
Schönauer et al. | Full body interaction for serious games in motor rehabilitation | |
WO2020147796A1 (zh) | 图像处理方法及装置、图像设备及存储介质 | |
Wu et al. | Research on college gymnastics teaching model based on multimedia image and image texture feature analysis | |
Agarwal et al. | FitMe: a fitness application for accurate pose estimation using deep learning | |
WO2020147797A1 (zh) | 图像处理方法及装置、图像设备及存储介质 | |
Sharma et al. | Augmented reality prosthesis training setup for motor skill enhancement | |
TW202341071A (zh) | 運動影像分析方法 | |
Wooten et al. | Simulation of human diving | |
WO2020147794A1 (zh) | 图像处理方法及装置、图像设备及存储介质 | |
JP7482471B2 (ja) | 学習モデルの生成方法 | |
JP2021191356A (ja) | 矯正内容学習装置、動作矯正装置およびプログラム | |
JP2022536349A (ja) | 生体力学的モデルアニメーションのためのバイオメトリック感覚運動制御の深層学習 | |
Jin et al. | Development of virtual reality games for motor rehabilitation | |
CN115544812B (zh) | 一种数字孪生虚拟人的构建方法、系统、电子设备及介质 | |
Kun et al. | Shoulder joint rehabilitation training system based on virtual reality technology | |
Pornpipatsakul et al. | Bridging exercise monitoring system using RGB camera for stroke rehabilitation | |
CN109887572A (zh) | 一种平衡功能训练方法及系统 | |
KR102510048B1 (ko) | 운동 동작에 따른 증강현실 데이터를 출력하는 전자 장치의 제어 방법 | |
CN115543094B (zh) | 数字孪生虚拟人与人体的交互方法、系统、电子设备 | |
Gottschalk et al. | MediHopps: A novel approach to virtual rehabilitation sport | |
Noteboom et al. | Feasibility and validity of a single camera CNN driven musculoskeletal model for muscle force estimation during upper extremity strength exercises: Proof-of-concept | |
Yang et al. | Wushu movement evaluation method based on Kinect |