这篇论文利用惯性运动捕捉技术记录了工业操作者和熟练工匠在实际场景中进行的专业手势，并使用基于运动学描述符的混合随机 - 生物力学方法 Gesture Operational Model 对专家的运动进行建模和数学表示，从而精确生成人体专业姿态，直观描述身体关节如何协作并随时间变化而变化。

Apr, 2023

本文提出了一种快速的方法，使用单个深度相机准确跟踪手的快速和复杂关节动作，通过使用新型检测引导优化策略结合高斯混合表示深度估计出最佳拟合姿势，并展示了在公共数据集上的评估结果和与之前工作的比较。

Feb, 2016

介绍了一种新的可训练系统，用于物理上合理的无标记 3D 人体运动捕捉，称之为 physionical，该系统在多种具有挑战性的场景下实现了最新技术的结果，其输入为 2D 关节关键点，能够在交互帧速率中生成平滑而物理明确的 3D 动作。

May, 2021

使用混沌理论设计了一种脑启发式的框架，通过分析视频的光流信号的时空特性实现遥测心率测量，从而解决了现有方法中的准确性、适用性和隐私泄露问题。

Apr, 2024

本文提出了一种使用事件相机数据进行人手跟踪的新方法，通过使用轻量级算法分析捕获的帧以报告 3D 手部位置数据，并使用 ROI 找到特征用于深度感知。

Apr, 2023

本研究探讨了在使用基于标记的动作捕捉系统记录的数据中，标注方法对于人体动作分类的影响，并比较了基于视频标注和运动轨迹标注方式的监督机器学习算法在识别不同速度人体动作时的表现，结果表明，基于运动轨迹标注的模型在识别中速和正常速度人体动作时相对于基于视频标注的模型有着 20％左右的准确率提高。

Feb, 2022

该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。

Apr, 2024

本研究通过使用七种现有手部姿势估计模型，评估了巴金森病（PD）患者和健康对照组在不同条件下（即视频流和设备本地录制）进行手指敲击（FT）测试的视频中拇指和食指运动的准确性和可靠性，并且指出姿势估计算法在电视医疗就诊期间的视频记录中的应用存在的局限性，并表明设备本地录制可用于自动评估 PD 中的运动缓慢性。

Aug, 2023

验证 Google MediaPipe Hand (GMH) 及其改进版本 GMH-D 对 3D 手部运动的准确跟踪的有效性，并证明 GMH-D 在临床应用中评估 3D 手部运动方面的优越性。

Aug, 2023

基于计算机视觉的新框架可追踪和量化工人上下肢的运动，并在达到临界阈值时发出警报，通过精确动作分析和主动人体工程学调整，提供了一种增强工人安全和生产力的工具。

May, 2024