基于运动的生物标记物发现的无标记人体运动分析系统 —— 以膝部疾病为例
近年来,人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统,通过使用运动捕捉系统捕捉的七个特征来区分两种步态,并经验证可靠。
Feb, 2024
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
本研究旨在开发一种新的计算方法,通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域,提高膝关节放射成像的客观性,结果表明该方法适用于大规模分析。
Jan, 2017
提出了一种基于生物力学的新型网络,利用两个输入视图直接输出三维运动学,通过合成数据集 ODAH 进行训练,实验证明该方法在多个数据集上超过了现有先进方法,为提升基于视频的人体动作捕捉提供了有前景的方向。
Feb, 2024
最近的研究发展提出了可在 GPU 上加速的适用于机器学习流程的可微分物理模拟器。我们展示了这些模拟器可以用于拟合标记点无遮挡运动捕捉数据的反向运动学,包括缩放模型以适应个体的人体测量值。通过隐式表示的运动轨迹,继而通过正向运动学模型传播,从而最小化重新投影到图像中的 3D 标记点的误差。不同的优化器还提供了其他机会,如在轨迹优化期间添加束调整以细化外部相机参数,或者进行元优化以改善基本模型,并联合使用多个参与者的轨迹。这种方法改善了标记点无遮挡运动捕捉的重新投影误差,并产生了与仪器走道的对照和临床人群相比准确的空间步长参数。
Feb, 2024
该论文研究了使用已公开发布的运动数据集来训练机器学习算法,以分类人类活动,并通过 Gradient Boosting 算法在 11 次交叉验证中展现了高达 0.94 的 ROC 曲线下区域 (AUC) 性能,显示出该方法的有效性和潜在用途。
Jun, 2022
本文介绍了一种仅使用少量 Kinect 传感器进行无标记动作捕捉的高效且廉价方法,通过使用最近的图像分割技术和纯合成数据进行课程学习,实现了对身体各部位的准确本地化并且无需使用显式形状模型。同时,我们介绍了一个包含约 6 百万合成深度帧的新数据集,并超过了 Berkeley MHAD 数据集的最新结果。
May, 2016
本文介绍了如何在物理治疗领域利用 Microsoft Kinect 等低成本设备,通过计算机视觉技术、离群点数据处理算法、以及基于 Unscented Kalman Filter 算法的卡曼滤波器模型,提取精确可靠的人体运动参数。
Dec, 2015
本文描述了一种基于无标记人体动作捕获的三维角色动画生成系统,采用视角多样的相机捕捉人体动作信息,并通过多种技术手段计算出骨骼变换状况,从而能够高效准确地实现三维骨骼重建与实时动画生成。
Dec, 2022