使用穿孔的运动学胶带进行人脊柱运动捕捉
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
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
通过使用智能膝套(Texavie MarsWear Knee Sleeves)进行人体姿态估计,我们研究了人体运动和运动的运动学与肌肉的活动和收缩密切相关的关系。我们的系统利用来自膝套的时间序列数据和可视化运动捕捉相机系统的相应的真实标签来生成仅基于个体穿戴数据的 3D 人体模型,证明了这种无需摄像机的系统和机器学习算法在各种运动和锻炼评估中的有效性,以及对未见锻炼和个人的扩展性。结果显示,与真实情况相比,八个下肢关节的平均误差为 7.21 度,表明了膝套系统在预测不同下肢关节(包括膝盖以外的部位)方面的有效性和可靠性。这些结果以无缝的方式实现了人体姿态估计,无视视觉遮挡或摄像机的视野限制。我们的结果展示了多模态可穿戴感知在家庭健身、体育、医疗保健和身体康复等各种应用中的潜力,特别关注姿势和运动估计。
Oct, 2023
本研究提供了首个非标记的方法来在单目视频中实现人类的三维运动捕捉,可以重建关节骨架的运动以及一般场景中中等尺度的非刚性表面形变。通过使用卷积神经网络中的疏 2D 和 3D 人体姿势检测,以及基于低维轨迹子空间解决单目重构问题的模式,我们解决了由大范围关节运动,具有潜在快速运动和相当大的非刚性变形构成的人工能捕捉挑战。此外,我们根据完全自动提取的轮廓线提出了基于表面几何的细化方法,以实现中等规模的非刚性匹配,我们的方法实现了最先进的性能捕捉结果,在准确性,鲁棒性和可处理的场景复杂性方面明显优于先前的单目方法。
Aug, 2017
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
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
论文提出了一种实时捕获全身人类表现的全新方法,能够通过单个 RGB 视频重建完整人类的密集、时空一致变形几何形态,通过二阶段的分析合成优化策略实现精细的人类表现捕获,并且结合了 4D 运动捕捉,利用材料区域的自动识别进行模型优化,从而实现最终的实时全身表现捕捉。
Oct, 2018
提出了一种用于诊断膝关节疾病和监测治疗进展的自动生物标志物识别方法,该方法使用标准 RGB 相机以廉价且敏感的方式测量和分析生物力学,利用主成分分析技术进行生物标志物识别和降维,并应用于本地麻醉用于膝痛的病例,验证了其在临床环境中的有效性和统计学意义 (p 值 < 0.05)。
Apr, 2023
本文介绍了一种用于真实场景下的、单机位、实时运动捕捉的算法,该算法首次提出了纯物理可行、实时和无标记人类 3D 运动捕捉的算法,通过 CNN 和逆运动学步骤捕捉纯运动,进一步使用物理优化器来处理运动捕捉,实现了全局 3D 人体运动捕捉,而不出现任何不符合生物力学数据的结果。
Aug, 2020