机器视觉助力体育表现分析
通过测试,基于网络摄像头的 ROM 评估方法表现出高的测试重测性和评测员间的可靠性,成为临床实践中现有 ROM 评估方法和远程实施物理疗法和康复的多功能替代方法。
Oct, 2023
本论文提出了一种名为 SportsCap 的方法,利用数据驱动的多任务方式,从单眼挑战性运动视频中同时捕获 3D 人体运动和理解细粒度动作,并使用多流空间 - 时间图卷积网络预测细粒度语义动作属性,从而具有分析运动和评分的各种应用。
Apr, 2021
提出了一种新的实时方法,基于单个鱼眼摄像头和轻量级设备设置,通过 CNN 在个人视角测量人体姿态,使得在广泛的日常活动中成为可能。
Mar, 2018
为帮助智能可穿戴设备研究人员选择最佳的动作捕捉(MoCap)的真实方法,我们提出了一个特定的基於衣物的基准测试,DrapeMoCapBench(DMCB),专门用于评估基于光学标记和无标记的 MoCap 的性能。DMCB 利用大量的真实世界记录的 MoCap 数据集并进行平行的三维物理模拟,包括六级的紧身及松弛程度、三个级别的动作和六种体型 - 性别组合,以评估基于光学标记和低成本的无标记 MoCap 方法在不同场景下的性能,并得出结论无标记 MoCap 在日常活动中稍微优于标记 MoCap,成为可穿戴研究中一种可取且具有成本效益的选择。
Jul, 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
通过两个智能手表和一个头戴相机,我们提出了一种轻量级且经济实惠的动作捕捉方法,与使用六个或更多专业级 IMU 设备的现有方法相比,我们的方法更具成本效益和便利性,能够使可穿戴式动作捕捉技术普及化,实现在不同环境中的 3D 全身动作捕捉。同时,我们还引入了从头戴相机获取的 6D 头部姿势,以克服传感器输入的稀疏性和模糊性,并提出了一种跟踪和更新楼层变化来定义头部姿势的算法,以及一个多阶段的基于 Transformer 的回归模块。此外,我们还引入了利用自我中心图像的视觉线索来进一步提高动作捕捉质量并减少模糊性的新策略。我们在包括复杂的室外环境和多个个体之间的物体交互和社交互动在内的各种具有挑战性的场景中展示了我们方法的性能。
Jan, 2024
本研究提出了一种名为 HybridCap 的轻量级、混合的 3D 运动捕捉技术,通过仅使用 4 个惯性测量单元的传感器,加上基于合作式门控循环单元块的层次运动推理模块和混合优化方案,可以实现对各种运动的鲁棒跟踪。
Mar, 2022
本文提出 GraviCap,即一种新的联合无标记 3D 人体动作捕捉和单目 RGB 视频对象轨迹估计的方法。该方法利用重力约束物体运动,可以恢复具有部分观测对象的场景的尺度、对象轨迹、人体骨长和地平面方向。通过添加人对象交互约束,可以提高 3D 重建的几何一致性和改善人体姿势的物理合理性。在一系列新数据集上测试表明,该方法在 3D 人体动作捕捉上具有最先进的准确性。
Aug, 2021
我们提出了一个名为 MMVP 的多模态 MoCap 数据集,其中包括视觉和压力传感器,提供了与 RGBD 观察同步的准确和密集的足底压力信号,尤其适用于形状估计、姿态拟合和全局平移跟踪。
Mar, 2024