基于国际生物力学标准的联合角度在人类动作识别与相关任务中的应用
本文提出了一种基于多视图图像的直接关节角度估计方法,通过结合体态姿势表示法,将旋转表示法映射到一个连续空间中,为现场运动分析提供了一种新的方法。
Jul, 2023
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
通过创建一个数据集,包含了人体模型的人工图像和真实人体照片,以及通过卷积神经网络提取所需关节角度,我们得到了在测试数据集上的均方根误差(RMSE)为 12.89、平均绝对误差(MAE)为 4.7 的结果,从而解决了二维人体姿势识别中不可见身体部位的问题。
May, 2024
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
提出了 Expressive Keypoints 方法,通过细化骨骼表示并加入手和脚的细节,提高了现有模型在识别复杂动作方面的区分能力。使用骨骼转换策略逐渐降低关键点数量并给予重要关节更高的权重,同时引入了插拔式实例池模块,使方法能在多人场景下运行而不增加计算成本。通过在七个数据集上的广泛实验结果表明,该方法在使用基于骨骼的人体动作识别方面优于现有技术。
Jun, 2024
通过 OpenCapBench 统一的基准评估,采用生理约束条件,使用肌肉骨骼建模软件(OpenSim)提供的关节角度计算一致的运动学指标,证明了当前姿势估计模型所使用的关键点在生物力学分析中过于稀疏,通过合成数据进行预训练模型的微调,能够预测出更密集的关键点,从而准确进行运动学分析,这样的微调可以减少二倍的关节角度误差。同时,OpenCapBench 还允许用户使用我们的临床相关数据集评估他们自己开发的模型,旨在推动计算机视觉和生物力学领域的同时进步。
Jun, 2024
本文提出了一种基于稀疏表面标记预测人体运动的方法,通过 MOJO 模型生成高频成分的动画,使用 SMPL-X 模型保证解决方案符合身体的真实形态,并取得了最先进的结果。
Dec, 2020
提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹,利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息,同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证,证明了该方法在多种评估指标上实现了最先进的性能。
Jun, 2023
用快速的自下而上的方法,结合图形中心性度量对人类或物体上的 100 多个关键点进行检测,为硬件和人物建模,量化关键点的独立性,将训练权重分配给不同部位的姿势。经实验证明该方法优于以往的所有人体姿势估计方法,而且具有很好的泛化性能。
Oct, 2021