CN111597890B - 一种人姿估计坐标纠偏方法 - Google Patents
一种人姿估计坐标纠偏方法 Download PDFInfo
- Publication number
- CN111597890B CN111597890B CN202010275505.4A CN202010275505A CN111597890B CN 111597890 B CN111597890 B CN 111597890B CN 202010275505 A CN202010275505 A CN 202010275505A CN 111597890 B CN111597890 B CN 111597890B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- coordinates
- calculating
- camera
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000003550 marker Substances 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人姿估计坐标纠偏方法，包括如下步骤：S1：通过标记圈方法计算相机坐标系；S2：基于相机坐标系估计最佳坐标系；S3：基于最佳坐标系纠正姿态坐标值。本发明的一种人姿估计坐标纠偏方法简化了数采相机安装位置的要求，提高了姿态估计数据的可用性。
Description
技术领域
本发明属于人体姿态估计技术领域，特别涉及一种人姿估计坐标纠偏方法。
背景技术
姿态估计基于二维或者三维数据通过学习或者模型的方法判断目标人体的姿态信息；姿态信息包括主要关节点位置和主要关节尺寸。基于模型的方法通常利用物体的几何关系或者物体的特征点来估计；基于学习的方法借助于机器学习方法从不同姿态下的训练样本中学习二维观测与三维姿态之间的对应关系，并将学习得到的决策规则或回归函数应用于样本并实现姿态估计。
姿态估计技术在虚拟现实和增强现实应用中可以准确的辅助人体相关内容的绑定，还可以借助时序信息判断关节的动力学信息用于高级特效的实现。在运动康复医学的实践中，姿态估计以及动力学信息可以为康复辅助和康复评估提供更加准确的临床数据。
目前使用二维图像或者视频数据通过机器学习实现的姿态估计结果都会因为采集点位置和角度的原因使得姿态估计结果存在偏移；这些偏移或导致估计结果中出现人体比例不协调和左右不对称；这些偏移需要在数据使用前进行纠正。
鉴于此，克服上述现有技术所存在的缺陷是本领域亟待解决的问题。
发明内容
为了克服现有技术中存在的技术问题，本发明提供了一种人姿估计坐标纠偏方法，包括如下步骤：
S1：通过标记圈方法计算相机坐标系；
S2：基于相机坐标系估计最佳坐标系；
S3：基于最佳坐标系纠正姿态坐标值。
进一步地，S1包括如下步骤：
S11：放置标记圈于目标轨迹线上；
S12：根据图像分析计算出圆心距；
S13：根据图像分析计算圆心坐标。
进一步地，S2包括如下步骤：
S21：确定最佳坐标系位置；
S22：计算标记圈圆心的转换参考；
S23：计算任意点的转换坐标。
进一步地，S3包括如下步骤：
S31：计算相机原点纠偏指数；
S32：计算近相机端估计点纠偏指数；
S33：计算远相机端估计点纠偏指数。
进一步地，S11包括：两个直径相同的圆作为标记圆，两个标记圆的圆心连线与目标轨迹线重合。
进一步地，S12包括：将相机放置于可以观察到标记圆的位置；在相机坐标系中，假设相机位置为原点O(0，0，0)，由此计算出两个标记圆的圆心坐标：A(X(A),Y(A),Z(A))和B(X(B),Y(B),Z(B)), 其中，Y(A)＝Y(B)，Z(A)＝Z(B)。
进一步地，S13包括：设两个标记圆的圆心距OA＝L1,OB＝L2，地面角∠A＝AA，通过标记圆测距方法可以计算得到标记圆心A的坐标为：X(A)＝a1；Y(A)＝b；Z(A)＝c。
进一步地，S21包括：设定最佳坐标系X轴平行于目标运动轨迹线，即平行于直线AB；
S22包括：设定最佳坐标系圆心位于N(0，b，0)；计算得到最佳坐标系中A的坐标为AN(a1,0,c),B的坐标为BN(a1+a,0,c),转换参考T＝(0，-b，0)；
S23包括：设定相机坐标系中随机点R(X(R),Y(R),Z(R))计算得到最佳坐标系中坐标为S(X(S),Y(S),Z(S))，则有：S＝R+T。
进一步地，S31包括：假设相机坐标系XZ平面最佳坐标系原点N 的纠正指数C为1；
S32包括：当Y(S)>0时，S点的纠正指数C为|(X(S)，Y(S)-b, Z(S))|/|(X(S)，-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C, Z(S))；
S33包括：当Y(S)<0时，S点的纠正指数C为|(X(S)，-b,Z(S)) |/|(X(S)，Y(S)-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))。
较佳地，当Y(S)＝0时，S点的纠正指数C为1，S点的纠正坐标为(X(S),Y(S),Z(S))。
与现有技术相比较，本发明所提供的一种人姿估计坐标纠偏方法通过标记圈方法判断人体运动坐标系情况，进而通过人体运动坐标系纠正姿态估计中各关节点坐标。该方法具有以下优点：简化了数采相机安装位置的要求，提高了姿态估计数据的可用性。
附图说明
包含在本说明书中并构成本说明书一部分的附图示出了符合本发明的装置和方法的实施方案，并与详细描述一起用于解释符合本发明的优点和原理。
图1是本发明的一个较佳实施例的人姿估计姿态估计坐标纠偏的计算流程图；
图2是本发明的一个较佳实施例的人姿估计点与数据采集点的位置关系示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施例。然而，本发明并不局限于以下描述的实施方式。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合，且本发明的技术理念可以与其他公知技术或与那些公知技术相同的其他技术组合实施。
如无特别说明，本文中出现的类似于“第一”、“第二”的限定语并非是指对时间顺序、数量、或者重要性的限定，而仅仅是为了将本技术方案中的一个技术特征与另一个技术特征相区分。同样地，本文中在数词前出现的类似于“大约”、“近似地”的修饰语通常包含本数，并且其具体的含义应当结合上下文意理解。同样地，除非是有特定的数量量词修饰的名词，否则在本文中应当视作即包含单数形式又包含复数形式，在该技术方案中既可以包括单数个该技术特征，也可以包括复数个该技术特征。
在以上具体实施例的说明中，方位术语“上”、“下”、”左”、“右”、“顶”、“底”、“竖向”、“横向”和“侧向”等的使用仅仅出于便于描述的目的，而不应视为是限制性的。
如图1所示，本发明的一个较佳实施例提供了一种人姿估计坐标纠偏方法，包括如下步骤：：
S1：通过标记圈方法计算相机坐标系；
S2：基于相机坐标系估计最佳坐标系；
S3：基于最佳坐标系纠正姿态坐标值。
其中，S1包括如下步骤：
S11：放置标记圈于目标轨迹线上；
S12：根据图像分析计算出圆心距；
S13：根据图像分析计算圆心坐标。
其中，S2包括如下步骤：
S21：确定最佳坐标系位置；
S22：计算标记圈圆心的转换参考；
S23：计算任意点的转换坐标。
其中，S3包括如下步骤：
S31：计算相机原点纠偏指数；
S32：计算近相机端估计点纠偏指数；
S33：计算远相机端估计点纠偏指数。
如图2所示，其中S11包括：两个直径相同的圆作为标记圆，两个标记圆的圆心连线与目标轨迹线重合。
S12包括：将相机放置于可以观察到标记圆的位置；在相机坐标系中，假设相机位置为原点O(0，0，0)，由此计算出两个标记圆的圆心坐标：A(X(A),Y(A),Z(A))和B(X(B),Y(B),Z(B)),其中，Y(A)＝ Y(B)，Z(A)＝Z(B)。
S13包括：设两个标记圆的圆心距OA＝L1,OB＝L2，地面角∠A＝ AA，通过标记圆测距方法可以计算得到标记圆心A的坐标为：X(A)＝a1； Y(A)＝b；Z(A)＝c。
S21包括：设定最佳坐标系X轴平行于目标运动轨迹线，即平行于直线AB；
S22包括：设定最佳坐标系圆心位于N(0，b，0)；计算得到最佳坐标系中A的坐标为AN(a1,0,c),B的坐标为BN(a1+a,0,c),转换参考T＝(0，-b，0)；
S23包括：设定相机坐标系中随机点R(X(R),Y(R),Z(R))计算得到最佳坐标系中坐标为S(X(S),Y(S),Z(S))，则有：S＝R+T。
S31包括：假设相机坐标系XZ平面最佳坐标系原点N的纠正指数C 为1；
S32包括：当Y(S)>0时，S点的纠正指数C为|(X(S)，Y(S)-b, Z(S))|/|(X(S)，-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C, Z(S))；
S33包括：当Y(S)<0时，S点的纠正指数C为|(X(S)，-b,Z(S)) |/|(X(S)，Y(S)-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))。
当Y(S)＝0时，S点的纠正指数C为1，S点的纠正坐标为(X(S), Y(S),Z(S))。
具体应用举例，一种下肢康复机器人的人机交互模块使用了本发明的姿态估计坐标纠偏方法：
1.人机交互模式下通过高清相机和计算机对使用跑步机进行下肢运动康复训练的患者进行人姿估计，并根据人姿估计结果和患者康复训练进度给予具体的身体姿态(主要是下肢姿态，涉及髋、股、膝、踝关节)纠正建议。由于高清相机和跑步机的分离式结构设计，每一套设备二者的空间位置关系都有差异，基于高清图像处理的姿态估计结构会因此存在明显差异；需要寻找一个通用的坐标系，将姿态估计的结果映射至该坐标系，以便位姿偏差计算和数据可视化。
2.在高清相机和跑步机的三维空间中，考虑到高清相机必须位于跑步机的一端，且跑步机必须位于高清相机的视野内部，最容易实现纠偏的通用坐标系应该是结合了跑步机的对称轴线和高清相机的空间原点的“最佳坐标系”。
3.将紧固连接的标记圈A、B放置于跑步机中央位置的轴线上，该轴线也是患者在跑步机上的目标运动轨迹线。高清相机通过采集图像 AC和BC的尺寸信息(图像中椭圆形标记圈A、B的长径和短径分别是r (AL)、r(AS)、r(BL)、r(BS))，根据该尺寸信息和标记圈的标准半径r和圆心距a可以计算出标记圈A、B圆心的相机坐标系的坐标分别为A(X(A),Y(A),Z(A))和B(X(B),Y(B),Z(B)),并且Y(A) ＝Y(B)，Z(A)＝Z(B)，以及相机坐标系中圆心距OA＝L1,OB＝L2，基于标记圈A、B圆心可以计算出标记圈位置的空间角∠A＝AA，∠B＝BB。通过∠A可以计算出圆心A的空间位置(a1,b,c)。
4.相机坐标系中相机原点与患者在跑步机上的目标运动轨迹线 (也就是跑步机的轴线)呈一个明显的夹角，最佳坐标系中相机原点与该轨迹线在同一个平面，最佳坐标系X轴平行于目标运动轨迹线，即平行于直线AB。根据圆心A的空间位置，最佳坐标系圆心位于相机坐标系的N(0，b，0)位置，即最佳坐标系在相机坐标系的Y轴方向平移了 -b的距离，在最佳坐标系中A的坐标为AN(a1,0,c),B的坐标为BN (a1+a,0,c)。
5.使用高清相机和计算机通过图像处理算法估计出跑步机上正在进行康复训练的患者(HZ)的某个目标关节点在相机坐标系的位置坐标为R(X(R),Y(R),Z(R))，则该点在最佳坐标系的坐标应该是S(X(S), Y(R)-b,Z(S))。
6.由于高清相机和跑步机的空间位置关系，相机对患者的图像抓取因为光学成像近大远小的机制会出现人姿估计信息中人体关节位置的明显不对称，为了纠正这一数据以便于位姿偏差计算和数据可视化，引入区分人体左右测的纠正指数C。在最佳坐标系中相机原点和目标运动轨迹线在同一平面，指定该平面内的估计点纠正指数为1；当估计点位于近相机端的一侧时，Y(S)>0，根据线性比例关系S点的纠正指数 C为|(X(S)，Y(S)-b,Z(S))|/|(X(S)，-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))；当估计点位于远相机端的一侧时， Y(S)<0，根据线性比例关系S点的纠正指数C为|(X(S)，-b,Z(S)) |/|(X(S)，Y(S)-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))。
本发明所提供的一种人姿估计坐标纠偏方法通过标记圈方法判断人体运动坐标系情况，进而通过人体运动坐标系纠正姿态估计中各关节点坐标。该方法具有以下优点：简化了数采相机安装位置的要求，提高了姿态估计数据的可用性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (2)
1.一种人姿估计坐标纠偏方法，其特征在于，包括如下步骤：
S1：通过标记圈方法计算相机坐标系；
S2：基于相机坐标系估计最佳坐标系；
S3：基于最佳坐标系纠正姿态坐标值；
所述S1包括如下步骤：
S11：放置标记圈于目标轨迹线上；
S12：分析计算出圆心距；
S13：分析计算圆心坐标；
所述S2包括如下步骤：
S21：确定最佳坐标系位置；
S22：计算标记圈圆心的转换参考；
S23：计算任意点的转换坐标；
所述S3包括如下步骤：
S31：计算相机原点纠偏指数；
S32：计算近相机端估计点纠偏指数；
S33：计算远相机端估计点纠偏指数；
所述S11包括：两个直径相同的圆作为标记圆，所述两个标记圆的圆心连线与目标轨迹线重合；
所述S12包括：将相机放置于可以观察到所述标记圆的位置；在相机坐标系中，假设相机位置为原点O(0，0，0)，由此计算出两个标记圆的圆心坐标：A(X(A),Y(A),Z(A))和B(X(B),Y(B),Z(B)),其中，Y(A)＝Y(B)，Z(A)＝Z(B)；
所述S13包括：设所述两个标记圆的圆心距OA＝L1,OB＝L2，地面角∠A＝AA，通过标记圆测距方法可以计算得到标记圆心A的坐标为：X(A)＝a1；Y(A)＝b；Z(A)＝c；
所述S21包括：设定最佳坐标系X轴平行于目标运动轨迹线，即平行于直线AB；
所述S22包括：设定最佳坐标系圆心位于N(0，b，0)；计算得到所述最佳坐标系中A的坐标为AN(a1,0,c),B的坐标为BN(a1+a,0,c),转换参考T＝(0，-b，0)；
所述S23包括：设定所述相机坐标系中随机点R(X(R),Y(R),Z(R))计算得到最佳坐标系中坐标为S(X(S),Y(S),Z(S))，则有：S＝R+T；
所述S31包括：假设相机坐标系XZ平面最佳坐标系原点N的纠正指数C为1；
所述S32包括：当Y(S)>0时，S点的纠正指数C为|(X(S)，Y(S)-b,Z(S))|/|(X(S)，-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))；
所述S33包括：当Y(S)<0时，S点的纠正指数C为|(X(S)，-b,Z(S))|/|(X(S)，Y(S)-b,Z(S))|,S点的纠正坐标为(X(S),Y(S)*C,Z(S))。
2.根据权利要求1所述的人姿估计坐标纠偏方法，其特征在于，
当所述Y(S)＝0时，S点的纠正指数C为1，S点的纠正坐标为(X(S),Y(S),Z(S))。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275505.4A CN111597890B (zh) | 2020-04-09 | 2020-04-09 | 一种人姿估计坐标纠偏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275505.4A CN111597890B (zh) | 2020-04-09 | 2020-04-09 | 一种人姿估计坐标纠偏方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597890A CN111597890A (zh) | 2020-08-28 |
| CN111597890B true CN111597890B (zh) | 2024-04-09 |
Family
ID=72183479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010275505.4A Active CN111597890B (zh) | 2020-04-09 | 2020-04-09 | 一种人姿估计坐标纠偏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597890B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110465946A (zh) * | 2019-08-19 | 2019-11-19 | 珞石（北京）科技有限公司 | 简易便捷的像素坐标与机器人坐标关系标定方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10127636B2 (en) * | 2013-09-27 | 2018-11-13 | Kofax, Inc. | Content-based detection and three dimensional geometric reconstruction of objects in image and video data |
| JP2015056057A (ja) * | 2013-09-12 | 2015-03-23 | トヨタ自動車株式会社 | 姿勢推定方法及びロボット |
-
2020
- 2020-04-09 CN CN202010275505.4A patent/CN111597890B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110465946A (zh) * | 2019-08-19 | 2019-11-19 | 珞石（北京）科技有限公司 | 简易便捷的像素坐标与机器人坐标关系标定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 单春艳 ; 杨维 ; 耿翠博 ; .面向井下无人机自主飞行的人工路标辅助位姿估计方法.煤炭学报.2019,(S1),全文. * |
| 郭海科 ; 金海鹰 ; Gerd.U.Auffarth ; 张洪洋 ; .数字图像分析技术对Toric人工晶状体轴偏离的研究.眼科研究.2010,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597890A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109758355B (zh) | 一种基于人体穴位二维图像处理和三维立体定位方法 | |
| CN107330967B (zh) | 基于惯性传感技术的骑师运动姿态捕捉及三维重建*** | |
| CN111881887A (zh) | 基于多摄像头的运动姿态监测和指导方法及装置 | |
| CN103948361B (zh) | 无标志点的内窥镜定位跟踪方法和*** | |
| CN104887238A (zh) | 基于动作捕捉的手康复训练评估***和方法 | |
| US10445930B1 (en) | Markerless motion capture using machine learning and training with biomechanical data | |
| US9977982B2 (en) | Medical image processing method and image processing system | |
| CN113296395A (zh) | 一种特定平面内的机器人手眼标定方法 | |
| CN109993792A (zh) | 投影方法、装置及***和可读存储介质 | |
| Wei et al. | Real-time 3D arm motion tracking using the 6-axis IMU sensor of a smartwatch | |
| Yahya et al. | Accurate shoulder joint angle estimation using single RGB camera for rehabilitation | |
| CN111597890B (zh) | 一种人姿估计坐标纠偏方法 | |
| EP4104788A1 (en) | Method for verifying matching of surgery target, apparatus therefor, and system including same | |
| Huang et al. | Automatic evaluation of trainee nurses' patient transfer skills using multiple kinect sensors | |
| CN114469079B (zh) | 一种利用LightHouse的身体关节测量方法 | |
| WO2017005591A1 (en) | Apparatus and method for motion tracking of at least a portion of a limb | |
| CN110263671A (zh) | 一种可快速标定肌肉特征的面具及其加工方法 | |
| Lee et al. | Real-time motion analysis system using low-cost web cameras and wearable skin markers | |
| Nakamura et al. | Tankendo motion estimation system with robustness against differences in color and size between users' clothes using 4-color markers with elastic belts | |
| KR20170099715A (ko) | 관절 가동성 자동측정장치 및 이를 이용한 관절 가동성 자동측정방법 | |
| CN113569775B (zh) | 一种基于单目rgb输入的移动端实时3d人体动作捕捉方法及***、电子设备、存储介质 | |
| Gregory et al. | Implementation of computer vision in detecting human poses | |
| CN115205967A (zh) | 一种基于人体识别的运动动作判定方法 | |
| Guidolin et al. | Hi-ROS: Open-source multi-camera sensor fusion for real-time people tracking | |
| TWI764393B (zh) | 壓力織物的製造方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200828 Assignee: SHANGHAI ELECTRIC INTELLIGENT REHABILITATION MEDICAL TECHNOLOGY Co.,Ltd. Assignor: Shanghai Electric Group Co.,Ltd. Contract record no.: X2023310000146 Denomination of invention: A Coordinate Correction Method for Human Attitude Estimation License type: Exclusive License Record date: 20230919 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |