CN111897412A - 动作捕捉装置 - Google Patents
动作捕捉装置 Download PDFInfo
- Publication number
- CN111897412A CN111897412A CN201910367145.8A CN201910367145A CN111897412A CN 111897412 A CN111897412 A CN 111897412A CN 201910367145 A CN201910367145 A CN 201910367145A CN 111897412 A CN111897412 A CN 111897412A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- measured object
- information
- motion
- sensor
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 148
- 230000001133 acceleration Effects 0.000 claims abstract description 124
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000005484 gravity Effects 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000005358 geomagnetic field Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供一种动作捕捉装置,包括:流场矢量传感器,用于采集被测物因运动导致的表面流场信息;加速度传感器,用于采集被测物的合加速度信息;处理器,用于根据所述被测物的表面流场信息,与被测物的合加速度信息进行数据融合,解算出被测物的运动速度、运动加速度和重力加速度分量,并根据重力加速度分量解算被测物姿态角。本发明实施例具有鲁棒性好、长期无漂移的优势,适用于不同类型和不同剧烈程度的被测物运动捕捉。
Description
技术领域
本发明涉及电子检测技术领域,更具体地,涉及动作捕捉装置。
背景技术
运动捕捉技术是一种重要的人机交互方式,在运动训练、影视制作、健康医疗、安全监护等领域发挥着不可替代的作用。运动捕捉技术手段包括机械式、光学式、电磁式和惯性式等。其中惯性式运动捕获方法使用惯性传感器,包括多轴陀螺仪、多轴加速度计和多轴磁强计,对人体的各部位运动状态进行测量分析。得益于微机电***技术的发展,惯性式动作捕获技术传感器体积小、功耗低,使用场景不受限制,基于该技术的可穿戴运动捕捉设备逐渐成为研究的热点。
但是,惯性传感器极易受运动加速度干扰,导致姿态解算不准,且只能靠积分解算运动速度,存在无法避免的积分漂移,这些问题一直困扰着众多研究者。人体运动会导致肢体表面流场变化,可以通过肢体表面流场监测间接反映人体的运动特性,包括运动速度、运动加速度信息,该测量方法具有无积分漂移和不受运动干扰等特点。
由此可见,将表面流场测量方法与常规惯性方法相结合,提供体积小、重量轻、集成度高的可穿戴动作捕捉模块,可以弥补常规惯性式运动捕捉技术的不足,提高动作捕捉的抗干扰性和长期稳定性,为相关领域提供更加稳定可靠的运动检测技术手段。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的动作捕捉装置。
第一个方面,本发明实施例提供一种动作捕捉装置,包括采集部和处理部,所述采集部包括:流场矢量传感器,用于采集被测物因运动导致的表面流场信息;加速度传感器,用于采集被测物的合加速度信息;
所述处理部包括处理器,所述处理器用于根据所述被测物的表面流场信息,与被测物的合加速度信息进行数据融合,解算出被测物的运动速度、运动加速度和重力加速度分量,并根据重力加速度分量解算被测物姿态角。
第二个方面,本发明实施例提供另一种动作捕捉装置,包括采集部和处理部,所述采集部包括流场矢量传感器,用于采集被测物因运动导致的表面流场信息;加速度传感器,用于采集被测物的合加速度信息;角速度传感器,用于采集被测物的角速度信息;
所述处理部包括处理器,所述处理器用于对被测物运动导致的表面流场信息、合加速度信息、角速度信息进行数据融合,解算出被测物的运动速度、运动加速度、重力加速度分量和姿态角。
本发明实施例提供的动作捕捉装置,根据流场矢量传感器测得的表面流场信息解算被测物运动速度,同时结合加速度传感器测得的合加速度信息解算出被测物的运动加速度和重力加速度分量信息,并进一步解算姿态角,克服了现有技术通过惯性传感器解算姿态角存在的累积误差导致的漂移问题和易受动态运动干扰的问题,具有鲁棒性好、长期无漂移的优势,适用于不同类型和不同剧烈程度的被测物运动捕捉。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的动作捕捉装置的结构示意图;
图2为根据本发明一个实施例提供的可穿戴的运动捕捉装置的结构示意图;
图3为根据本发明另一个实施例提供的可穿戴的运动捕捉装置的结构示意图;
图4为根据本发明一个实施例提供的可穿戴的运动捕捉装置的使用示意图;
图5为根据本发明另一个实施例提供的可穿戴的运动捕捉装置的使用示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
地理坐标系是与大地固连的右手直角坐标系,比如北东地(North-East-Down,N-E-D)坐标系。
载体坐标系则是与载体(在本发明实施例中载体即为固定在被测物上的运动捕捉装置)固连在一起的右手直角坐标系,比如前右下(Forward-Right-Down,FRD,定义为x-y-z)坐标系,原点通常选为载体的质心。
姿态角和方向角:姿态角包括俯仰角和滚转角,方向角是指航向角。这三个角代表着从地理坐标系到载体坐标系的旋转关系。在动作捕捉领域,姿态角中的俯仰角可以表征人前倾或者后倾的幅度,滚转角可以表征人左倾或者右倾的幅度,而方向角可以表征人转动的幅度。
为了克服现有技术的上述问题,本发明实施例提供了一种动作捕捉方法,其发明构思为:利用流场矢量传感器采集被测物运动导致的表面流场信息,利用加速度传感器采集被测物的合加速度(重力加速度和运动加速度的矢量和),通过数据融合,解算被测物的运动速度、运动加速度和重力加速度分量,进一步获得被测物的姿态角。
图1为根据本发明实施例提供的动作捕捉装置的结构示意图,如图1所示,动作捕捉装置包括采集部和处理部,其中采集部用于采集数据,而处理部用于对采集的数据进行处理,获得运动速度、运动加速度、重力加速度分量和姿态角信息。在本发明实施例中,采集部和处理部可以采用一体化设置方式,也可以采用分离式设置方式,分离式方式中采集部和处理部通过有线或无线方式连接,在需要动作测量的地点只需放置采集部,而无需放置处理部,甚至采用多个采集部对应一个处理部,以进一步减小动作捕捉装置的体积,实现便携的效果。
采集部100包括:流场矢量传感器110,用于采集被测物运动导致的表面流场信息;加速度传感器120,用于采集被测物的合加速度。
需要说明的是,流场矢量传感器采集的是载体坐标系下的被测物运动导致的表面流体的流速,本发明实施例中的流体为空气或者水,比如人在室内或者人在游泳池中运动时,可根据流场矢量传感器采集的肢体表面流速解算出肢体的运动速度。加速度传感器采集的合加速度是运动加速度和重力加速度的矢量和。
在本发明实施例中,载体坐标系与采集部固连,坐标系原点为采集部的质心。流场矢量传感器采集的是载体坐标系下的流场信息,即流速矢量(包括流速和流向)在载体坐标系下的分量。
处理部200包括:处理器210,用于根据所述被测物表面流场信息以及被测物的合加速度信息,通过数据融合解算出被测物的运动速度、运动加速度、重力加速度分量和姿态角。
在上述实施例的基础上,作为一种可选实施例,采集部还包括测控电路,用于对所述流场矢量传感器、加速度传感器进行信号采集和处理,并调节所述流场矢量传感器、加速度传感器的工作参数。
需要注意的是,本发明实施例的流场矢量传感器、加速度传感器(简称2个传感器)的输出端与测控电路的输入端连接,以使得测控电路接收2个传感器采集的信号,进行信号处理,例如滤波、放大等等;另一方面,测控电路的电源和控制输出端还与2个传感器的输入端连接,以使得测控电路对2个传感器进行电源管理以及调控工作参数,比如调节各传感器的测量范围、带宽,高灵敏和低功耗模式切换等。
在上述实施例的基础上,作为一种可选实施例,采集部还包括:传输模块,用于接收测控电路处理后的信号,通过有线或无线方式将处理后的信号传输至处理器,以使得处理器根据处理后的信号进行数据融合,解算出被测物的运动速度、运动加速度、重力加速度和姿态角。
需要说明的是,当本发明实施例的动作捕捉装置的采集部和处理部可以采用一体化设置,也可采用分离式设置。采用一体化设置时,传输模块以有线方式将测控电路处理后的信号传输至处理器,例如使用串口、USB、LAN等有线方式;当采用分离设计时,传输模块以无线方式,例如蓝牙、GPRS、3G、4G等无线方式,在有些情况下也可以采用有线方式传输。比如采集部集成在运动手环中,而处理部集成在智能手机中,此时采用无线传输方案,而如果采集部集成在探头中,而处理部集成在计算机中,此时既可以采用无线方式也可以有线方式。
在上述实施例的基础上,作为一种可选实施例,处理部还包括:通信模块,用于将处理器获得的被测物的运动速度、运动加速度、重力加速度、角速度和姿态角等信息发送至服务器,方便后续存储以及进一步的分析处理。
需要说明的是,数据融合的方法有很多种,作为一种可选实施例,所述处理器采用但不限于Kalman滤波方法对被测物表面流场信息、合加速度信息进行数据融合,具体方法如下:
Xk+1=ΦXk+w
Yk=CXk+v
其中,下标k表示第k个采样点,Φ为状态转移矩阵,w为过程噪声矩阵,C为观测矩阵,v为观测噪声;
根据重力加速度分量计算俯仰角和滚转角:
其中γ和θ分别表示滚转角和俯仰角。
本发明另一个实施例提供了一种动作捕捉装置,包括采集部和处理部,其中采集部包括流场矢量传感器、加速度传感器、角速度传感器,处理部包括处理器,具体地:
流场矢量传感器,用于采集被测物因运动导致的表面流场信息;
加速度传感器,用于采集被测物的合加速度信息;
角速度传感器,用于采集被测物的角速度信息;
处理器,用于对被测物运动导致的表面流场信息、合加速度信息、角速度信息进行数据融合,解算出被测物的运动速度、运动加速度、重力加速度分量和姿态角。
本发明实施例的动作捕捉装置通过设置角速度传感器,相比图1所示的动作捕捉装置,可以获取更多的运动信息,实现更准确的运动捕捉。
需要说明的是,数据融合的方法有很多种,作为一种可选实施例,本发明实施例采用但不限于Kalman滤波方法对被测物表面流场信息、合加速度信息、角速度信息进行数据融合,具体方法如下:
将被测物在载体坐标系下运动速度运动加速度和重力加速度作为状态变量选择载体坐标系下流场矢量传感器测得的流速信息和加速度计测得的合加速度信息 作为观测变量xb、yb、zb为载体坐标系的坐标轴,分别建立状态方程和观测方程:
Xk+1=ΦXk+w
Yk=CXk+v
其中,下标k表示第k个采样点,为状态转移矩阵,w为过程噪声矩阵,C为观测矩阵,v为观测噪声; Ts为采样周期,λ为与运动加速度模型有关的常数,03、I3分别为三阶零矩阵和单位矩阵,为角速度传感器采集的被测物的角速度;
根据重力加速度分量计算俯仰角和滚转角:
其中γ和θ分别表示滚转角和俯仰角。
在上述实施例的基础上,作为一种可选实施例,动作捕捉装置还包括测控电路,用于对所述流场矢量传感器、加速度传感器、角速度传感器进行信号采集和处理,并调节所述流场矢量传感器、加速度传感器、角速度传感器的工作参数。
需要注意的是,本发明实施例的流场矢量传感器、加速度传感器和角速度传感器(简称3个传感器)的输出端与测控电路的输入端连接,以使得测控电路接收3个传感器采集的信号,进行信号处理,例如滤波、放大等等;另一方面,测控电路的电源和控制输出端还与3个传感器的输入端连接,以使得测控电路对3个传感器进行电源管理以及调控工作参数,比如调节各传感器的测量范围、带宽,高灵敏和低功耗模式切换等。
在上述实施例的基础上,作为一种可选实施例,动作捕捉装置还包括:传输模块,用于接收测控电路处理后的信号,通过有线或无线方式将处理后的信号传输至处理器,以使得处理器根据处理后的信号进行数据融合,解算出被测物的运动速度、运动加速度、重力加速度和姿态角。
在上述实施例的基础上,作为一种可选实施例,动作捕捉装置还包括:通信模块,用于将处理器获得的被测物的运动速度、运动加速度、重力加速度、角速度和姿态角等信息发送至服务器,方便后续存储以及进一步的分析处理。
在上述各实施例的基础上,作为一种可选实施例,动作捕捉装置的采集部还包括:磁场传感器,用于测量地磁场分量。相应的,处理器还用于根据所述地磁场分量以及俯仰角和滚转角计算方向角。
在一个可选实施例中,处理器通过以下公式计算方向角:
作为一种可选实施例,本发明实施例的处理器还可以采用机器学习的方式获得姿态角(包括俯仰角和滚转角)信息和方向角信息。神经网络模型采用多层网络结构,如前馈神经网络或深度学习网络,神经网络由大量的节点(或称神经元)相互连接构成,每两个节点间的连接通过一个加权值将一个节点信号传输给另一个节点,节点间的加权值称之为权参数。采用神经网络学习算法对神经网络模型中的权参数进行学习,从而建立能够表达输入信号与输出信号关系的神经网络模型。实际测量中将采集部测得的肢体表面流场信息、合加速度信息、角速度信息和地磁场分量信息输入到神经网络模型中,实时计算获得姿态角(包括俯仰角和滚转角)和方向角信息,实现动作捕捉。
具体地,处理器将所述被测物的表面流场信息、合加速度信息、角速度信息、地磁场分量信息输入至预先训练的神经网络模型,输出被测物的运动速度、运动加速度、重力加速度分量、姿态角和方向角;
其中,所述预先训练的神经网络模型根据样本被测物的表面流场信息、合加速度信息、角速度信息、地磁场分量信息以及样本被测物的实际运动速度、实际运动加速度、实际重力加速度分量、实际姿态角和实际方向角训练而成。
在上述实施例的基础上,作为一种可选实施例,流场矢量传感器、加速度传感器、角速度传感器和磁场传感器为微机电(Micro-Electro-Mechanical System,MEMS)传感器。微机电传感器是指用微加工工艺制作的传感器,传感器的结构尺寸为微米量级,在本发明实施例中可采用MEMS流场矢量传感器、磁强计、加速度计和角速度计。本发明实施例通过使用微机电传感器,实现动作捕捉装置的小型化,进一步提高便携性和集成度。
在上述各实施例的基础上,作为一种可选实施例,动作捕捉装置可以使用多个采集部分别布置在人体不同肢体上,测量多肢体表面流场信息、合加速度信息、角速度信息和地磁场分量信息,相应地,所述处理器用于将多个肢体的表面流场信息、合加速度信息、角速度信息和地磁场分量信息进行数据融合,解算出各肢体的运动速度、运动加速度、重力加速度分量、姿态角和方向角,实现人体多肢体动作捕捉和动作重构。所述数据融合算法可以使用但不限于Kalman滤波、神经网络算法。
图2为根据本发明一个实施例提供的可穿戴的运动捕捉装置的结构示意图,如图2所示,包括:采集部300和处理部400。采集部又包括采集一部310和采集二部320,二者通过有线方式连接,采集一部310包括流场矢量传感器301和加速度传感器302。采集一部310固定在人的手臂、头、腿部等部位。采集二部320包括外壳303以及设置在外壳303内部的测控电路304、传输模块305和电源306,外壳303采用可穿戴的设计,例如采用绑带将采集部320固定在手臂上;测控电路304用于对流场矢量传感器301和加速度传感器302进行信号采集和处理,并调节工作参数,测控电路304将处理后的数据发送至传输模块305,传输模块305通过无线方式发送至处理部400中,处理部400具体可以为手机、平板电脑、电脑、PDA等便携式设备。
图3为根据本发明另一个实施例提供的可穿戴的运动捕捉装置的结构示意图,如图3所示,包括采集部500和处理部600。采集部500又包括采集一部510和采集二部520,二者通过有线方式连接。采集一部510包括流场矢量传感器501、加速度传感器502、角速度传感器503和磁场传感器504。采集一部510可以固定在人的手臂、头、腿部等部位。采集而部520包括外壳505以及设置在外壳505内部的测控电路506、传输模块507和电源508,外壳505采用可穿戴的设计,例如采用绑带将采集部520固定在手臂上;测控电路506用于对流场矢量传感器501、加速度传感器502、角速度传感器503和磁场传感器504进行信号采集和处理,并调节工作参数,测控电路506将处理后的数据发送至传输模块507,传输模块507通过无线方式发送至处理部600中,处理部600具体可以为手机、平板电脑、电脑、PDA等便携式设备。与图2所示的实施例相比,图3所示的实施例增加了角速度传感器和磁场传感器,可以测量更多的运动信息,从而实现更准确和更全面的运动捕捉。
在一个可选实施例中,流场矢量传感器可以使用专利号201310533985.X公布的二维流速矢量传感器。该传感器采用至少三个热敏电阻丝组成圆形的加热区域,检测流场对各热敏电阻丝(加热元件)的冷却作用,采用恒温差检测模式,获得各热敏电阻丝的输出信号,通过信号处理可以解算出流体流速、流向以及环境温度,并对流场测量实现温度补偿,即流体流速和流向的测量不受环境温度的影响。流场矢量传感器的信号处理方法可以使用专利号201310533985.X公布的神经网络解算方法,也可以采用代数解算方法。流场矢量传感器的信号处理可以在本发明所述的处理器中实施,用于根据所述热敏电阻丝的输出信号解算出流体的速度和流向。
图4示出了本发明一个实施例的可穿戴的运动捕捉装置的使用示意图。如图4所示,该装置的采集部1穿戴于中风患者肢体上,用于实时监测患者肢体的运动速度、运动加速度、重力加速度、姿态角等信息,并将监测、处理后的数据通过无线方式(如蓝牙、ZigBee)发送至便携设备2,便携设备2可以为手机,由使用者随身携带,用于对接收到的监测数据进行采集、处理、计算、显示和存储,还可将监测数据进一步通过GPRS或3G、4G网络传输到远程服务器3,远程服务器3可以设置在医院中,用于对中风患者进行远程康复训练指导,或者对患者进行行动监测、跌倒报警等日常健康监护。图4所示实施例提供的可穿戴的运动捕捉装置可有效弥补常规惯性式运动捕捉技术的固有缺陷,提供更加稳定、可靠的运动捕捉功能,且体积小、重量轻、可穿戴,可满足普通消费者日常生活中的健康监测和康复锻炼等应用需求。
图5示出了本发明另一个实施例提供的可穿戴的运动捕捉装置的使用示意图。如图5所示,该装置的多个采集部分别穿戴于运动员或演员的身体多个节点上,用于实时监测运动速度、运动加速度、重力加速度、运动角速度、姿态角等信息,并将监测、处理后的数据通过无线方式(如蓝牙、ZigBee)发送至便携设备2,便携设备2可以为手机,由使用者随身携带,用于对接收到的监测数据进行采集、处理、计算、显示和存储,比如根据监测的运动数据建立起人体的运动模型,之后还可将数据进一步通过GPRS或3G、4G网络传输到远程服务器3,远程服务器可以设置在影视工作室中,以帮助影视制作人员高效、方便、快捷地获取需要的运动模型,提高影视制作的灵活性,加速影视制作进度,缩减成本。图5所示实施例的可穿戴的运动捕捉装置可有效弥补常规惯性式运动捕捉技术的固有缺陷,提供更加精准、可靠的运动捕捉功能,且体积小、重量轻、可穿戴,可随时随地使用,提高运动监测的准确性和灵活性。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动作捕捉装置,其特征在于,包括采集部和处理部,所述采集部包括:流场矢量传感器,用于采集被测物因运动导致的表面流场信息;加速度传感器,用于采集被测物的合加速度信息;
所述处理部包括处理器,所述处理器用于根据所述被测物的表面流场信息,与被测物的合加速度信息进行数据融合,解算出被测物的运动速度、运动加速度和重力加速度分量,并根据重力加速度分量解算被测物姿态角。
2.根据权利要求1所述的动作捕捉装置,其特征在于,所述处理器具体用于:
Xk+1=ΦXk+w
Yk=CXk+v
其中,下标k表示第k个采样点,Φ为状态转移矩阵,w为过程噪声矩阵,C为观测矩阵,v为观测噪声;
根据重力加速度分量计算俯仰角和滚转角:
其中γ和θ分别表示滚转角和俯仰角。
3.一种动作捕捉装置,其特征在于,包括采集部和处理部,所述采集部包括流场矢量传感器,用于采集被测物因运动导致的表面流场信息;加速度传感器,用于采集被测物的合加速度信息;角速度传感器,用于采集被测物的角速度信息;
所述处理部包括处理器,所述处理器用于对被测物运动导致的表面流场信息、合加速度信息、角速度信息进行数据融合,解算出被测物的运动速度、运动加速度、重力加速度分量和姿态角。
4.根据权利要求3所述的动作捕捉装置,其特征在于,所述处理器具体用于:
将被测物在载体坐标系下运动速度运动加速度和重力加速度作为状态变量选择载体坐标系下流场矢量传感器测得的流速信息和加速度计测得的合加速度信息 作为观测变量xb、yb、zb为载体坐标系的坐标轴,分别建立状态方程和观测方程:
Xk+1=ΦXk+w
Yk=CXk+v
其中,下标k表示第k个采样点,为状态转移矩阵,w为过程噪声矩阵,C为观测矩阵,v为观测噪声; Ts为采样周期,λ为与运动加速度模型有关的常数,03、I3分别为三阶零矩阵和单位矩阵,为角速度传感器采集的被测物的角速度;
根据重力加速度分量计算俯仰角和滚转角:
其中γ和θ分别表示滚转角和俯仰角。
5.根据权利要求1或3所述的动作捕捉装置,其特征在于,所述采集部还包括:磁场传感器,用于测量地磁场分量;
相应地,所述处理器还用于根据所述地磁场分量以及俯仰角和滚转角计算方向角。
6.根据权利要求5所述的动作捕捉装置,其特征在于,所述采集部中的传感器为微机电传感器。
7.根据权利要求5所述的动作捕捉装置,其特征在于,所述采集部还包括:
测控电路,用于对所述采集部中的各传感器进行信号采集和处理,并调节各传感器的工作参数。
8.根据权利要求7所述的动作捕捉装置,其特征在于,所述采集部还包括:
传输模块,用于接收所述测控电路处理后的信号,通过有线或无线方式将处理后的信号传输至所述处理器。
9.根据权利要求5所述的动作捕捉装置,其特征在于,所述处理部还包括:
通信模块,用于将所述处理器获得的被测物的运动速度、运动加速度、重力分量、姿态角、角速度和方向角信息发送至预先创建的服务器中。
10.根据权利要求5所述的动作捕捉装置,其特征在于,所述处理器具体用于:
将所述被测物的表面流场信息、合加速度信息、角速度信息、地磁场分量信息输入至预先训练的神经网络模型,输出被测物的运动速度、运动加速度、重力加速度分量、姿态角和方向角;
其中,所述预先训练的神经网络模型根据样本被测物的表面流场信息、合加速度信息、角速度信息、地磁场分量信息以及样本被测物的实际运动速度、实际运动加速度、实际重力加速度分量、实际姿态角和实际方向角训练而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367145.8A CN111897412B (zh) | 2019-05-05 | 2019-05-05 | 动作捕捉装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367145.8A CN111897412B (zh) | 2019-05-05 | 2019-05-05 | 动作捕捉装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897412A true CN111897412A (zh) | 2020-11-06 |
CN111897412B CN111897412B (zh) | 2022-02-11 |
Family
ID=73169103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367145.8A Active CN111897412B (zh) | 2019-05-05 | 2019-05-05 | 动作捕捉装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897412B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886927A (zh) * | 2010-06-25 | 2010-11-17 | 武汉大学 | 基于惯性传感器和地磁传感器的三维运动跟踪***与方法 |
CN102320280A (zh) * | 2011-06-30 | 2012-01-18 | 清华大学 | 一种防止弯道车辆前撞的自动报警方法 |
CN103017773A (zh) * | 2012-11-30 | 2013-04-03 | 北京控制工程研究所 | 一种基于天体表面特征和天然卫星路标的环绕段导航方法 |
CN103136912A (zh) * | 2013-03-05 | 2013-06-05 | 广西师范大学 | 运动姿态捕捉*** |
CN107373922A (zh) * | 2017-07-24 | 2017-11-24 | 京东方科技集团股份有限公司 | 可穿戴设备和使用可穿戴设备测量风速和风向的方法 |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
CN109115275A (zh) * | 2018-09-30 | 2019-01-01 | 清华大学 | 风速风向计 |
-
2019
- 2019-05-05 CN CN201910367145.8A patent/CN111897412B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886927A (zh) * | 2010-06-25 | 2010-11-17 | 武汉大学 | 基于惯性传感器和地磁传感器的三维运动跟踪***与方法 |
CN102320280A (zh) * | 2011-06-30 | 2012-01-18 | 清华大学 | 一种防止弯道车辆前撞的自动报警方法 |
CN103017773A (zh) * | 2012-11-30 | 2013-04-03 | 北京控制工程研究所 | 一种基于天体表面特征和天然卫星路标的环绕段导航方法 |
CN103136912A (zh) * | 2013-03-05 | 2013-06-05 | 广西师范大学 | 运动姿态捕捉*** |
CN107373922A (zh) * | 2017-07-24 | 2017-11-24 | 京东方科技集团股份有限公司 | 可穿戴设备和使用可穿戴设备测量风速和风向的方法 |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
CN109115275A (zh) * | 2018-09-30 | 2019-01-01 | 清华大学 | 风速风向计 |
Also Published As
Publication number | Publication date |
---|---|
CN111897412B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101751760B1 (ko) | 하지 관절 각도를 이용한 보행 인자 추정 방법 | |
CN112470009A (zh) | 用于使游泳者的动作的表现度量公式化的***和方法 | |
Ribeiro et al. | Inertial measurement units: A brief state of the art on gait analysis | |
CN109171734A (zh) | 基于多传感器数据融合的人体行为分析云管理*** | |
US20080288200A1 (en) | Newtonian physical activity monitor | |
RU121947U1 (ru) | Система захвата движения | |
Wang et al. | Swimming motion analysis and posture recognition based on wearable inertial sensors | |
Petropoulos et al. | Wearable smart health advisors: An IMU-enabled posture monitor | |
CN109846487A (zh) | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 | |
CN109115275B (zh) | 风速风向计 | |
CN106970705A (zh) | 动作捕捉方法、装置和电子设备 | |
Guidolin et al. | On the accuracy of imus for human motion tracking: a comparative evaluation | |
Silva et al. | Wearable monitoring unit for swimming performance analysis | |
CN111603750A (zh) | 基于边缘计算的动作捕捉识别评估***及方法 | |
CN111382641A (zh) | 体态识别方法和体感游戏动作指导*** | |
Brunetti et al. | A new platform based on IEEE802. 15.4 wireless inertial sensors for motion caption and assessment | |
CN111897412B (zh) | 动作捕捉装置 | |
Šeketa et al. | Real-time evaluation of repetitive physical exercise using orientation estimation from inertial and magnetic sensors | |
CN115904086A (zh) | 基于可穿戴计算的手语识别方法 | |
Low et al. | A wearable wireless sensor network for human limbs monitoring | |
CN206166923U (zh) | 人体运动数据采集装置和*** | |
Wang et al. | Acquiring the distance data with inertial measurement unit in a wearable device for the training of hammer throwers | |
Zhao et al. | A wearable body motion capture system and its application in assistive exoskeleton control | |
JP2023131905A (ja) | 行動推定システム、行動推定方法、プログラム | |
KR101742707B1 (ko) | 스마트 워치의 내장 가속도 센서와 스마트폰을 이용한 행동 인식 장치 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |