基于MIMU(magnetic and inertial measurement unit)的人体动作捕捉技术,每个测量单元在使用前,均需要对其磁力计进行校正.然而,一套人体动作捕捉系统具有7至十几个MIMU,因此缩短MIMU中磁力计校正的总时间是亟需解决的关键问题.磁力计...基于MIMU(magnetic and inertial measurement unit)的人体动作捕捉技术,每个测量单元在使用前,均需要对其磁力计进行校正.然而,一套人体动作捕捉系统具有7至十几个MIMU,因此缩短MIMU中磁力计校正的总时间是亟需解决的关键问题.磁力计校正可采用的旋转形式主要有两种,分别为八字旋转的校正方法和绕着各单轴旋转的校正方法.为了节省磁力计的校正时间并保证磁力计的校正精度,提出了一种优化的校正方法.即采用最小二乘法的椭球拟合方法,根据求得的椭球模型原点和半径均方根误差,确定最佳的旋转形式和旋转次数,以较快、较准确地校正磁力计.实验结果表明,绕各单轴各旋转1次的校正方法效果最佳.展开更多
文摘为解决单一的卷积神经网络(convolutional netral network,CNN)缺乏利用时序信息与单一循环神经网络(recurrent neural network,RNN)对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型(convolutional neural network-long short term memory network-attention mechanism,CLA-net)的人体行为识别(Human activity recognition,HAR)方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络(long short term memory,LSTM)提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。
文摘基于MIMU(magnetic and inertial measurement unit)的人体动作捕捉技术,每个测量单元在使用前,均需要对其磁力计进行校正.然而,一套人体动作捕捉系统具有7至十几个MIMU,因此缩短MIMU中磁力计校正的总时间是亟需解决的关键问题.磁力计校正可采用的旋转形式主要有两种,分别为八字旋转的校正方法和绕着各单轴旋转的校正方法.为了节省磁力计的校正时间并保证磁力计的校正精度,提出了一种优化的校正方法.即采用最小二乘法的椭球拟合方法,根据求得的椭球模型原点和半径均方根误差,确定最佳的旋转形式和旋转次数,以较快、较准确地校正磁力计.实验结果表明,绕各单轴各旋转1次的校正方法效果最佳.