基于改进MEMS惯性传感器的人体动作智能捕捉

由于MEMS惯性传感器在人体动作数据采集时会受到重力加速度的影响,导致人体动作捕捉效果差,提出基于改进MEMS惯性传感器的人体动作智能捕捉方法。运用MEMS惯性传感器获取人体动作数据,并对采集的数据实施数据去噪、误差校正、重力加速度去除等处理,优化MEMS惯性传感器的数据采集效果,获取实际的人体运动数据。依据获取的人体运动数据,将方差作为人体整体运动幅度的特征向量值,提取人体动作特征,结合支持向量机对动作进行分类识别,实现人体动作捕捉。实验结果表明,使用上述方法开展人体动作捕捉时,捕捉精准度较高、捕捉时间较短,且实际效果较好。

基于惯性传感器的免对准动作的人体上肢运动捕捉方法

基于惯性传感器的人体运动捕捉系统,通常在进行运动捕捉前需要执行特定的标准动作来完成对准,以获得IMU坐标系相对肢体坐标系的姿态。运动受限用户(如偏瘫患者)无法完成一些标准动作,而运动正常用户也不能保证均能正确执行标准动作,从而导致人体运动捕捉误差。为了克服现有方法的不足,研究了一种基于惯性传感器的免对准动作的人体上肢运动捕捉方法,该方法无需执行特定对准动作,佩戴IMU后即可直接进行运动捕捉。通过与“T-Pose”静态对准方案比较,验证了免对准动作方法的有效性,并且基于OpenGL的虚拟人体模型进行了上肢运动捕捉实验。实验表明,所提出的方法简便有效,在无须执行标准对准动作的情况下仍具有较好的人体运动捕捉效果,适合偏瘫患者等行动受限的用户使用。

基于惯性传感器的人体动作捕捉系统

针对目前人体动作捕捉系统采集节点数量少、动作采样精细度不足、成本高等问题,设计一套基于MEMS惯性传感器的47节点人体动作捕捉系统。该系统通过在人体关节部位佩戴传感器节点,实时采集关节部位的精细运动数据;运动数据汇聚后通过Wi-Fi发送至上位机进行数据处理与姿态再现,从而实现手势识别、碰撞检测、物体交互等功能。经实验测试,该系统能够正确采集人体姿态数据,驱动虚拟人运动,具有采集数据节点多、动作精细、实时性强等特点,可应用于动漫、虚拟现实、影视、体感游戏等领域。

基于惯性传感器实现的动作捕捉系统简介

虚拟现实技术(Virtual Reality,VR)是目前IT业最大热点。其中,动作捕捉技术作为体感交互技术之一也得到了广泛关注。介绍基于惯性传感器实现的动作捕捉技术方案,从数据采集、数据传输、数据处理及数据显示4个部分阐述整个动作捕捉系统的实现。

基于超宽带和惯性传感器融合的人体动作捕捉系统

惯性传感器动作捕捉系统能够非常精确的测量人体每个关节的旋转,但是并不能测量人体的位移,降低了系统的可用性。为此提出了一种超宽带定位系统和惯性传感器的融合算法。该算法结合两种传感器的优点,实现的动作捕捉系统不仅可以捕捉表演者的肢体动作,还能够精确定位用户在表演环境中的空间位置。实验表明在室内环境下该动作捕捉系统具有精确性和连续性。

一种基于惯性传感器网络的动作捕捉系统的实现

动作捕捉(Motion capture)是一种记录或描绘人体以及其他物体动作的技术,广泛运用于体育、娱乐、影视、医疗、军事等领域。本文简要介绍一种基于惯性传感器与Zigbee网络实现的动作捕捉系统。该系统通过安装在人体不同部位的惯性传感器获得动作信息,并通过Zigbee无线传感器网络协议将数据上传给上位机。

基于惯性传感器的运动捕捉系统对儿童脑性瘫痪步态特征的分析研究

目的:采用基于惯性传感器的运动捕捉系统分析脑性瘫痪(简称脑瘫)患儿和正常儿童以自然步速在日常生活环境中行走时的步态特征。方法:2021年6—12月,在广州市妇女儿童医疗中心康复科招募20例6—12岁脑瘫患儿,面向社会招募同龄20例正常儿童。采集所有儿童的年龄及性别等基本资料后,利用基于惯性传感器的运动捕捉系统采集并分析其以自然步速在日常生活环境中(医院走廊,连续两次行走20m)行走时的步态时空、运动学参数和腰部活动角度。结果:与正常儿童相比,脑瘫患儿的步行周期变长(P<0.05),支撑相在整个周期的占比增大,摆动相的占比减少(P<0.05);跨步长变短,步频加快(P<0.05);髋屈曲、伸展角度受限,髋内旋角度增大,膝屈曲、踝跖屈角度受限,腰后伸、侧屈及右旋转角度增大(P<0.05)。结论:脑瘫患儿的步行周期、支撑相、跨步长、步频、下肢及腰部关节活动度有明显异常。基于惯性传感器的运动捕捉系统可有效识别脑瘫患儿在日常生活环境中行走时的步态特征。

基于惯性传感器的动作捕捉系统的实现

引言 动作捕捉技术是一种实时准确测量、跟踪、记录运动物体在三维空间中运动状况,并对实时的运动进行分析和重现的技术。动作捕捉系统有着广泛的应用,传统的动作捕捉系统使用外部传感器如摄像头等来捕捉人体动作,这种方法往往会受到场地、环境的限制。随着微机电系统（MEMS）技术的迅速发展,小巧、便宜的基于MEMS技术的可穿戴设备获得了巨大的发展空间，MEMS技术使得用惯性传感器实现人体跟踪成为了可能。

基于惯性传感器的动作捕捉系统设计

针对传统的如光学式、机械式等动作捕捉系统在成本、使用环境及精度等方面各有优劣的特点,设计了一套基于惯性传感器的动作捕捉系统,通过在人体各部位佩戴惯性传感器节点,实时采集各部位的运动惯性数据,通过WIFI通信发送至数据处理终端,对数据进行存储和显示;经实验验证所设计动作捕捉系统能够正确采集人体惯性运动数据,系统的使用不受时间和地点的限制,具有成本低廉、穿戴方便和操作简单等特点,可以深入应用于医学、体育和军事等多个领域。

基于九轴惯性传感器的人体动作捕捉系统

传统动作捕捉与分析采用机械、光学及声学方式,所占空间大,价格昂贵,操作也较为复杂。研究了基于九轴惯性传感器的人体动作捕捉系统,将惯性传感技术与人体科学相结合,在人体上抽象出17个关节点,通过这17个关节点采集人体运动数据。数据通过无线保真方式发送至计算机,在计算机上对数据进行处理,得到驱动人体模型运动的姿态数据,从而控制虚拟模型进行运动展示。这一动作捕捉系统具有经济、便利、不受场地和天气因素影响等多种优势,实现了对人体运动姿态的实时采集与分析,可以使运动训练更加科学与高效。

基于无线惯性传感器的人体动作捕获方法

为解决光学式动作捕捉设备成本高昂和操作复杂的问题,提出一种通过佩戴在用户身体上的无线惯性传感器进行人体动作数据捕获的方法.在用户身体的各个运动部位绑定多个由加速度和磁通传感器构成的无线惯性传感器单元,传感器通过无线信号发送运动传感数据到计算机端,应用优化算法计算惯性传感单元的三维朝向信息,最后将四元数与动画角色的骨骼绑定后生成人体动作数据.为了解决运动过程中的行走导致的骨架根节点移动问题,利用地形参数反向计算和调整角色骨架根节点位置,使生成的动作符合地形和环境要求,达到真实自然的运动效果.实验结果表明,使用无线惯性传感器进行人体动作捕获得到的动作数据准确度高,朝向计算方法运行速度快,能够满足实时性应用的要求,同时显著降低动作捕获的成本和使用复杂度.

运动捕捉技术及柔性传感器用于人体连续运动监测的研究进展

对多种运动捕捉技术和柔性传感器在当前多种领域的广泛应用进行了简单阐述。重点从关节的运动类型出发,对人体运动进行了分析,介绍了光学监测系统、惯性传感系统、磁感应测量系统和柔性应力传感系统的原理,评估了它们在捕捉人体连续运动方面的适用性,并总结了国内外研究中涉及新系统搭建、算法提升和信息处理等研究成果,以及其在提高运动捕捉性能方面的研究进展,对所综述的运动捕捉技术的优缺点进行了评述。最后,对当前运动捕捉技术进行对比,说明了当前技术成熟发展完善,但提升空间有限;柔性传感器测量能力全面,具有较大的系统发展潜力,有望成为运动捕捉技术未来的发展方向。

基于惯性传感器的射手动作检测系统设计

为了检测射手在模拟射击过程中动作是否规范,实现操作要领的自查自纠,提出一种通过安装在枪支上的惯性测量单元进行射手动作数据捕获的方法。根据射击实际动作要领在枪支相应部位绑定惯性传感器,用以采集对应位置的动作数据。系统下位机完成射手动作检测与识别,并将采集到的数据显示在上位机上。实验表明,本文设计的基于惯性传感器的射手动作检测系统,提高了射击训练的自动化程度,节省了训练资源投入,使训练更加安全有效。

基于微惯性传感器的姿态捕捉系统设计

在惯性导航系统中,对于动作捕捉时多个惯性传感器的数据实时传输及传输功耗问题,我们在文中提出了蓝牙数据转发装置的设计方案,并建立了惯性系统误差模型,提出了初始对准的方案;基于卡尔曼滤波解决了多传感器的信息融合问题;建立了人体三维棍状模型进行动作实时重现;提出了人体关节活动度与肢体姿态角的转换关系,并以此为姿态数据限幅。

基于惯性传感器的精细动作能力评估分级方法

手部精细动作能力是老年人运动机能的重要表现之一,对其进行量化评估,有助于全面评估老年人的运动能力,促进健康养老产业发展。提出了一种基于惯性传感器的手部精细动作能力评估分级方法,基于佩戴在拇指、食指上的惯性传感器采集的数据,分析、提取时域和频域内均方根值、功率峰值等指标,采用K近邻(KNN)、支持向量机(SVM)、神经网络(BP)和RUSBoost算法等4种常见的机器学习分类算法构建手部精细动作能力分级评估模型,并进行测试验证。结果表明,采用RUSBoost算法构建的模型识别率为90.63%,可以有效地对手部精细动作能力进行评估分级。

基于惯性传感器和深度学习的上肢动作识别研究

基于传感器的上肢动作识别技术,研究的热点主要在于传感器的种类、数量,特征值的选择以及分类算法的设计上,这些因素决定了识别效果的优劣。针对这些问题,提出一种基于多个惯性传感器和深度学习的上肢动作识别方法。使用惯性传感器模块采集上肢动作时手腕和肘部的加速度、角速度数据,在预处理后提取如均值、最大(小)值、频率等9种特征值,然后采用主成分分析法对特征集进行降维处理,在减小计算量的同时使其具有更好的鲁棒性,最后使用深度信念网络训练数据,对6种上肢动作进行分类。实验结果表明,该方法可完成多种上肢动作的识别,以最少的传感器数量完整的描述了复杂的上肢动作,而深度信念网络相较于传统的支持向量机、人工神经网络等算法,有着更高的识别精度。

基于XSENS传感器的人体上肢动作捕捉系统

在进行人机协作过程中需要捕捉人体上肢动作,进行人体上肢动作捕捉的设备通常有可穿戴设备和光电设备,文章中使用XSENS传感器进行人体动作捕捉,通过对人体上肢进行建模,将XSENS传感器检测的四元数解算成上肢的关节角,从而对人体上肢动作进行捕捉,文中进行了动作捕捉实验,从实验结果来看,该方法有效且结果比较理想。

基于惯性传感器的驾驶动作监测识别研究

基于惯性传感器构建人体动作闭环研究框架;利用模拟驾驶试验台和Captiv可穿戴动作捕捉系统测量不同驾驶动作的各类参数;利用分类器并使用K最近邻算法对测量数据进行分析、分类,可达到监测识别驾驶动作的目的,从而识别出驾驶员的不良驾驶动作,并可在后续研究中予以提示。此研究为基于惯性传感器的驾驶动作监测与反馈系统提供了一种技术方法,为对该技术与其他技术的交叉融合提供思路。

基于惯性动作捕捉的主从遥操作关节空间直接控制方法

为了克服传统主从遥操作方法需要进行大量的正/逆运动学解算且操作复杂、不直观的缺点,利用惯性动作捕捉设备将人体手臂动作信息引入遥操作控制回路中,提出了一种基于惯性动作捕捉的主从遥操作关节空间直接控制方法.然后,提出了一种基于四元数的关节空间非奇异映射算法,用于构建虚拟手臂模型,并利用该模型直接控制远端机器人的关节空间.试验结果表明,该方法可以直接控制远端机器人的关节空间,关节空间控制误差小于0.2°;末端位置控制精度小于10 mm,与基于手控器的传统主从遥操作方法相当.因此,基于惯性动作捕捉的主从遥操作方法不仅可以对远端机器人末端位置进行精确控制,而且可以直接控制远端机器人的关节空间,提高操作者的直观性和灵活性.

基于李代数的人体手臂惯性动作捕捉算法

为了实现实时人体手臂动作捕捉,提出了一种利用惯性传感器实现人体手臂动作捕捉的方法.利用惯性测量单元(IMU)解算出的四元数信息,得到手臂腕部、肘部和肩部关节点的位置.将惯性数据通过蓝牙无线通信方法传到上位机.采用具有毫米级动作捕捉精度的OptiTrack光学动作捕捉设备,得到人体手臂的位置数据,并将其作为基准位置数据.将IMU坐标系下解算出的位置信息变换到OptiTrack坐标系下进行对比.结果表明,该方法适用于自由活动环境下的动作跟踪,具有较高的动作捕捉精度.