1介紹

本論文基于正在進行的“瀑布與近瀑布評估研究與評估”(大張旗鼓)項目，該項目的目標是結合不同的瀑布與近瀑布研究技術，保護老年人不跌倒。

本章首先介紹了運動捕捉系統的開發動機和選擇慣性傳感器的原因。然后給出本文工作的目標和主要貢獻，然后是論文的提綱。

1.1的動力

由于生活水平的提高和醫療保健的進步，越來越多的加拿大老年人獨自生活在家中，幾乎沒有受到任何監督。然而，這些老年公民中的大多數在發生緊急情況時仍需要某種程度的監測。在這種緊急情況下，醫務人員不可能持續監測這些人。一個主要的擔憂是這些在家辦公的老人可能會摔倒并受傷——這是日常生活中經常發生的意外事件。超過三分之一的65歲以上的人每年至少會摔倒一次，其中約有10%到15%會造成嚴重傷害[1,2]。為防止老年人提前跌倒，應考慮近墜檢測。

近墜檢測對于醫學研究幫助醫生診斷與跌倒相關的疾病是非常重要的，同時也可以幫助醫生和患者(家庭)警惕近墜，提前保護老年人，防止與跌倒相關的傷害。近降是指在下降和正常活動之間的一種狀態，可以認為是潛在的下降。由于不同的人對近墜有不同的感受，所以很難給它下一個定義。從根本上說，近距離摔倒可以看作兩步動作:第一步是主體失去平衡，第二步是主體立即恢復平衡。在人們的日常生活中，隨時隨地都可能發生近墜現象。如果人們不能控制自己的平衡，那么一個接近的下跌很容易變成一個真正的下跌。因此，研究和檢測近震是非常重要和必要的。

現有的研究主要集中在跌落檢測方面，而對近跌落檢測的研究很少。以[3]為例，提出了一種基于單帶運動傳感器的跌落檢測系統，該系統可以檢測出四種類型的跌落(向前、向后、向左、向右傾斜)以及其他預先選定的正常活動，準確率為97%。在[4]中，C. Dinh等人提出了基于模糊邏輯和神經網絡的實時跌落檢測方法。通過在人體上安裝一個加速度計，它可以檢測到四種類型的跌落(向前、向后、橫向和崩塌)，準確率高達94%。提出了一種基于模糊一類支持向量機的跌落檢測系統。在該系統中，使用兩臺攝像機來捕捉運動，結果表明99%的瀑布都能被正確檢測到。雖然這些系統可以以很高的精度捕獲不同的瀑布，但當使用它們進行接近瀑布檢測時，準確率會顯著下降。目前的瀑布探測系統通常根據瀑布和正常活動之間的不同特征來探測瀑布。然而，在接近瀑布時，人們身體的位置或方向、心率和血壓的變化并不像在瀑布時那么顯著。此外，近瀑布與其他日常生活活動(adl)有許多相似之處，這使得近瀑布很難被識別和識別。與此同時，上述系統只能告訴醫生有跌落發生，但無法提供更多關于跌落是如何發生的以及受試者在跌落發生前做了什么事情的信息。由于人體可能有不同的生理特征，比如走路的方式和坐姿，所以只有被檢測到的跌倒并不能幫助醫生診斷個別受試者跌倒的原因。此外，研究人員無法在實驗室環境中找到產生“真正的”近地墜落”的好方法，這使得近地墜落的研究非常困難。

從臨床角度來看，為了研究和檢測近墜，最有效和直接的方法是監測人體在近墜發生時的運動，比如視頻。然而，在現實生活中，不可能在人們的房子里安裝攝像頭，并在考慮到保護人們隱私的基礎上不斷地捕捉運動。為了避免這一問題，同時還能記錄有用的運動信息，本研究采用了運動捕捉技術。近落點探測是一個非常具有挑戰性的課題，也是整個大張旗鼓項目的目標。作為大張旗鼓項目的一部分，本文的目標是使用動作捕捉技術來持續記錄受試者正常活動的動作，并通過計算機化身來展示這些動作。通過觀看阿凡達播放這些ADL動作，醫生可以直觀的研究和分析正常活動的相關特征，以后可以用于正常活動中的準跌落檢測和識別。運動捕捉技術也可以與跌落檢測系統相結合，以提高精度。通常墜落檢測系統不是100%準確。通過結合動作捕捉系統，一旦檢測到摔倒，醫生可以使用收集到的動作信息生成一個虛擬化身，重復這個動作，進一步檢測它是真正的摔倒還是正常的活動。

運動捕捉是一種實時記錄人體或其他系統運動信息，并使用記錄信息顯示運動的過程。它被用于機器人[6,7]、合成環境以及教育[8]、培訓[9,10]和娛樂[11,12]的工具。它也顯示了在近地下降探測應用中的巨大優勢。有了運動捕捉系統，可以避免不斷監測受試者的心率、肌肉強度或血壓。同時，運動捕捉提供了身體各部分的運動信息，便于近身檢測算法的實現。

近年來，在虛擬現實、生物力學和生物醫學等領域，為人體運動捕捉技術開發了大量的運動捕捉系統。這些系統包括機械傳感系統、光學傳感系統、聲學傳感系統、磁傳感系統和慣性運動捕捉系統。機械運動捕捉系統，如吉普賽[13]和測量和ShapeWrap[14]使用外骨骼連接到鉸接的身體部分來測量關節角度。然而，佩戴外骨骼不僅會限制表演者的實際動作，而且會在很長一段時間內讓人不舒服。光學運動捕捉系統通常是基于測量光源發出的光或物體反射的光。典型的系統是Vicon[15]和Qualisys[16]。它受到計算機動畫界和電影業的青睞。但它的缺點也很明顯:它依賴于一些復雜的設備，比如特殊的光源發生器、標記或攝像頭，這些設備限制了房間空間的活動范圍。聲學/超聲波跟蹤系統，如蟋蟀定位系統，通過計算發電機和標記[17]之間的距離來檢測位置。它要求在測試環境中的不動點上放置一個或多個聲音產生裝置，并在人體的部分上附加幾個聲音標記。聲學傳感器通常比機械傳感器提供更大的探測范圍。然而，由于風速、溫度和環境中的氣流等因素都影響聲速，從而影響距離檢測的準確性，因此它們的準確性會受到不同因素的影響。通過安裝在人體各節上的小磁傳感器來感知地球磁場或人工產生的磁場，還可以獲得位置和方向信息。多年來，這一直是一種流行的運動跟蹤方法。然而，不幸的是，這些磁性系統往往有很高的功耗，它們對環境中的鐵磁體極為敏感。

理想的運動捕捉技術必須滿足幾個要求。該系統成本低、功耗低，能夠承受光學、聲學或電磁噪聲等環境干擾，能夠跟蹤多個用戶并保持合理的精度，可在不同環境下使用，不受距離限制。上述運動捕捉系統不能滿足描述的需求的主要原因是依賴于人工生成的“源”和標記來確定方向和位置信息[18,19]。那些“來源”,并標記在光學和聲學系統中,就可以很容易地看到它的光源(如激光、紅外和燈泡)或聲音發電機應首先放在固定的點在實驗室環境和標記應附加測試人員接收的信號“來源”。

摘要近年來，隨著微電子機械慣性傳感器的發展，基于被動測量物理量來確定傳感器的定位成為可能。慣性傳感器避免了與當前技術相關的問題，最終允許在幾乎無限的范圍內捕捉運動。慣性傳感器運動捕獲系統通常使用加速度計測量重力相關矢量和陀螺儀測量角速度的變化。目前有各種各樣不同的慣性傳感系統被提出和發展，以解決特定的問題。例如，在[20]中使用可穿戴微慣性傳感器(加速度計和陀螺儀)提出了一種無處不在的人體上肢運動捕捉系統。在[21]中，一個三軸加速度計被用來監測某些人的運動和姿勢。此外，在[22]中還提供了一個同時使用加速度計和陀螺儀的跌倒檢測系統，用于識別四種靜態姿勢:站立、彎曲、坐臥。現有的慣性運動捕捉系統通常檢測人體的某些部位，或只檢測特定類型的運動。本文提出了一種利用慣性傳感器的無線運動捕捉系統，該系統可以捕捉到我們日常生活中幾乎所有的基本日常活動。同時，所記錄的運動信息可進一步用于醫學研究中的近地落點檢測。

1.2目標與貢獻

本文提出了一種基于慣性傳感器的無線運動捕獲系統，用于記錄相關運動信息并捕獲選定的10個adl。適應的可移植性和多種戶外要求人體動作捕捉系統,所以那些被監控仍然能夠執行日常活動-傳感器單元包含一個tri-axis加速度計和tri-axis陀螺儀,不需要任何額外的光源或聲音發電機。這個基于慣性傳感器的運動捕捉項目的主要目標包括:

?使用低成本和低功耗可穿戴動作捕捉系統捕捉ADLs接近摔倒的研究。

?發展低基于歐拉角算法ADL動作捕捉。?構建視覺計算機阿凡達模型顯示主體的動作。

本項目提出的運動捕捉系統的主要貢獻如下:

?這個動作捕捉系統可以捕獲完整的人類身體動作有些以前的研究只能檢測人體運動的一部分。實驗中選取的10個adl幾乎涵蓋了老年人日常生活中的所有基本活動，而以往的研究只關注其中的一些運動。

?可以減少硬件成本只用加速度計和陀螺儀等相結合的磁力計Quaternion-based動作捕捉系統(23、24)。前者可以降低硬件的復雜性和成本。

?相比傳統的歐拉angle-based算法[25],一個最佳的旋轉算法獲得精度高。

?創建的《阿凡達》動畫可以極大地幫助醫生在研究和分析正常活動的特點,基于這醫生可以進一步研究near-falls的特性。同時，這個動畫可以給醫生直觀的圖片，告訴他們跌倒是如何發生的，并幫助他們診斷與跌倒相關的疾病。

如上所示，該慣性傳感器運動捕獲系統不僅在醫學研究中顯示出巨大的潛力，在近距離探測中，也在其他應用，如計算機動畫，視頻游戲和虛擬現實。

1.3論文大綱

本文的其余部分結構如下:第二章回顧了剛體定位的不同表示方法。介紹了現有的人體運動建模算法。第三章介紹了基于歐拉角的人體運動捕獲算法。詳細討論了單旋轉順序算法和最優旋轉順序算法。第四章討論了用于人體運動捕捉實驗的微光傳感器系統的硬件結構。本章還介紹了SHIMMER平臺中使用的TinyOS環境和NESC語言。第五章介紹了實驗的環境和實驗步驟。實驗的一些準備工作在實施前已經完成，包括傳感器的校準、過夜漂移測試和測量。第六章介紹了基于歐拉角的人體運動捕獲算法的實現，并對實驗結果、數據處理和仿真分析進行了討論。并與以往的慣性運動捕獲系統進行了比較。最后一章是簡短的總結和結論。同時也為進一步的研究提供了建議。

2運動捕捉

20世紀70年代和80年代，運動捕捉(或運動跟蹤)最初是生物力學研究中的一種攝影測量分析工具。隨著[26]技術的成熟，這一技術后來擴展到教育、培訓、體育，最近又擴展到電視、電影和視頻游戲的電腦動畫。運動捕捉的主要任務是及時記錄系統(在本例中是人體)的相關運動數據，以便即時或延遲分析和回放。除了捕捉身體運動的方位和位置信息外，該技術還被應用于面部和肌肉塊的變形檢測;例如區分手勢[27]。

本節介紹了人體運動捕捉的背景，包括人體運動捕捉中坐標系的概念和剛體方向表示方法。在此基礎上，討論了現有的幾種運動捕獲算法以及已有的幾種運動捕獲系統。

2.1人體運動捕捉中的坐標系

為了表示剛體的方向，通常選擇附加在合適慣性坐標系上的坐標系，然后描述這些坐標系內的所有向量。人體運動捕獲系統通常有兩種坐標系:參考坐標系和人體坐標系。參考坐標通常指向一些在運動過程中沒有改變的固定方向。因此，在參考坐標系中，其他坐標系的旋轉和位移都可以表示為一些動態運動序列。而體坐標系是根據安裝的傳感器來定義的，為運動分析提供了測量依據。

在討論人體運動捕捉方法之前，有必要定義幾種方法

- - - - - -

論文中使用的符號。在這里，選擇earth作為reference, let -， - and

軸線分別為向南、向東、向向上輻射的正交參考坐標系。是

身體坐標的正交三軸對齊到傳感器電路板的X, Y, z軸。由于傳感器板附著在體節上，忽略運動中肌肉的任何變形，因此體節可以表示為在體坐標系中不變的向量。地-體坐標系對構成描述人體運動的坐標系。

Z e                                                                      Z b

yexb

X e                                                                      Y b

圖2.1地球坐標系和人體坐標系

圖2.1顯示了人體運動捕捉中使用的地球坐標系和人體坐標系。將重力方向與加速度計和陀螺儀測得的角信息相結合，可以把身體運動看作是在地球坐標系中的身體坐標的旋轉。運動捕獲的主要任務是利用慣性信息找到兩個坐標系之間的關系。

2.2剛體方向表示方法

人體可以被建模為一組相關的剛體。剛體是忽略變形的有限尺寸實體的理想化。在不變形的情況下，連桿、關節、肢節和軀干可以簡化為固定形狀的節段，排列成樹狀結構。指定身體的姿勢或姿態涉及到描述每一節的位置和方向。結構中各個環節之間的自然關系將決定各個部分的位置和方向是單獨描述還是相對描述。具體來說，肌肉和骨骼結構限制了各個部分的運動范圍。因此，要正確模擬人體運動，必須考慮許多因素。這些因素包括表示所有方向、計算效率、存儲容量和算法的能力。

剛體為固體，完全非彈性，為可變形體提供了方便的簡化模型，對運動建模的限制較少。有許多方法用來表示剛體的方向，但每一個都有一些警告。可能的方法包括方向余弦，歐拉角，齊次矩陣和四元數和矢量角對。

2.2.1方向余弦

向量的方向余弦是向量與三個坐標軸[28]之間的角度的余弦。

Z e

圖2.2方向余弦

那么，

(2.1)

其中，表示與對應軸對齊的單位向量。。方向余弦是

和

(2.2)

(2.3)

(2.4)

(2.5),

在哪里，方向角，向量和正向量之間的角

——設在。

方向角表示簡單直觀。然而，由于它不能描述剛體的動態變化，特別是當坐標隨時間變化時，因此在體運動捕獲系統中并不常用。

2.2.2歐拉角旋轉

傳統的方向表示方法之一稱為歐拉角，它描述剛體的方向使用三個旋轉對應于指定的軸。利用歐拉角，任何坐標系都可以看作是參考坐標系[29]連續旋轉的集合。

圖2.3歐拉角

如圖2.3所示，歐拉角為與、軸對應的三個旋轉角。歐拉角是通過考慮旋轉產生的

所述的平移角可表示為橫搖(或橫搖)、俯仰(或由橫軸、橫軸、橫軸、橫軸、橫軸、橫軸等組成

仰角)和偏航(或方位角)分別。

用歐拉角來表示旋轉是很簡單的。新坐標中的向量可以用舊坐標中的相同向量乘以相應的旋轉矩陣來表示。然而，三角函數的奇異性是歐拉角旋轉的主要缺點。

2.2.3同構矩陣的轉換

齊次矩陣是既包含位置信息又包含旋轉信息的矩陣。在機器人技術中，參考坐標中的位置被定義為位置向量[30]

(2.6)

(2.7)

X e

然后,

圖2.4向量[30]的一般變換

(2.9)

wh

代表                                                                       atrix是齊次變換，

通常表示為。該方法既包含了剛體的位置信息，又包含了剛體的方向信息，可以更直接、更全面地描述剛體的運動。然而，齊次矩陣也存在奇點問題。

2.2.4四元數和矢量角對

四元數是一個擴展復數的數字系統。1843年，愛爾蘭數學家威廉·羅文·漢密爾頓爵士首次對其進行了描述，并將其應用于三維空間[31]中的力學。

四元數使用三個“虛構”部分和一個“真實”部分。虛部通常被認為是一個向量。實部稱為標量。四元數可以由

(2.11)

或

(2.12)

其中，為三維空間的標準正交基，為虛部向量，為實部。直觀上，這三個虛部描述了a

矢量和實部表示矢量的旋轉角度。四元數具有以下[31]性質

(2.13) (2.14) (2.15) (2.16)

對于任何給定的四元數，都有兩個可以使用的單位四元數

    (2.17)

表示它。他們是

它們都表示相同的方向。在這里，被用作單位四元數和

(2.18)

同樣，四元數也可以寫成復數的三角函數，

9)

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1 = ? ? ? ? ? ? 1?1                                                                       (2.20)

上述方程的平移，其中向量。

圖2.5顯示了一個圍繞矢量旋轉的幾何接口

圖2.5四元數旋轉算子幾何[32]的事實，向量可以認為是四元數與

作為一個問題                                                                        實部被

零。這種表示被稱為矢量角對，它只使用一個矢量和一個旋轉角度來描述三維空間中的旋轉。這種方法避免了奇點，只涉及兩個三角函數而不是三個連續的歐拉旋轉。然而，這種方法需要更多的方向信息來評價新的旋轉四元數除了地球引力。為了獲得這一信息，人們通常使用加速度計、陀螺儀和磁強計作為傳感器節點，它不僅可以檢測重力的方向，還可以檢測地球磁場的方向。

方向余弦、歐拉角、齊次變換矩陣和四元數、矢量角對在圖形和機器人領域都得到了廣泛的應用。方向余弦既簡單又直觀。但是，在表示動態旋轉時出現了一些困難。齊次變換矩陣既包含旋轉方向又包含位置信息，可以直接、全面地描述運動。而使用矩陣將不可避免地增加計算復雜度。四元數和向量對只需要存儲7個數字，而在齊次矩陣中需要存儲16個數字來表示旋轉。雖然這種方法在運動捕獲應用中得到了廣泛的應用，但是為每個傳感器節點添加磁強計將涉及到硬件和軟件的復雜性。

2.3現有的身體運動捕捉算法

近年來，利用加速度計、陀螺儀等慣性傳感器跟蹤人體各部位運動的嘗試越來越多。加速度計根據重力測量運動物體的加速度，陀螺儀測量旋轉角速度。這些傳感器還可以與磁強計結合使用，磁強計可以在運動過程中探測到地球磁場的方向。由于對這一領域的研究已經進行了多年，在此基礎上討論了多種基于不同方向表示方法的算法。例如，四元數姿態濾波器在[18,33]中得到了應用，目前在慣性傳感器和磁傳感器聯合使用時被廣泛應用于人體運動捕捉。另一個例子是使用在[34]中可以找到的齊次矩陣。這種方法在機器人技術中很流行，它既考慮了每個部分的方向，也考慮了運動過程中整個身體的位置變化。

相對于其他方法，方向余弦更容易在三維空間中描述靜態方向，但動態運動表示的困難也很明顯。本文討論了基于四元數的姿態濾波器和基于均勻矩陣的運動捕捉方法。它們都使用三個傳感器節點(即，加速度計，陀螺儀和磁強計)，用于定位跟蹤和定位檢測。

2.3.1基于四元數的姿態濾波器用于全身運動捕捉

圖2.6是[18]中使用的互補四元數姿態估計濾波器的框圖。這個過濾器接受三個獨立傳感器的輸入，加速度計，磁強計和陀螺儀。它們中的每一個都是一個三軸裝置，這些軸對齊在一起形成一個正交的三維體坐標系(，，)相對于參考坐標系(，，)。濾波器的輸入由陀螺儀(，，)測得的三個角速度、加速度計(，，)測得的三個加速度和體坐標系中磁矢量(，，)測得的三個磁矢量組成。其輸出為單元四元數，包含剛體的方向信息。

圖2.6

基于四元數的姿態濾波器[18]

從圖2.6的方框圖中可以看出，四分之一是根據陀螺儀采集的角速度數據估算出來的。

用此關系式可以得到速率四元數

  (2.21)

其中所示積為四元數積，為體坐標系[18]中陀螺儀測量的角速度。

新的估計可以

在此基礎上進行計算，其中

[18]:

?

，定義為

(2.23)

得到每步的四元數后，通過Eq.(2.20)計算得到相應的方向。

在無誤差、無噪聲的環境中，單位四元數只能用陀螺儀來計算。然而，在現實中，角速率傳感器獲取數據時總是存在誤差。這種誤差會在每一步累積，使得方向計算結果與實際值相差很大。因此，為了修正誤差，利用加速度計和磁強計的數據來得到不變的地球重力和磁場方向。每一步的誤差向量為

重力矢量和磁場的實測值在哪里

(2.24)

基于當前方向估計的計算值(在最后一步計算)。一旦獲得了誤差信息，這個誤差就可以用高斯-牛頓迭代法進行修正。

基于四元數的姿態濾波器不受方向奇異性的影響，可以通過反饋不斷修正漂移誤差。這種濾波器的特性使得它特別適用于具有高線性加速度的人體捕獲應用。為了提高這種基于四元數的姿態濾波器的精度，許多研究者開始考慮在這種結構中加入卡爾曼濾波器的其他最優算法。實驗結果表明，該方法具有較好的性能[35,36]。

2.3.2基于齊次矩陣的人體運動捕獲方法

提出了一種基于齊次矩陣的實時鉸接人體運動捕獲算法。如圖2.7所示，兩個連接段用兩個不同的體坐標表示，其中段有三個正交-，

-和-軸和線段也有三個正交-、-和-軸。它們都由三軸加速度計、三軸磁強計和三軸陀螺儀組成。是相對于部分旋轉的旋轉軸。角的定義是關節角度，通過這個角度，節段相對于節段旋轉。

圖2.7物理段模型及其正交定義

坐標[34]

根據關節角度和旋轉軸的方向表示，得到了節段坐標系與節段坐標系之間的旋轉矩陣

可以表示為[30]嗎

讓和                                                                        為坐標中的重力分量

——分別由加速度計測量。

nd                                                                        地球磁場是組成部分嗎

分別用附在線段和線段上的磁力儀測量。那么，段的旋轉可以表示為

(2.26)

和

   (2.27)

在哪里

框架

e簡化為[34]

由式(2.26)可得

29)

在哪里

角速度測量系統的組成部分-。讓

卡爾曼濾波器中的狀態向量。

e

紅色由坐標中的陀螺儀控制

,

哪個可以用作

當考慮剛體的位置時，這里使用齊次矩陣來描述位置信息，定義為

其中為節段的物理長度，為關節角。連接段的方向可以描述為這些齊次矩陣的乘積。

該方法在均勻矩陣中表示單個或連通段的方向和位移。但是，質量矩陣的乘法運算降低了計算效率。

3基于歐拉角度的身體運動捕捉

算法

如第二章所述，基于四元數的姿態濾波器和基于均勻矩陣的方法都需要三個傳感器:陀螺儀、磁強計和加速度計。然而，在一個傳感器板上構建這三個傳感器將大大增加硬件技術和算法計算的復雜性。雖然現在有一些商業產品將三個傳感器組合成一個傳感器節點，但是價格通常很高。為了降低成本，降低復雜程度，降低精度不確定，提出了一種利用三軸加速度計和三軸陀螺儀跟蹤十種adl的運動捕獲系統。采用了基于歐拉角的體運動捕獲算法，而不是基于四元數的姿態濾波器或基于同構矩陣的方法，具有簡單直觀、計算復雜度低的特點。本章討論了兩種基于歐拉角的體運動捕獲算法。

歐拉角和旋轉矩陣廣泛用于表示動態方向的變化。每個旋轉都可以寫成一個旋轉矩陣。如果一個向量旋轉到不同的方向，它可以表示為一個向量乘以相應的矩陣具有一定的順序。歐拉角通常對用戶來說更加熟悉，它們的值更加直觀和可預測，這些角可以很容易地從陀螺儀收集到的旋轉速率轉換。該方法主要考慮的是奇異性，因為旋轉矩陣中的所有元素都是三角函數。在數學中，奇異性通常發生在分母為零，而分子等于一個常數的時候，或者是一些函數，比如正切函數，當旋轉角度相交時，它會從原點跳到原點。然而，本文討論的基于歐拉角的算法不涉及正切函數，所有的adl都是正常的活動。在實驗中，傳感器的采樣率為每秒50個采樣。由于每個試樣的體段的旋轉速度幾乎不能達到90度，所以沒有發生奇點。

3.1運動捕捉采用單旋轉順序算法

基本的測試環境很簡單。佩戴多個傳感器節點的測試對象可以執行可跟蹤、記錄和監視的特定操作。對于每一個動作，被試都有一個開始的姿勢;這個線段的初始位置可以表示為地球坐標系中的一組向量，其中，2,n代表不同的樣本。由于附著在物體段上的傳感器在運動過程中會隨物體段一起變化，所以物體段向量，其中，2,n為樣本，在物體坐標系中，在運動過程中始終是固定的。忽略體段傳感器方向的微小偏移量，體坐標等于運動前的地球坐標，即,。

3.1.1歐拉角在地球坐標系和物體坐標系之間的旋轉

圖3.1顯示了地球坐標和身體坐標之間的三個基本旋轉。其中，roll，為參考x軸的旋轉，俯仰，為參考y軸的旋轉，偏航，為參考z軸的旋轉。

用地球參考坐標系為，，體坐標系為，，，對應的rota

關于矩陣由:

(3.1)

(3.2)

(3.3)

s是y軸以一定角度旋轉的旋轉矩陣，為

x軸以一個角度旋轉的旋轉矩陣。歐拉角通常定義為:首先旋轉x軸坐標，然后旋轉y軸坐標，最后旋轉z軸坐標。因此，總旋轉矩陣可以寫成，即相對于參考坐標(地球坐標)旋轉身體坐標:

在地球系統中，表示為

(3.5)

或

(3.6)

Eq.(3.5)和Eq.(3.6)反映了人體運動捕捉應用中人體與地球坐標系的關系。本章的算法基于這些基本方程。

3.1.2單旋轉順序算法

圖3.2顯示了使用陀螺儀描述身體部分方向跟蹤的方框圖。由陀螺儀采集的角速度記為

對應于X Y Z軸。積分(時間)后，這些角速度轉換為旋轉角度，即，俯仰，偏航和橫搖。旋轉矩陣是基于這些旋轉角度，可以計算出新的方向。

圖3.2單旋轉順序算法框圖

是由陀螺儀傳感器收集的嗎

步進，角速度

同位角由

r和

(3.7)(3.8)(3.9)

(3.11)

其中，是物體坐標系到地球坐標系的旋轉矩陣，并且

(3.12)

因此，向量的每一個當前位置都可以由原向量乘成一系列旋轉矩陣來計算。這種方法非常直觀，因為所有的方向信息都是由旋轉角度直接轉換的。理想情況下，如果傳感器節點中使用的陀螺儀具有足夠高的靈敏度和精度，那么僅使用角速度數據就可以實現方向跟蹤。但由于靈敏度和環境干擾的限制，陀螺儀數據往往含有噪聲和漂移，導致誤差累積。同時，旋轉序列的確定也比較困難。這里，假設旋轉首先是X軸，然后是Y軸，最后是Y軸。然而，在現實中，由于三個更新后的角速度是同時得到的，很難說哪個軸首先旋轉。

3.2運動捕捉采用最優旋轉順序算法

在上述單旋轉順序算法中，先假設旋轉X軸，然后是Y軸，最后是Z軸。然而，在真正的人體運動中并不總是如此。雖然仿真前可以選擇不同的順序，但在計算過程中總是固定不變的。在本節中，我們將討論順序如何影響方向檢測結果，以及具有更好性能的最優旋轉順序算法。

3.2.1旋轉順序如何影響方向

慣性運動捕捉系統利用加速度計和陀螺儀來確定物體的方向。這樣一個物體的運動可以看作是不同身體部分的一系列旋轉。由陀螺儀采集的角速度數據包含了給定身體部分的旋轉信息。時間積分之后，一個角速度被轉換成一個旋轉的角度。三個歐拉角對應三個軸:俯仰、偏航、橫搖，如圖3.1所示。如果旋轉序列是

設為:先旋轉x軸，再旋轉y軸，最后旋轉z軸，其旋轉矩陣如式(3.4)所示。

歐拉角序列可以自然地分為兩類:一類序列沒有重復軸(即， XYZ, YZX, ZXY, ZYX, XZY, YXZ);類型2序列重復第一個軸作為最后一個軸(即， XYX, XZX, YXY, YZY, ZXZ, ZYZ)。總共有12個可能的旋轉序列。由于實驗中每個樣本都考慮了這三個軸，因此這里只討論類型1序列。

圖3.3顯示了旋轉順序如何影響旋轉向量的示例。考慮一個從方向開始的向量??=(0,1,0).在圖3.3 (a)中，??首先對x軸旋轉45°,然后45°z軸。這就產生了一個結果變換向量??1 =(0.5、0.5?0.707)。在圖3.3 (b)中，反轉旋轉的順序，即,對z軸旋轉45°和45°軸獲得

。

很明顯這與旋轉順序不同。

n z軸的旋轉45°

圖3.3旋轉矢量

由不同的訂單

3.2.2最優旋轉順序算法

由于旋轉順序會對方向檢測結果產生顯著影響，因此需要一種確定物體節段旋轉順序的方法。陀螺儀和加速度計的組合在運動捕捉應用中得到了廣泛的應用。由于地球重力場的方向不隨時間變化，通過加速度計提供參考，以檢查陀螺方向估計的結果。在使用角速度進行動作捕捉時，一個重要的考慮因素是旋轉順序或旋轉順序。

在實驗中，陀螺儀傳感器同時收集X、Y、Z軸的三個角速度，因此很難確定旋轉發生的順序。圖3.4給出了使用陀螺儀和加速度計實現的方向跟蹤過程的框圖。

圖3.4最優旋轉順序算法框圖

在圖3.4中，考慮了所有六個可能的旋轉序列，即:X-Y-Z, Y-Z-X, Y-X-Z, Z-X-Y, Z-Y-X, X-Z-Y。因此，根據上述序列可以生成6個不同的旋轉矩陣，記為，，，，

,

和。讓我們參考地球坐標和重力方向

表示在體坐標系中估計的地球重力。重力方向是地球坐標系中的一個固定向量。通過將所有六個可能的旋轉矩陣(獨立地)相乘，得到了樣本的六個估計重力向量

30.

(3.15)

產生最小誤差的旋轉矩陣(如上所述)隨后作為步進旋轉矩陣使用。下一個步驟的姿態，被計算為

(3.16)

與單旋轉順序算法相比，最優旋轉順序算法利用加速度計獲得的數據檢測地球重力方向，作為估計真實旋轉序列的參考。因此，它將得到更精確的運動捕捉結果。

身體運動捕捉系統架構

在這項運動捕捉研究中使用的慣性無線傳感器是在最新版本的SHIMMER(用智能模塊化、移動性和實驗可重用性來感知健康)平臺上開發的。SHIMMER是Realtime Technologies Ltd.推出的一款小型無線傳感器平臺，設計為可穿戴傳感器單元，它可以將無線心電圖(ECG)、肌電圖(EMG)、GSR(皮膚電反應)加速度計、陀螺儀、傾斜傳感器和磁傳感器結合在一起，實時記錄和傳輸生理和運動數據。

在本研究中，一個三軸加速度計和一個三軸陀螺儀被合并到一個微光單元來檢測運動數據。本節概述SHIMMER硬件體系結構并討論所包含的硬件子系統。介紹了在SHIMMER平臺中使用的軟件。

4.1 SHIMMER系統硬件圖

圖4.1顯示了閃爍基板連接和集成設備[38]的框圖。SHIMMER系統由低功耗MSP430F1611單片機，三軸加速度計，三軸陀螺儀，無線通信模塊，IO和內存擴展(高達2GByte MicroSD)組成。微控制器控制設備的完整操作，并提供操作警報和消息。角速度和地球重力分別由陀螺儀和加速度計測量。數據可以通過無線連接發送到計算機或存儲在MicroSD設備中。SHIMMER還具有功率控制功能，包括軟功率開關、功率監控和低電量關機。

圖4.1微光系統示意圖

本章將詳細討論每個子系統的功能描述。它們是微控制器，加速度計，陀螺儀，無線通信模塊，IO和內存擴展。

4.1.1 MSP430F1611混合信號單片機

SHIMMER系統使用的處理器是德州儀器公司的16位超低功耗微控制器MSP430F1611，它是在便攜式測量應用中設計的。它有兩個內置的16位定時器，一個快速的12位ADC，雙12位DACs，一個或兩個通用同步/異步接收器/發射機(USART)， I2C, DMA和48 I/O引腳。MSP430F1611單片機為內存密集型應用程序和大型C-stack需求[39]提供了擴展的10Kbyte RAM和48Kbyte flash。在這個身體動作捕捉系統中，使用8通道12位ADC將陀螺儀測量的數據從模擬信號轉換為數字信號。三軸陀螺儀數據和三軸加速度計數據轉換使用了單片機內置ADC的6通道。

4.1.2 MMA7361三軸MEMS(微機電系統)加速度計

MMA7361L是飛思卡爾半導體公司生產的一種低功耗、低剖面電容式三軸微機械加速度計。典型的特征包括信號調節，單極低通濾波器，溫度補償，自我測試，0g-detect(探測到線性自由落體)和g-select(允許在兩種靈敏度之間進行選擇)。零-g偏置和靈敏度是出廠設置，不需要外部設備。MMA7361L也有睡眠模式，使其理想的手持電池供電電子[40]。

這種微小的三軸加速度計已經在許多不同的應用中得到應用，例如在3d游戲中傾斜和運動感知、圖像穩定性、手機中的文本滾動和運動撥號、導航中的電子羅盤傾斜補償以及在筆記本電腦或PC上的下降和接近下降檢測。

4.1.3陀螺儀

陀螺儀是一個微光擴展模塊，提供三軸角速率傳感與剛性板實現，以確保垂直z軸。它集成了雙軸角速率陀螺儀來執行復雜的運動傳感應用。陀螺板采用下一代MEMS技術，提供更高的性能。所述陀螺板通過內部連接器銷連接到所述微光主板，并包含在微光外殼內。在固定的參考輸出下，陀螺儀板運行一個二次低跌落電源調節器(LDO)，以改進電源噪聲抑制[41]。主要功能包括[42]:

?零信號偏移校準參考水平

?Auto-zero控制精密傳感應用程序?陀螺溫度傳感監測精度

?二級電力經常拒絕系統噪聲?可編程的指標

?針孔重置

陀螺儀提供500度/秒的全量程和2.0mV/度/秒的靈敏度。當與SHIMMER的集成加速度計結合時，兩者都提供了完整的6度自由運動捕捉。

4.1.4無線通信模塊

作為一個無線平臺，SHIMMER確保了802.15.4和藍牙無線電解決方案的高質量通信，但這兩個無線電不能同時操作。

IEEE 802.15.4是一個標準，它指定了低速率無線個人區域網絡(lr - wpan)的物理層和媒體訪問控制，主要關注于設備之間的低成本、低速無所不在的通信。重點是附近設備的低成本通信，幾乎沒有底層基礎設施，打算利用這一點進一步降低功耗。

藍牙(IEEE 802.15.1)是一種專有的開放無線技術標準，用于在固定和移動設備上進行短距離(使用短波長的無線電傳輸)數據交換，創建具有高安全[44]級別的個人區域網絡(pan)。802.15.4與藍牙無線電的關鍵特性比較如表4.1所示。選擇應該基于應用程序需求和可用資源。

表4.1 802.15.4和藍牙[38]的特點

雖然IEEE 802.15.4由于能耗低、范圍寬、對更多設備的容忍度高，有利于遙測系統，但藍牙保持較高的數據傳輸速率。由于有10個傳感器，每個傳感器將大量數據傳輸到計算機上進行實時運動再現，所以在這次運動捕捉實驗中選擇藍牙進行通信。現在大多數醫療設備都與藍牙兼容，這使得結合其他醫療設備進行近距離探測研究變得更加容易。

4.1.5 IO和內存擴展

SHIMMER平臺提供內部和外部擴展。內部擴展用于內部傳感器子板，其中可以選擇更多的傳感器。外部擴展是一個18引腳頭，可用于用戶充電，編程和拴傳感器擴展。通過外部擴展頭，可以配置一個SPI(串行外圍接口)和一個UART(通用異步收發器)接口來訪問MicroSD卡中的數據。MicroSD卡可以手動安裝在閃爍底板上，以合并額外的內存資源。容量可達2Gbytes，這允許在閃爍器運行時、網絡中斷或更換電池時額外存儲數據。還增加了SD主機數據旁路功能，以提高可用性。它結合了寬帶模擬多路復用器和三態邏輯緩沖的某些信號路由到外部連接器提供直接和立即訪問閃存使用外部SD-flash卡控制器高速數據傳輸[38]。

4.2 SHIMMER系統軟件環境

SHIMMER平臺使用TinyOS操作系統實現、測試和驗證SHIMMER嵌入式軟件(固件)。TinyOS是為低功耗無線設備設計的基于開源組件的操作系統[38,45]。用TinyOS編寫的語言稱為NESC (Network Embedded Systems C)[46]，它是一種基于組件的、事件驅動的編程語言，用于為TinyOS平臺構建應用程序。它是C編程語言的擴展，組件“連接”在TinyOS上運行應用程序。TinyOS操作系統在SHIMMER平臺上的功能包括:

?MicroSD閃存?脂肪文件系統

?內部IP堆棧802.15.4。提供服務

?藍牙配置、連接管理和流媒體數據傳輸?實時時鐘模塊

?外圍控制和配置?電源監控

TinyOS是用NESC編程語言編寫的嵌入式操作系統，是一組協作的任務和過程。這個編程環境支持各種低功耗設備，具有幾千字節的內存和無線通信能力[45]。它是為網絡傳感器設計的，硬件要求最低。NESC是C的一個擴展，旨在體現TinyOS[47]的結構概念和執行模型，并使用定制的NESC編譯器。

圖4.2

NESC應用[40]

圖4.2顯示了NESC應用的基本思想。應用程序由一個或多個連接在一起的組件組成，以形成可執行文件。對于每個應用程序，都有一個連接內部組件的頂級配置。NESC應用程序的基本要素如下:

組件:提供并使用定義良好的雙向接口來構建NESC應用程序塊。每個組件都有一個“規范”，一個代碼塊，聲明它提供(實現)的函數和它使用(調用)的函數。NESC有兩種組件:配置和模塊。

模塊:提供應用程序代碼，實現一個或多個接口。

配置:將其他組件組裝在一起，將組件使用的接口連接到其他組件提供的接口，即“連接”。

接口:聲明接口提供程序必須實現的一組稱為“命令”的函數，以及接口用戶必須實現的另一組稱為“事件”的函數。接口是雙向的，它是訪問組件的唯一點。

命令:接口提供程序必須實現的函數。

事件:由接口提供程序聲明，但接口用戶必須根據需求實現它們。

TinyOS和NESC更詳細的信息可以在[45-47]中找到。

5運動捕捉實驗

由于大張旗鼓的項目是針對老年人跌倒和接近跌倒的檢測，從理論上講，在實驗中應該對老年人進行測試。然而，涉及到老年人的實驗可能有一些健康考慮。例如，他們是否可以根據自己的身體狀況佩戴這些傳感器進行長時間的實驗，是否有保護措施防止他們在實驗中意外受傷。相反，年輕人通常比老年人強壯和健康得多，研究年輕人的正常活動可以幫助醫生了解老年人的行為。同時，本文提出的人體運動捕捉系統只是一個比較大張旗鼓項目目標的原型，需要大量的實驗來驗證其可行性、可靠性和安全性。在未來，一旦系統通過一系列的實驗得到很好的測試，并且方法在年輕人身上得到驗證，老年人可以在醫生的指導下在實驗室環境中進行測試。在實驗中，兩名男性受試者(受試者#1和#2)和一名女性受試者(受試者#3)在20 - 30歲之間進行選擇adl的測試。為了在電腦中創造出一個完整的身體化身，我們選取了10個微光傳感器，對人體進行計數，并采集運動數據。十是一個最小的數字，根據這個數字可以生成一個全身化身。在該系統中增加傳感器可以提高捕獲結果的準確性，但減少傳感器的數量將直接影響adl的識別。所有微光傳感器的采樣率為每秒50個樣品。進行的動作捕捉實驗過程如圖5.1所示。

圖5.1人體運動捕捉實驗流程圖

實驗前完成傳感器標定，使傳感器誤差最小化，并記錄尺度參數。傳感器標定后，由于傳感器易發生數據漂移誤差，如果漂移顯著，則無法保證結果的準確性，因此需要進行隔夜傳感器漂移測試。另外，在實驗前還需要確定傳感器節點的安裝位置。為了進一步的工作，需要記錄測試對象的相應的身體段測量數據。接下來，執行10個ADL實驗，在此過程中，測試對象按照圖5.1中所示的每個ADL測試的虛線塊中的步驟進行操作。本節的其余部分將對每一個步驟進行更詳細的解釋。

5.1傳感器校準

傳感器標定是實驗的關鍵步驟，可以最大限度地減少傳感器本身引起的誤差。利用加速度計和陀螺儀標定微光節點意味著可以獲得參數，這些參數可用于將傳感器采集的數據轉換為具有物理意義的單元數據。理想情況下，這可以通過使用每個傳感器數據表中的信息來實現，而無需進行任何校準。然而，在現實中，傳感器的測量數據可能因設備而異。可能的原因包括正常的制造波動，環境溫度和電源電壓。由于傳感器有兩種:加速度計和陀螺儀，因此它們的校準將分別進行。

5.1.1加速度計標定

對于加速度計的標定，三個軸分別標定[40,48,49]。當在一個軸上校準加速度計時，首先，讓加速度計坐在一個水平的桌子上，選擇的軸向下指向大約20秒。由地球重力引起的加速度被測量為。然后，翻轉傳感器，讓軸向上指向20秒，測量值是

。基于這兩個值，期望值???對應于0g(中點

的價值

和)可以很容易地計算。記錄了這個0g值

它將會從真正的實驗值中去掉。

acc

式中為加速度計數據標定值，其單位為(1 =重力加速度，9.81 m/s2)。為軸加速度計原始值。為軸的計算中點。在這里，和的值只對一個傳感器的特定軸有效，它們應該在校準時為每個傳感器中的每個軸找到并記錄。

5.1.2陀螺儀標定

陀螺儀以單位度/秒來測量角速度。可以通過以下步驟[50]進行校準:

度/秒的價值:

(5.2)

其中，為靜止陀螺儀返回的值，為1843。這個值來自于廠家和2.731號。對10個傳感器重復上述步驟，記錄每個傳感器每軸的靜止值，這些值可用于計算實驗中真實的旋轉值。

當所有的傳感器都被很好地校準并且相應的值被正確地記錄時，慣性傳感器就為實驗做好了準備。

5.2隔夜傳感器漂移測試

在對所有傳感器進行標定后，還要考慮另一個影響傳感器精度的因素:漂移。在ADLs運動捕獲實驗前，進行了夜間漂移試驗。在這個測試中，所有10個微光傳感器整夜都處于活動狀態，以監視在孤立環境中漂移的數據。在實驗室中，十個微光傳感器被放置在一個平面上，在漂移測試期間保持在一個位置，沒有任何移動。然后，在每個傳感器上逐個打開藍牙連接，進行數據記錄。連接完成后，所有傳感器可連續采集數據到車載SD卡，采樣率為每秒50個采樣。然后，讓這些傳感器(將數據寫入SD卡)連續運行大約16個小時，從下午5:28到次日上午09:54(16小時26分鐘)。在測試期間，總共提供了約296萬個樣品。圖5.2 (a)為傳感器#1加速度計的x軸數據(見表5.2)，圖5.2 (b)為同一傳感器陀螺儀在測試期間的x軸數據。圖中紅線表示漂移試驗開始時采集的數據，藍線表示漂移試驗結束時(16小時后)采集的數據。

(a)加速度計x軸數據

(b)陀螺儀x軸數據

圖5.2傳感器1采集的x軸原始數據

從上面的兩幅圖可以看出，在夜間漂移測試開始時收集的數據和在測試結束時收集的數據幾乎是重疊的。

顯然，根據測試結果，沒有明顯的漂移。表5.1為傳感器1 X軸漂移試驗結果。

表5.1傳感器1的加速度計和陀螺儀平均漂移

對于其他傳感器，漂移試驗結果與此相似，表明實驗中使用的傳感器具有合理的漂移性能，傳感器采集的數據精度較高。

5.3人體測量點和傳感器節點位置的確定

在實驗中，傳感器需要正確且牢固地安裝在受試者的身體部位。人體上傳感器節點位置的選擇對于實驗是至關重要的，因為人體不同部分的運動有很大的差異。在將傳感器節點安裝到測試對象的身體上之前，先測量并記錄每個身體部分的長度，以確定傳感器的最佳位置。圖5.3顯示了10個傳感器的測量點和傳感器安裝位置。這些傳感器位置是在醫生的指導下挑選出來的，以使受試者在運動中穿著時感到舒適，并減少運動中身體變形的影響。在實驗中，所有的傳感器都用帶子固定在測試對象的身體上。

傳感器節點由10個矩形框表示，分別為:2、4、8、10、16、12、13、18、21和23。為了簡化實驗，將每個傳感器節點匹配到特定的體段位置，而不為不同的主體替換傳感器位置。圖中為每個測點和傳感器位置的編號方案

5.3如表5.2所示。根據圖5.3所示，所有的傳感器都應該被附加

牢牢地放在身體各部分的中間。監測傳感器在中間的部分，確保傳感器的數量最少，以跟蹤整個身體的運動捕捉。

圖5.3傳感器位置及測量點[51]表5.2測量點及傳感器位置

圖5.3顯示了在受試者#1上測量的體節長度信息。如圖5.3所示，肩部長度為第5點到第7點的測量距離。這些長度數據將用于計算機頭像模型的建立，并且每個主題都不同。

表5.3受試者1的體節長度

5.4十種adl的人體運動捕捉實驗

經過標定和漂移試驗，所有傳感器準備好進行運動捕捉實驗。實驗在物理治療實驗室進行。其中，兩名男性受試者(指受試者#1和受試者#2)和一名女性受試者(指受試者#3)接受測試，以執行全部10個選定adl。由于三個受試者在實驗中使用相同的adl進行測試，所以在數據處理中只使用從受試者#1中收集的數據進行運動再現，稍后將對此進行討論。

為了模擬人們日常生活中最常見的活動，我們選擇了以下10個adl進行實驗，因為大多數人的日常活動都包含一個或多個adl。

(1)從躺到站(2)從站到坐

(3)先坐著，然后彎腰系鞋帶

(4)先站著，然后往前走，轉身，最后向后走

(5)先站好，然后身體彎曲，從地上撿起一個物體(球)。(6)先站好，然后用右手向前伸

(7)先站好，然后用右手向上伸

(8)先站好，然后踩在凳子上，保持5秒鐘，最后從凳子上走下來

(9)先站起來，然后用11級的臺階爬上樓梯，然后轉身堅持5秒鐘，最后從樓梯上走下來，再轉身回去

(10)動作順序如下:先站起來，然后躺下，站起來，坐下來，系鞋帶，站起來，向前走，彎腰從地板上撿起物體(球)，前伸，上伸，從凳子上踩下。

實驗前應正確測量和記錄體節段長度(見表5.3)，并建立10個傳感器的安裝位置，如圖5.3所示。每個受試者的實驗分為四個步驟:復位和安裝傳感器、啟動傳感器、受試者執行adl和停止傳感器。其中，第(1)步執行一次，對每個ADL執行第(2)步到第(4)步。

步驟(1)復位并安裝傳感器

這10個傳感器在連接到受試者的身體部分之前會被同時重置。正如SHIMMER硬件描述中提到的，每個傳感器中的16位計數器通過這個并行重置來計數和生成時間戳。時間戳每2.05秒滾動一次，當傳感器開始收集數據時，時間戳會被標注到數據上。由于所有傳感器同時復位，在ADLs實驗中，不同傳感器產生的時間戳應該是相同的。這個時間戳信息對于數據處理中的數據同步非常重要，稍后將對此進行討論。當所有的傳感器都同步復位后，它們就會被附著在被試身體的各個部分上，這些部分是在前幾部分確定的位置上。一旦傳感器被安裝，他們將保持附著在受試者的身體部分，直到整個十個ADLs實驗完成。

步驟(2)啟動傳感器

所有的傳感器都安裝在身體上之后，在受試者執行任何ADL之前，首先需要將它們連接起來。在開始時，受試者保持初始姿勢，等待中央主機通過藍牙網絡向每個傳感器發送“開始”命令。藍牙網絡通常只能同時連接7個終端(傳感器節點)，連接速度會隨著終端數量的增加而減慢。由于總共有10個傳感器，所以實驗中使用的方法是將命令從中央主機一次發送到傳感器，以減少單個計算機傳感器的延遲。一旦一個傳感器從主機接收到“開始”命令，它就開始測量加速度和角速度數據并記錄到SD卡。該傳感器節點啟動后，與上位機的連接終止，下位傳感器以相同方式連接。當所有傳感器都啟動時，第一步就完成了。

步驟(3)受試者執行ADL

通常情況下，測試對象應該保持5秒鐘的起始姿勢，以確保所有10個傳感器都已啟動，減少傳感器之間的漂移差異，甚至排除其獨立的數據波動。在此之后，受試者將保持同樣的姿勢5秒，在數據處理過程中，這段時間的數據將用于零誤差補償。然后，受試者開始執行特定的ADL，重復5次(第十次ADL除外)。在一個ADL中的兩個重復動作之間，受試者保持5秒鐘的起始姿勢，根據這個姿勢，每個重復動作都可以很容易地辨別出來。例如在ADL 2實驗中，當實驗對象坐下來站起來的時候，他/她會保持站著的姿勢，再等5秒鐘，然后重復5次，最后回到原來的姿勢。在ADL No. 10中，不同動作之間也存在5秒間隔。然后整個ADL序列重復三次。每次重復步驟(2)到(4)，以確保從重復的ADL No. 10中收集的數據存儲在三個不同的文件中。

步驟(4)停止傳感器

在受試者完成ADL后，一個“停止”命令被一個接一個地發送到每個傳感器，就像“開始”命令一樣。受試者需要保持初始姿勢5秒鐘，以確保所有傳感器都斷開連接。

在物理治療實驗室里，有一個前置攝像頭和一個側置攝像頭記錄受試者的運動。每個ADL實驗的視頻都是由這兩個攝像頭記錄下來的。在數據處理過程中，將可視化的動作捕捉結果與視頻進行比較，判斷動作捕捉是否成功。圖

5.4顯示受試者在執行ADL No. 2時，側面攝像機所拍攝的視頻快照。

(一)站起來                                                                                                                  (b)坐下

圖5.4側攝相機實驗快照

6實驗結果及數據處理

實驗結束后，將存儲在每個SHIMMER傳感器節點SD卡中的數據進行處理，得到被試的模擬動作。閃爍傳感器的采樣率是每秒50個樣品。由于傳感器是串行初始化的(在實驗過程中一個接一個地打開)，所以在進行任何處理和模擬之前，有必要同步所有數據文件。在對所有傳感器節點的數據進行同步后，對采集到的數據采用最優旋轉順序算法。

6.1數據預處理

SD卡中存儲的數據只是原始數據，首先要利用傳感器標定得到的參數將其轉換為具有物理意義的數據。在應用體運動捕捉算法之前，還需要做更多的數據預處理工作。它們是數據同步和零誤差補償。

但是數據同步

數據同步的目的是找出延遲??(即兩個傳感器在不同時間啟動所造成的時差)基于傳感器采集的數據中的ADL運動起始點。數據不同步的主要來源是傳感器沒有同時啟動，因此它們開始在不同的時間將數據存儲在SD卡中。因此，有一個時間延遲??數據之間由任意兩個傳感器收集。理想情況下，如果在一個ADL中所有的body段開始完全同時移動，同步數據并丟棄這個時間延遲??，可以設置一個閾值來確定在傳感器數據文件中開始移動的位置。然而，在現實中，不同的身體部分并不是同時開始運動的，而是有時差的??兩個身體部分之間開始移動。例如，在行走ADL時，受試者可以先移動右腿，然后再移動左腿。雖然這個時間差通常很小(不到2秒)，但是它仍然不能被忽略，這使得同步很難實現。

傳感器

(a)按時間戳劃分的傳感器數據

(b)樣品傳感器數據

傳感器測量數據

一個誹謗聯盟運動

運動

起點

傳感器

起點

圖6.1從傳感器#1和傳感器#2收集的數據

圖6.1顯示了從傳感器#1和傳感器#2收集的數據示例。粗體波形表示ADL實驗中存儲在SD卡中的加速度或角速度數據。運動起點是身體部分開始運動的數據樣本。傳感器起始點是傳感器開始將數據記錄到SD卡的數據樣本。對于每個數據示例，都有一個相關的時間戳。時間戳是由傳感器中的內部計數器在大約2秒的時間內滾動產生的。由于傳感器(因此計數器)是通過同時重置來啟動的，所以在不同傳感器中同時測量的所有數據樣本都應該與相同的時間戳相關聯。這是實現精細數據同步的重要線索(稍后將詳細討論)。在圖6.1 (a)中，一開始，傳感器1和2被重置為同時計數，但傳感器1首先由計算機通過無線連接啟動。因此，它的傳感器起點實際上比2號傳感器的起點要早。同時，傳感器2附著的體段比傳感器1附著的體段移動的更早。同步的目標是找出延遲。由于數據中沒有明顯的時間信息，同步只能基于數據樣本。圖6.1 (b)展示了基于樣本的傳感器數據，其中運動起點是兩個傳感器之間尋找延遲的關鍵點。將討論一個兩步同步方案。第一步是粗同步，可以發現延遲??+ ??1基于不同傳感器數據中的運動起點，第二步是精細同步，可以發現延遲??1 .基于時間戳。那么，延遲呢??很容易計算。通過消除延遲??在傳感器1中，這兩個傳感器是同步的。

在這里，由于一個傳感器節點中的加速度計和陀螺儀是同時啟動的，所以它們的數據是同步的。因此，僅以傳感器#1和傳感器#2中陀螺儀采集的角速度數據為例，如圖6.2所示。為了簡單起見，只顯示x軸數據。

傳感器# 2(b)

在每個圖中，圓形突出顯示了附著在身體部分上的不同傳感器的運動起點。顯然，兩個傳感器之間大約有250個樣品延遲。

為了同步數據，采用了粗同步和細同步兩步同步方案。將X、Y、z軸角速度數據的絕對值相加，將這三個軸的信息進行組合，使波動更加顯著，如圖6.3所示。

圖6.3傳感器1 (a)采集的X、Y、z軸角速度數據的絕對值和

傳感器2 (b)

1)粗同步

在粗同步過程中，需要通過分析SD卡中存儲的數據，找出每個個體段開始移動的點(樣本)。為了找到起點，設置了H1和H2兩個閾值。如果一個樣本數據大于H1，那么它就是一個可能的起點，如果第二個條件是

(6.1)

若滿足，則起始點為X，否則，由于X點僅為噪聲峰值，將被丟棄，如圖6.3 (a)箭頭所示。

需要仔細決定。圖中的圓圈表示每段運動的正確起點。

2)良好的同步

每個傳感器數據文件的起始點之后，即，找到每段身體運動的開始時間，現在整個身體的運動可以很容易的同步。對于精細同步，首先選取一個傳感器的起始點作為參考點(這里選擇傳感器#1)，然后根據其他傳感器粗同步得到的起始點，找到與參考時間戳相同的最近點。一旦獲得了這些點，兩個傳感器之間的延遲就通過直接減去一個點來計算。在此基礎上，將傳感器采集到的數據的第一部分(長度等于延遲)與另一部分相比要提前連接。現在，這兩個傳感器是同步的。然后，將此方法應用于所有數據，并對ADL進行同步，如圖6.4所示。

圖6.4傳感器1 (a)和傳感器X、Y、z軸角速度數據的絕對值和

2 (b)同步之后

6.1.2零誤差補償

如第五章所述，所有傳感器在實驗前都經過了仔細的校準。然而，從傳感器采集的數據來看，受試者開始移動前采集的角速度數據不為零。相反，有一個偏移量是傳感器的零誤差。如果這個偏移量混入真實的角速度，運動捕捉會隨著時間的推移而變得更糟，因為誤差會累積起來。因此，這個在一個ADL中假設為常數的零誤差應該得到補償。

對于每個ADL，在所有傳感器連接良好并等待另一段時間之前，受試者將保持一個啟動姿勢。因此有一段時間從所有的10個傳感器被連接到主體開始移動。對于每個傳感器來說，在一個特定的ADL中，角速度的零誤差可以認為是這段時間的平均值，因為在受試者保持初始姿勢時，不應該有角速度。然后，用計算出的零誤差減去實際物體運動的角速度，即，保持初始姿勢周期的平均值。由于在不同的ADL實驗中，零誤差會發生變化，不同的傳感器會有不同的誤差，所以這個過程應該適用于每個單獨的角速度數據。表6.1比較了1號傳感器采用零誤差補償前后X、Y、z軸平均角速度數據的偏移量。顯然，在表6.1中，通過應用這個數據預處理過程，平均偏移量大大減少。

表6.1零補償前后偏移量比較

傳感器1中的角速度數據

6.2人體運動捕捉仿真結果

經過數據同步和零誤差補償后，采用前面討論的最優旋轉順序算法，得到了每個ADL中受試者的身體運動。為了跟蹤被試的全身運動，首先需要計算每個身體部分的三維空間中的位置和方向信息。例如，圖6.5顯示了在第二次ADL中左腿的位置(最初站著坐著，如第5章所述)。

圖6.5左腿位置在三維空間使用最優旋轉順序

算法

在這里，為了簡化模擬，左大腿的長度被縮放到1(單位長度)

和向量                                                                        是用來表示原始位置的嗎

? ?? ?? ?? ?≈0樣本(例如,1500)。一旦獲得了一個體段的位置和方向數據，就可以很容易地擴展到其他體段和所有adl。

計算完所有的身體部分位置后，使用OpenGL語言生成一個簡單的化身模型，可以在電腦屏幕上查看。該模型展示了受試者身體在每個ADL中的動態運動，并再現了受試者的運動，與實驗視頻類似。化身模型的虛擬維度與實驗前測量的實際測試對象的物理維度成正比。

(a)站立姿勢

(b)坐姿

圖6.6 ADL 2的視頻快照與頭像模型對比

在圖6.6 (a)和(b)中，將站立和坐立姿勢的avatar模型與視頻快照進行對比。在圖中，成功實現了第二個ADL的運動捕獲。實際上，對于實驗中的所有adl，使用最優旋轉順序算法的avatar模型可以成功的跟蹤被試的運動。為了顯示所有ADL跟蹤的結果，圖6.7中使用了第5章中討論的ADL序列10，因為該序列包含實驗中測試的大多數ADL。具體地說,在圖6.7中,話題# 1執行以下動作序列:最初站好(1),然后躺下(2 - 5),站起來(6 - 9),坐下來,系鞋帶(10 - 12),站起來,向前和向后走(13 - 16),彎腰撿一個對象(球)從地板上(17 - 18),(11日)伸向前,向上到達(研討會)到最后一步,從凳子上(能力)。在這里，由于本研究中主體的絕對位移并不重要，因此將參考點設置為髖關節周圍的交點，并固定在坐標系中，如圖6.7(1)所示。

t

(1)(2)

(6)(7)

(11)(12)

(3)(4)(5)

(8)(9)(10)

(13)(14)(15)

(16)(17)

(21)(22)

(26)(27)

(18)(19)(20)

(23)(24)(25)

(28)(29)(30)

圖6.7捕獲受試者1第10號ADL的計算機模型

根據該ADL序列的運動捕獲結果，基于歐拉角的加速度和角速度的最優旋轉順序算法可以連續、準確地跟蹤日常生活活動。通過在每個身體部分安裝10個傳感器，受試者的移動可以通過從傳感器收集的數據在計算機上很好地捕捉到。這不僅在醫療保健應用上、在電影拍攝上、在虛擬現實等方面提供了巨大的潛力。

6.3運動捕捉結果討論

在運動捕獲數據處理過程中，有兩件事值得討論。首先是單旋轉順序與最優旋轉順序算法的比較。二是在《阿凡達》模型中可以看到的一種現象

受試者轉身，發生在ADL 4號(向前走，轉身，向后走)和ADL 9號(上樓梯，轉身，下樓梯)。

6.3.1單級和最優旋轉順序算法的比較

對于單旋轉順序算法，旋轉順序必須固定在六個旋轉順序之一:X-Y-Z, Y-X-Z, Z-X-Y, X-Z-Y, X-Z-Y或X-Z-Y。而在最優旋轉順序算法中，旋轉順序是不固定的。它是通過估算和測量地球重力方向的比較來確定的。因此，最優旋轉順序算法可以修正每步旋轉順序引起的誤差，避免單次旋轉順序算法產生的誤差累積。例如，圖6.8展示了用單級和最優旋轉順序算法得到的ADL 9號(上下臺階)左大腿位置的比較。紅線是用最優旋轉順序得到的位置信息，藍線是用單旋轉順序(即Z-X-Y)。

圖6.8左大腿位置使用單(Z-X-Y)和最佳旋轉順序

算法

在圖6.8中，對于單旋轉順序算法，當受試者開始移動時，左大腿位置向量的z軸數據開始偏離實際值，誤差隨著實驗時間的延長而累積。這個錯誤也很容易反映在avatar模型的移動中，如圖6.9所示。

(1) (2) (3) (4) (5) (a)采用最優旋轉順序算法的運動捕獲結果

(6) (7) (8) (9) (10) (b)采用單旋轉順序算法的運動捕獲結果

圖6.9 ADL 9的運動捕捉結果對比

最優旋轉順序算法

這里測試ADL 9號上下樓梯。圖6.9 (a)和(b)中的五位數分別對應于受試者每次上樓前的站立姿勢。顯然，采用最優旋轉順序算法計算的avatar模型能夠很好地恢復到原來的位置，而單次旋轉順序由于積累的誤差無法恢復到原來的位置。與單一旋轉算法相比，每一步計算6個旋轉矩陣會增加算法復雜度，但最優旋轉順序算法具有更好的捕獲效果和更高的精度。在本文中，由于精度是直接影響醫生運動識別的關鍵因素，進而影響近距離下降檢測結果，因此在每天ADLs捕獲的大張旗鼓項目中采用了最優旋轉順序算法。單旋轉順序算法可以應用于精度不高但算法復雜度低的應用中。

6.3.2轉彎時的運動畸變°左右

對于所有adl的運動捕捉結果，所有日常生活活動都可以進行合理的跟蹤，但有一個例外，即，當被攝體轉向in時

在

ADL 4號和ADL 9號如圖6.10和6.11所示。圖6.10 (a)顯示了一個模型在ADL 4中向前行走的序列，運動被很好地捕捉到了。然而，如圖6.10 (b)所示，在模型轉回后，回走模型發生了畸變。具體來說，受試者的背部向后彎曲很多，而其他身體部分看起來都很正常。在圖6.11中發生了同樣的事情，其中一個模型正在上下樓梯。

(1)(2)

(3)(4)(5)

(一)向前走

(6) (7) (8) (9) (10)

(b)向后走

圖6.10 ADL 4號向前走并返回

(1)(2)

(6)(7)

圖6.11

(3)(4)(5)

(a)爬樓梯

             (8)(9)(10)

(b)下樓梯

ADL 9號上下樓梯

這種現象的原因是，當兩個傳感器連接到受試者背部時，穿過它們的線實際上與受試者背部不平行。相反，這里有一個角度，如圖6.12所示。

主題模型

背面傳感器

參考點

圖6.12向前走并返回

因此，假設受試者背部平行于z軸(z軸向上指向空間)，當受試者轉身時，模型背部會向后彎曲

來

并返回，如圖6.12所示。

6.4與以往工作比較

表6.2顯示了該系統與以往一些慣性運動捕獲系統的比較。觸覺運動服由Y. Fujimori等人在2009年[52]推出，其目的是將運動信息與接觸信息相結合，實現高精度的全身運動捕捉。加速度計跟蹤系統是由L. Dong等人開發的，目標是跟蹤所有的日常身體活動，并具有良好的準確性。在[54]中，S. Y. Sun等人使用微SMU(傳感器測量單元)進行下肢運動捕捉。z.l Lin等人在[55]中提出了一種利用超小型化慣性測量單元(IMU)進行上半身運動捕捉的方法。

表6.2中的一個挑戰是如何比較不同系統的準確性。現有的基于分類的跌倒檢測系統通常通過統計實驗中正確跌倒和錯誤跌倒的次數來檢測跌倒，在此基礎上可以很容易地計算出準確率的百分比。然而，基于計算機生成的虛擬角色和真實的被試的動作，很難獲得精確的準確性。首先，電腦創造的化身通常比真人簡單得多，所以他們有不同的體型。其次，在生成頭像時，沒有考慮人體的物理約束和運動過程中的變形。最后，還沒有一種標準的方法可以測量化身和主體之間的位置和方向的差異。目前，一些研究使用基于慣性傳感器系統的計算機頭像與基于光學和圖像傳感器的頭像進行比較，以獲得更直觀的比較，因為后者可以達到非常高的精度，并已在計算機動畫、模式識別等各種應用中得到驗證。然而，本文主要研究的是慣性傳感器運動捕獲系統。如果在本研究中實現基于光學傳感器的avatar，整個工作將會加倍。在未來，光學傳感器可以包括在大張旗鼓的項目，進一步比較和接近下降的檢測。這里定義了三個等級，根據臨床實際使用情況粗略比較準確率:

(1)好。生成一個3D電腦頭像，捕捉整個身體的運動，沒有明顯的失真，所有捕捉到的運動都可以被眼睛清晰的識別。

(2)媒介。生成3D電腦頭像，捕捉部分肢體動作，不存在明顯失真，捕捉到的動作都能被眼睛清晰識別，部分信息丟失。

(3)相對較低。生成一個2D電腦頭像，捕捉整個身體或部分身體動作，沒有意義失真，所有捕捉到的動作都能被眼睛識別。

在表6.2中，除了加速度計跟蹤系統外，之前的所有系統都使用加速度計、陀螺儀和磁力儀進行運動數據采集。與僅使用加速度計和陀螺儀的SHIMMER傳感器系統相比，在系統中加入磁強計作為觸覺運動服會增加成本，增加硬件設計和算法計算的復雜性。此外，磁力儀對環境中其他磁場的干擾非常敏感。觸覺運動系統要求受試者在運動過程中穿著西服，這會讓受試者感到不舒服并限制他們的運動。而在本論文中，十個微光傳感器通過獨立的帶子連接在身體的部分，這是靈活和輕，并允許自由運動，沒有任何限制。對于加速度計跟蹤系統，雖然在系統設計上比SHIMMER系統復雜度低，但使用2軸加速度計捕獲重力相關向量會損失1自由度(自由度)。同時，由于沒有角度信息的補償，存在漂移問題，精度相對較低。

以前的大多數系統都使用有線通信和傳感器之間的數據傳輸，或者傳感器和計算機之間的數據傳輸，比如觸覺運動套裝、SMU和IMU。這種策略限制在一個相對較小的區域內的運動，在身體上佩戴金屬絲很容易阻礙受試者的運動。SHIMMER傳感器采用無線通信技術，每個傳感器節點上都有SD卡，可以連續記錄運動數據，支持任何不受距離限制的運動捕捉。

在實驗中，SHIMMER傳感器用10種adl捕捉了3名受試者的全身運動，這些adl涵蓋了老年人的所有基本日常活動。而觸覺運動套裝只測試伸展和躺下的活動，而SMU則專注于下半身的運動，比如彎曲和伸展大腿和小腿，IMU則研究上半身的運動，比如舉起手臂。

根據以上系統，所有的3D虛擬人都能準確捕捉特定的運動。觸覺運動服將接觸信息與運動信息相結合，能夠高精度跟蹤全身運動。然而，硬件和軟件的成本和復雜性都相對較高。盡管SMU和IMU系統也很精確，但它們只關注部分的身體運動，而不是整個身體的運動。此外，使用磁力儀也會帶來干擾問題。與其他系統相比，加速度計跟蹤系統的復雜性和成本最低，但精度也相對較低。SHMMER傳感器系統在硬件設計、系統實現和計算方面具有成本低、復雜度低的優點。它的無線功能支持戶外或日常活動，不受距離限制。它舒適靈活，在許多應用中顯示出很高的潛力，特別適用于日常運動捕捉和近距離下降檢測。

表6.2與之前工作的比較

7結論與未來工作

7.1總結與結論

由于近距離跌倒與人們日常生活活動的相似性，準確捕捉人們的身體運動，幫助醫生研究正常活動的特征，進一步發現近距離跌倒是至關重要的。本文基于商用SHIMMER平臺，提出了一種基于可穿戴慣性傳感器(即加速度計和陀螺儀)的完整人體運動捕捉系統，并在實驗室環境下進行了測試。

在ADL實驗前，10個微光傳感器被很好地校準以獲得有用的單位數據，因為傳感器采集的原始數據只是沒有單位的數字。然后對所有傳感器進行過夜漂移測試，測試各傳感器節點的數據漂移情況。在ADL實驗中，首先測量了人體各節段的長度。在測量的基礎上，在醫生的指導下仔細選擇人體上的所有傳感器位置，使受試者在運動過程中感到舒適，減少變形影響。在此之后，三個不同的實驗對象在實驗室環境中進行了9個預先定義的典型ADL和1個ADL序列。這些選擇的adl幾乎涵蓋了人們日常生活中的所有基本活動。在數據處理中，采用單旋轉順序算法和最優旋轉順序算法將傳感器采集到的慣性數據轉換為方向和位置信息。最后，OpenGL語言制作的電腦頭像顯示了所有捕捉到的動作，這可以幫助醫生直觀地研究和分析這些adl。

根據夜間漂移的結果，加速度計和陀螺儀在采集加速度和角度數據時，精度較高，沒有明顯的數據漂移。同時，本項目中精心選擇的傳感器在人體上的安裝方案，可以得到全身的運動覆蓋，保證傳感器數量最少，是一種高效、最優的布置方式。單旋轉算法與最優旋轉算法的比較表明，雖然兩種算法都能捕捉到被試的所有運動，但后一種算法的精度更高。在單旋轉順序算法中，隨著時間的推移，虛擬形象的運動逐漸偏離實際主體的運動。這是因為固定的矩陣旋轉順序會使旋轉誤差隨時間累積。而最優旋轉順序算法通過在每一步使用最優旋轉矩陣來減小誤差，從而使捕獲結果與時間無關。雖然最優旋轉順序算法在每一步都需要進行更多的計算，但是由于捕獲結果的準確性較高，所以更適合于捕獲正常的活動，因為被試的運動需要一直或長時間的監控。最后，動畫顯示，所創建的avatar可以連續準確的捕捉到所有受試者的動作，準確性足以幫助醫生研究基于avatar的那些活動特征。

與表6.2所示的一些以前的慣性運動捕獲系統的比較說明了使用SHIMMER系統進行全身運動捕獲的優點。與其他慣性傳感器運動捕獲系統相比，該系統僅采用加速度計和陀螺儀，而不采用磁力計和所述傳感器的組合，降低了硬件和算法計算的復雜度，但仍能達到較高的精度。無線通信和車載SD卡擴展了日常運動捕捉的應用，在adl和病人住所的位置沒有限制。此外，背帶是靈活和輕，確保自由的運動沒有運動限制。在實驗中，三個受試者測試了10個adl。選擇這些ADLs來涵蓋老年人日常活動的所有基本活動。然而，大多數以前的系統只選擇了一些adl。實驗結果表明，該閃爍系統能夠連續準確地捕捉到10個adl，且無明顯漂移。該慣性傳感器運動捕獲系統不僅在醫學研究中顯示出巨大的潛力，而且在計算機動畫、視頻游戲和虛擬現實等其他應用領域也顯示出巨大的潛力。

7.2未來的工作

對于這個body motion capture項目，雖然可以很好的捕捉被試的動作，但是仍然存在一些問題需要解決，在未來的工作中對于near falls檢測應用的改進。

7.2.1現行制度存在的問題需要解決

現行制度需要解決的主要問題有:

1。要解決回轉運動的再現問題。

如第6.3.2節所討論的，當主體轉回的時候，后退行走的模型是扭曲的。由于很明顯，這個問題來自于非平行的人通過背部的傳感器回到直線上，所以在實驗中可以首先測量他們之間的角度來避免這個誤差。然后，它可以用來糾正前進和后退的區別。

2。數據可以通過無線連接傳輸到中央主機，而不是存儲在SD卡中。

對于目前的系統，傳感器采集的所有數據首先存儲在SD卡中，并在實驗后進行讀出處理。該方案不能實現計算機模型的實時顯示。因此，無線網絡將被建立允許實時數據收集和身體運動再現。

7.2.2未來應用的改進

除了當前系統中存在的上述兩個問題外，還可以進行其他改進以獲得更好的運動捕獲性能。

1。將監測實際的日常生活活動，而不是預先定義的adl

在這個項目中，我們在實驗中測試了9個預先確定的ADL和1個固定的ADL序列。在未來，實驗將擴展到實際受試者的日常生活動作中，這意味著受試者將不會被限制只能按照預先設定的動作移動。如果該系統能夠在較長一段時間內跟蹤人們日常生活的每一項活動，就可以應用于近距離瀑布探測應用。

2。老年人可以作為測試對象。

老年人將會參與到這個項目中來，而不僅僅是年輕人。然后可以研究年輕人和老年人的運動差異，并對系統硬件或運動捕捉算法進行相應的調整。

3所示。傳感器數量和傳感器大小可以減少。

雖然微光傳感器又小又輕，但是在身體上戴上十個微光節點是不方便的，尤其是對老年人來說。同時，如果傳感器沒有附著在選定的位置上，或者在運動過程中傳感器沒有緊固在物體上，則會降低捕獲結果的準確性。因此，可以進行更多的實驗來研究傳感器編號與精度的關系，在保持精度的同時減少傳感器編號。此外，還可以使用更多的技術來減小傳感器節點的大小，甚至可以將傳感器嵌入衣服中，而不是使用帶子。

4所示。可以建立標準的評價體系來評價系統的準確性

與大多數現有的基于分類結果直接顯示準確率百分比的跌倒檢測系統不同，動作捕捉系統很難根據化身的動作計算準確率百分比。首先，阿凡達的外形通常比真人更簡單。其次，沒有一個標準的方法來測量人體和化身之間的方位或位置差異。如今，基于光學傳感器或攝像機記錄信息的計算機動畫可以非常精確地捕捉到面部細微的動作。在未來，可以生成基于攝像頭和光學傳感器的阿凡達，與創建阿凡達的慣性運動捕獲系統進行比較，以便進一步比較。由于它們的形狀相同，可以放在相同的3D空間中，通過比較可以直觀地顯示出它們之間的差異，幫助計算精度。

5。結合其他傳感器實現近墜檢測

慣性運動捕捉系統可以捕捉人們日常生活中的所有運動。然而，僅使用慣性傳感器很難區分接近瀑布和其他正常活動的區別。在未來，應該考慮其他技術，如壓力傳感器。由于近身墜落涉及到失去平衡和獲得平衡運動，因此檢測身體質量中心的位置將有助于檢測平衡。當一個人站著的時候，他/她只用兩只腳支撐全身，保持平衡。因此，身體的重心應該在兩英尺之間。當質心離開這個區域時，這個運動可以被認為是失去平衡。如果身體重心再次回到足部區域，這個動作可以對應于恢復平衡的動作。壓力傳感器可以檢測到腳下的壓力，并根據收集到的壓力計算出身體的質量中心。結合壓力傳感器和慣性運動捕獲系統，進一步的實驗可以在實驗室環境中檢測到近地墜落。

國外的動作捕捉論文.zip (15.29 MB, 下載次數: 33)

2018-9-10 19:32 上傳

點擊文件名下載附件