论文部分内容阅读
基于惯性传感器的人体动作捕捉系统具有便捷、经济、实用等诸多优点,在电影特效、体感游戏、体育运动分析和医疗康复等领域得到了广泛的应用。但是,目前基于惯性传感器的人体动作捕捉方法没有外界参考点,只能获取人体肢体信息,不能获取人体的位移信息。本文开发了一款人体动作捕捉系统,实现了惯性传感器驱动三维人体模型;在惯性传感器技术的基础上,结合了超宽带定位和数据融合算法,不仅实现了全姿态人体动作捕捉还能获取人体位移信息,使得动作捕捉系统不再局限于捕捉人体在原地的肢体动作,拓宽了人体动作捕捉系统的应用范围;使用该动作捕捉系统采集人体行为数据,提取人体行为特征,使用分类算法实现了人体行为识别,对16种人体行为的识别率达到75%~100%,识别效果较好。本文的主要工作如下:(1)基于惯性传感器设计人体动作捕捉系统并完成相应软件的开发。使用Unity3D创建三维场景和三维人体模型,读取惯性传感器中的实时原始数据(由三轴加速度计、三轴磁力计和三轴陀螺仪的数据组成),并使用姿态融合算法实时的将原始数据处理后生成四元数,四元数在Unity3D中可以实时驱动三维人体模型。通过三维人体模型动作和实际人体动作比对,证明本文设计的人体动作捕捉系统可以准确捕捉人体肢体动作信息并实现三维人体模型的实时展示。(2)提出了一种融合惯性传感器技术和超宽带定位技术的算法。将超宽带定位技术与惯性传感器定位技术结合在一起,并应用到人体动作捕捉系统。通过惯性传感器辅助定位,提高了超宽带定位技术在非视距情况下的定位精度,使得该系统在动作捕捉过程中能够实时获取人体在空间中的位移信息。通过实验捕捉人体在静止时非视距条件下的位置数据,结果表明使用该融合算法最大误差为10厘米,不使用融合算法的最大误差为35厘米;通过对比使用融合算法和不使用融合算法的人体运动轨迹,证明本文所提出的算法可以有效提高非视距情况下的定位精度。(3)在实现动作捕捉系统的基础上,使用SVM和KNN算法对人体行为进行识别。采集16种人体行为数据,提取了9种数据特征参数(平均值、最大值、最小值、标准差、方差、中值、极差、斜率绝对值、能量),并基于提取到的特征参数分别使用SVM和KNN算法进行人体行为识别。SVM算法对16种人体行为识别率为62.5%~100%,KNN算法对各种人体行为识别率为75%~100%,两种算法均对挥手、交叉、捡东西、走路、蹲下行为的识别率达到100%,能够较好的实现人体行为的识别。综上所述,SVM算法和KNN算法对人体行为的识别效果较好,说明本文所提出的将超宽带定位技术与惯性传感器定位技术相结合的人体动作捕捉系统能够实现人体动作的捕捉与识别,让人体动作捕捉系统有了更加广泛应用。