基于动作捕捉点云的关节旋转中心优化方法及设备技术

基于动作捕捉点云的关节旋转中心优化方法及设备，属于动作捕捉和人体肌骨建模技术领域。为了解决基于标记点计算的关节运动参数对贴点误差敏感存在较大误差的问题。本发明专利技术基于采集的优化关节和与优化关节分别连接的第一骨、第二骨在相对静止状态及相对运动状态下标记点数据，将第一骨相对运动状态下标记点数据重合到相对静止状态下标记点数据上，并基于对应的旋转平移关系将标记点数据运动轨迹转化成第一骨保持不动、第二骨通过优化关节围绕第一骨的旋转运动；将当前帧的第二骨标记点重合到上一帧的第二骨对应的标记点上，并将完整步态周期中所有相邻两帧旋转平移矩阵的旋转中心转变成最优化问题实现优化。主要用于关节旋转中心优化。转中心优化。转中心优化。

【技术实现步骤摘要】
基于动作捕捉点云的关节旋转中心优化方法及设备


[0001]本专利技术具体设计一种关节旋转中心优化方法，属于动作捕捉和人体肌骨建模


技术介绍

[0002]运动捕捉与肌骨建模是最常见的用于人体运动特征评测的技术。目前广泛用于体育表现的评估，骨科疾病的功能评估，电影动画的制作等领域。评测的实施主要通过在人体骨性标志位粘贴光学反光球，通过运动捕捉系统捕捉反光球的三维空间坐标，从而根据反光球的空间坐标计算关节运动角度等参数。关节角度的计算方式主要有两种方式，一种是基于标记点的连线，计算线段之间的夹角；另一种是用光学标记点驱动带有预设关节约束的运动模型（如Anybody或opensim 的结构模型），从而计算关节角度。第一种方式，简单方便，但是完全基于标记点的计算方法对标记点粘贴位置的误差非常敏感，容易造成关节角度计算的较大偏差。第二种方式，相对复杂，计算过程与人体的真实运动更加接近，但是建模过程中需要预设各个关节中心点（通过调整体节长度和关节旋转角度实现）。传统的关节中心点预设方法通常采用静态站立时贴在关节内外侧光学标记点的中点作为预设的关节中心点。因此，贴点的误差将直接影响预设的关节中心点，从而影响关节角度的计算准确性。因此，如何降低贴点误差造成的影响，是提高运动评估有效性的关键。

技术实现思路

[0003]本专利技术是为了解决基于标记点计算的关节运动参数对贴点误差敏感存在较大误差的问题，进而提出了一种基于动作捕捉点云的关节旋转中心优化方法、存储介质及设备。
[0004]基于动作捕捉点云的关节旋转中心优化方法，包括以下步骤：基于采集的优化关节和与优化关节分别连接的第一骨、第二骨在相对静止状态及相对运动状态下标记点数据，将第一骨相对运动状态下标记点数据重合到相对静止状态下标记点数据上，并基于对应的旋转平移关系将标记点数据运动轨迹转化成第一骨保持不动、第二骨通过优化关节围绕第一骨的旋转运动；将当前帧的第二骨标记点重合到上一帧的第二骨对应的标记点上，确定旋转平移矩阵并获取旋转中心P点坐标；计算完整步态周期中所有相邻两帧旋转平移矩阵的旋转中心P，将作为最优目标，并将其转变成最优化问题，进而实现关节旋转中心的优化；其中，I为单位矩阵，n为完整步态周期中的帧数。
[0005]进一步地，将作为最优目标，并将其转变成的最优化问题如下：
其中，P_x、P_y、P_z为旋转中心P点坐标值，P_marker为优化关节对应标记点的中心位置点，P_marker_x、P_marker_y、 P_marker_z为P_marker的坐标；offset 优化范围，offset_x、offset_y、offset_z分别为优化范围的坐标。
[0006]进一步地，所述获取旋转中心P点坐标的过程是通过数值计算的方式实现的。
[0007]进一步地，将第一骨相对运动状态下标记点数据重合到相对静止状态下标记点数据上的过程是利用标记点集重合算法实现的。
[0008]进一步地，将当前帧的第二骨标记点重合到上一帧的第二骨对应的标记点上的过程是利用标记点集重合算法实现的。
[0009]优选地，所述标记点集重合算法迭代最近点算法。
[0010]优选地，所述的标记点为优化关节、与优化关节连接的第一骨、与优化关节分别连接的第二骨对应的人体部位上设置的光学标记点被运动捕捉系统捕捉后所得到的标记点。
[0011]优选地，优化关节在相对静止状态下的标记点至少为两个；与优化关节连接的第一骨、与优化关节分别连接的第二骨在相对静止状态下的标记点分别至少为三个。
[0012]一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于动作捕捉点云的关节旋转中心优化方法。
[0013]基于动作捕捉点云的关节旋转中心优化设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于动作捕捉点云的关节旋转中心优化方法。
[0014]有益效果：本专利技术是针对基于标记点计算的关节运动参数对贴点误差敏感的问题，提出了一种关节旋转中心的优化方法。该方法融合了静态与动态两种信息，以静态信息为基准，通过优化动态过程中的关节旋转中心，从而消除了膝关节中心的计算对膝关节内外侧标记点的依赖，进而减少贴点误差对关节运动参数计算的影响。从图2的结果可以看出，采用优化后的旋转中心作为关节中心计算的膝关节的屈曲，侧屈以及旋转角度相对于传统方法均发生改变，说明采用不同的关节中心会对计算结果产生明显的影响。根据膝关节的解剖结构可知，膝关节在运动过程中并非围绕单一中心旋转，而是不断变化的。因此，传统的基于骨性标志点计算的关节中心，模型点(骨骼上的点)和驱动点(动作捕捉采集的点)之间的误差会随着关节弯曲角度不同大幅度变化。从图3的效果可以发现，优化后的旋转中心作为关节中心驱动肌骨模型，模型点与驱动点之间的偏差在动态过程中更均匀，总体的误差更小。因此，采用本专利技术的优化旋转中心作为模型的预设关节中心点计算的关节运动参数会更接近真实数据。
附图说明
[0015]图1为传统基于膝关节贴点计算的关节中心点和本专利技术优化方法计算的中心点对比示意图；图2为两种不同膝关节旋转中心计算方法的膝关节运动角度示意图；
图3为在一个步态周期内两种不同方法下的四个模型点与驱动点之间的误差曲线；图4为在一个步态周期内两种不同方法下的每个模型点与驱动点之间的误差对比图。
具体实施方式
[0016]具体实施方式一：本实施方式为基于动作捕捉点云的关节旋转中心优化方法，本专利技术同时结合了静态站立和动态步行两种状态的数据，优化关节旋转中心，将与优化关节连接的两骨分别记为第一骨和第二骨，以膝关节为例进行说明，第一骨和第二骨分别为大腿腿骨和小腿腿骨。
[0017]需要说明的是本专利技术不仅限于膝关节，也适用其它关节，如髋关节、肩关节、肘关节等。如果是肘关节，则第一骨和第二骨分别为上臂臂骨和下臂臂骨。
[0018]以膝关节为例的基于动作捕捉点云的关节旋转中心优化方法，包括以下步骤：S1、将第一骨和第二骨对应的人体部位粘贴至少两个以上的光学标记点。
[0019]本实施方式中针对膝关节，第一骨和第二骨对应的人体部位分别为大腿和小腿，分别在大腿和小腿上粘贴4个光学标记点，其中大腿上的标记点分为LTHI_U、 LTHI_D、 LTHI_F、 LTHI_B，小腿上的标记点分为LTIB_U、 LTIB_D、 LTIB_F、 LTIB_B。膝关节内外侧分别粘贴2个标记点，分别为LKNE_I和LKNE_O，如图1所示。
[0020]需要说明的是，本专利技术包括但不限于通过粘贴光学标记点的形式获取第一骨和第二骨的相对静止及相对运动状态下的数据。同时，本实施方式分别在大腿和小腿上粘贴4个光学标记点，实际上也可以是3个光学标记点，或者4个以上的光学标记点。
[0021]S2、通过运动捕捉系统分别捕捉上述10个光学标记点在静态站立和动态步行过程中标记点标记点的空间坐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动作捕捉点云的关节旋转中心优化方法，其特征在于，包括以下步骤：基于采集的优化关节和与优化关节分别连接的第一骨、第二骨在相对静止状态及相对运动状态下标记点数据，将第一骨相对运动状态下标记点数据重合到相对静止状态下标记点数据上，并基于对应的旋转平移关系将标记点数据运动轨迹转化成第一骨保持不动、第二骨通过优化关节围绕第一骨的旋转运动；将当前帧的第二骨标记点重合到上一帧的第二骨对应的标记点上，确定旋转平移矩阵T
current_frame
并获取旋转中心P点坐标；计算完整步态周期中所有相邻两帧旋转平移矩阵的旋转中心P，将作为最优目标，并将其转变成最优化问题，进而实现关节旋转中心的优化；其中，I为单位矩阵，n为完整步态周期中的帧数。2.根据权利要求1所述的基于动作捕捉点云的关节旋转中心优化方法，其特征在于，将作为最优目标，并将其转变成的最优化问题如下：作为最优目标，并将其转变成的最优化问题如下：其中，P_x、P_y、P_z为旋转中心P点坐标值，P_marker为优化关节对应标记点的中心位置点，P_marker_x、P_marker_y、 P_marker_z为P_marker的坐标；offset 优化范围，offset_x、offset_y、offset_z分别为优化范围的坐标。3.根据权利要求2所述的基于动作捕捉点云的关节旋转中心优化方法，其特征在于，所述获取旋转中心P点坐标的过程是通过数值计算的方式实现的。4.根据权利要求3所述的基于动...

【专利技术属性】
技术研发人员：蒯声政，张睿，陈姿宇，颜滨，周文钰，李文翠，
申请(专利权)人：深圳市第二人民医院深圳市转化医学研究院，
类型：发明
国别省市：