CN109558006B - 无线分布式肢体动作捕捉设备 - Google Patents

Abstract

本发明公开了一种无线分布式肢体动作捕捉设备，本发明所述无线分布式肢体动作捕捉设备包括动作捕捉子节点及动作捕捉中心节点，所述动作捕捉子节点设置于肢体上；所述动作捕捉子节点用于捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至所述动作捕捉中心节点；所述动作捕捉中心节点用于接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果；本发明通过上述方案，动作捕捉来源于多个相互之间没有电器线缆连接的、嵌入有姿态传感器的捕捉子节点，可以直接捕捉用户肢体姿态，摆脱了电气连接线缆的束缚，具有动作捕捉迅速准确、设备部件拆换便捷、用户体验舒适等优势。

Description

无线分布式肢体动作捕捉设备

技术领域

本发明涉及肢体语言语义识别领域，尤其涉及一种无线分布式肢体动作捕捉设备。

背景技术

随着电子设备的种类、数量越来越多，普及程度越来越广泛，用户与电子设备的人机交互方式也从利用遥控器、鼠标、键盘等外设进行的简单交互方式，发展到了利用语音交互、体感交互、眼动交互和手势交互等多样化的交互方式。这其中肢体动作交互方式由于比较自然方便，在很多应用场景中具有很大的需求。

在肢体动作交互或识别中需要进行肢体动作捕捉感知，但是现有的通过光学或基于视频图像的动作捕捉方案，由于其属于间接捕捉用户肢体姿态，实际使用中其动作捕捉误差较大。而采用基于姿态传感器的肢体动作捕捉方案，虽直接地捕捉了用户肢体姿态，但需用户穿戴一整套动作捕捉服等设备，受限于服装及电气连接线缆的束缚，用户的穿戴体验效果不好，所以设计一种既可以直接捕捉用户肢体姿态，又能够摆脱电气连接线的动作捕捉设备将可以极大提高用户体验效果。

现有的肢体动作捕捉方案可分为两类，第一类是通过光学或基于视频图像的动作捕捉方案，需结合灰度处理、边缘检测、形态学变换、特征提取等步骤，计算对象以像素为单位，计算数据量巨大，动作识别的实时性差，且由于其属于间接捕捉用户肢体姿态，实际使用中其动作捕捉误差较大；第二类以基于姿态传感器的动作捕捉服为代表，受限于服装及电气连接线缆的束缚，用户的穿戴体验效果不好。二者在舒适性和实时性、准确性之间失衡，顾此失彼，大大降低了用户体验。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种无线分布式肢体动作捕捉设备，旨在解决现有技术中用户进行动作捕捉时穿戴体验不好且误差较大的技术问题。

为实现上述目的，本发明提供一种无线分布式肢体动作捕捉设备，所述无线分布式肢体动作捕捉设备包括动作捕捉子节点及动作捕捉中心节点，所述动作捕捉子节点设置于肢体上；其中，

所述动作捕捉子节点，用于捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至所述动作捕捉中心节点；

所述动作捕捉中心节点，用于接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果。

优选地，所述动作捕捉子节点，还用于将所述待处理姿态数据进行实时降噪处理。

优选地，所述动作捕捉子节点，还用于根据姿态传感器的采样频率确定窗口长度，将所述待处理姿态数据根据所述窗口长度进行窗口划分，获得各窗口中的待处理信号，将各窗口中的待处理信号基于经验模态分解进行降噪处理。

优选地，所述动作捕捉子节点，还用于将所述待处理信号进行经验模态分解，获得固有模态分量；将所述固有模态分量进行快速傅里叶变换，获得所述固有模态分量的中心频率；在所述中心频率不小于有效频率阈值时，从所述待处理姿态数据中删除所述待处理信号，获得当前姿态数据。

优选地，所述动作捕捉中心节点，还用于对所述当前姿态数据进行识别，获得动作结果。

优选地，所述动作捕捉中心节点，还用于监测各动作捕捉子节点的在线状态、电量信息及工作状态。

优选地，所述动作捕捉子节点及所述动作捕捉中心节点均为无线分布式结构。

优选地，所述动作捕捉子节点包括姿态传感器、微处理器及无线通讯单元。

优选地，所述动作捕捉子节点通过胶粘式固定结构、缝纫式固定结构、尼龙搭扣式固定结构或可松紧绑带式固定结构设置于肢体上。

本发明所述无线分布式肢体动作捕捉设备包括动作捕捉子节点及动作捕捉中心节点，所述动作捕捉子节点设置于肢体上；所述动作捕捉子节点用于捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至所述动作捕捉中心节点；所述动作捕捉中心节点用于接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果；本发明通过上述方案，动作捕捉来源于多个相互之间没有电器线缆连接的、嵌入有姿态传感器的捕捉子节点，可以直接捕捉用户肢体姿态，摆脱了电气连接线缆的束缚，具有动作捕捉迅速准确、设备部件拆换便捷、用户体验舒适等优势。

附图说明

图1为本发明无线分布式肢体动作捕捉设备一实施例的功能模块图；

图2为本发明无线分布式肢体动作捕捉设备一实施例的多头星型拓补结构示意图；

图3为本发明无线分布式肢体动作捕捉设备一实施例的网型拓补结构示意图；

图4为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的结构示意图；

图5为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的安装位置示意图；

图6为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的胶粘式安装示意图；

图7为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的缝纫式安装示意图；

图8为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的尼龙搭扣式安装示意图；

图9为本发明无线分布式肢体动作捕捉设备一实施例的动作捕捉子节点的可松紧绑带式安装示意图；

图10为本发明无线分布式肢体动作捕捉设备一实施例中动作捕捉子节点将待处理姿态数据进行实时降噪处理的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明无线分布式肢体动作捕捉设备第一实施例的功能模块图。

在第一实施例中，所述无线分布式肢体动作捕捉设备包括动作捕捉子节点10及动作捕捉中心节点20，所述动作捕捉子节点10设置于肢体上；其中，

所述动作捕捉子节点10，用于捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至所述动作捕捉中心节点20；

所述动作捕捉中心节点20，用于接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果。

需要说明的是，所述动作捕捉子节点10一般有多个，附着于肢体上，可以感知所附着位置的姿态；所述动作捕捉中心节点20可为一个或者多个，用于接收并处理所有或特定几个动作捕捉子节点传回的姿态数据。所述动作捕捉子节点10及所述动作捕捉中心节点20的数量均可以由用户自定义设置，通过将所述动作捕捉子节点10附着于肢体上直接而非间接地捕捉用户肢体姿态，用户肢体动作捕捉准确度高。

所述动作捕捉子节点10及所述动作捕捉中心节点20均为无线分布式结构。各个节点之间采用无线方式相互建立通讯，通讯方式包括但不局限于无线保真(Wireless-Fidelity，WIFI)、蓝牙、超低功耗蓝牙、zigbee、2.4GHz、433MHz、470MHz等。通过无线分布式结构，摆脱了普通动作捕捉服电气连接线缆的束缚，可以随时增减动作捕捉子节点或动作捕捉中心节点的数量，动作捕捉子节点之间也可以相互替换，在某个动作捕捉子节点故障时可被完全替代，不影响使用，设备部件拆换便捷。

动作捕捉子节点之间采用自组网方式相互建立数据传输链路，中心节点与各个子节点之间可以采用多头星型(如图2所示)或网型拓补结构(如图3所示)，以确保中心节点可以接收到所有或特定几个动作捕捉子节点传回的姿态数据，同时也提高了肢体动作捕捉的实时性，使动作捕捉设备反应更加灵敏。

进一步地，所述动作捕捉中心节点20可以是具有微处理器、显示单元和无线通讯单元的硬件设备，可以也是以运行于PC、平板、手机等具备无线通讯能力终端上的可执行程序或APP等形式存在，本实施例对此不加以限制。

所述动作捕捉中心节点20作为中继站的角色和作为客户端的角色，主要用于收集各个动作捕捉子节点上传回的姿态数据；依据各个动作捕捉子节点所在肢体部位当前的姿态数据，经过算法计算识别出当前的动作；识别出的动作结果展示给用户或转发给指定终端；监测各个动作捕捉子节点的在线状态、电量信息和工作状态等。

进一步地，所述动作捕捉子节点10包括姿态传感器、微处理器及无线通讯单元。

应理解的是，姿态传感器是基于微机电系统技术的高性能三维运动姿态测量系统。它包含三轴陀螺仪、三轴加速度计，三轴电子罗盘等辅助运动传感器，通过内嵌的低功耗处理器输出校准过的角速度，加速度，磁数据等，通过基于四元数的传感器数据算法进行运动姿态测量，实时输出以四元数、欧拉角等表示的零漂移三维姿态数据。

需要说明的是，所述姿态传感器用于感知所述动作捕捉子节点10所在肢体部位当前的姿态数据；所述微处理器用于抓取所述姿态传感器的数据、实时降噪处理、整合有效信息；所述无线通讯单元用于建立与其他动作捕捉子节点和动作捕捉中心节点的无线通讯链接，并将微处理器运算得到的有效数据无线发送给其他动作捕捉子节点和动作捕捉中心节点。

另外，所述动作捕捉子节点10安装于肢体，并应尽可能保证与肢体运动保持刚性同步。所述动作捕捉子节点10的数量及肢体部位可根据用户需求任意调整。参照图5，典型的肢体动作捕捉需要16个动作捕捉子节点，安装位置分别在手部(左右各1个)、小臂(左右各1个)、大臂(左右各1个)、肩部(左右各1个)、头部、腰部、大腿(左右各1个)、小腿(左右各1个)、脚部(左右各1个)。

所述动作捕捉子节点10安装于肢体上的方式有多种，具体包括：胶粘式、缝纫式、尼龙搭扣式、可松紧绑带式等，用户可以根据自己的动作捕捉需求进行安装，用户体验更加舒适。

参照图6，图6为胶粘式固定结构，即动作捕捉子节点的底面使用凝胶粘贴在动作捕捉服饰上。

参照图7，图7为缝纫式固定结构，即动作捕捉子节点外壳上预留穿线孔，使用针线缝纫在动作捕捉服饰上。

参照图8，图8为尼龙搭扣式固定结构，即动作捕捉子节点底面覆有尼龙搭扣的子扣，在动作捕捉服饰上覆有尼龙搭扣的母扣，二者相互扣合即可完成固定，且拆卸更换十分方便。

参照图9，图9为可松紧绑带式固定结构，即动作捕捉子节点底面配有可松紧的绑带，使用时直接绑缚于人体，使用方便。

以下为所述无线分布式肢体动作捕捉设备应用于“教学”的场景：

通常情况下一个钢琴培训老师只能在同一时间段内集中培训为数不多的学员，如果采用大范围的集体教学模式，就会由于不能对每个学员都实现一对一的讲解指导而导致教学质量的下降。如果采用本实施例的无线分布式肢体动作捕捉设备，可以实时的采集学员的肢体语言，并将其转换成一种数据格式，然后把培训老师的数据作为标准数据，将学员的肢体语言数据与标准数据进行对比，就能通过数据的差异来表示出动作的差异，最后通过消除差异来对自身进行一种学习锻炼，如此，培训老师可以采用集体教学模式对每个学员进行一对一的指导。

进一步地，所述动作捕捉子节点10抓取到的姿态传感器的数据，由于传感器自身设计原理缺陷、外界电磁干扰、线路高频耦合等原因，难免掺杂有噪声信号，为后续涉及运动姿态的识别带来误差。因此本实施例提出了对姿态数据进行实时降噪处理，具体地，对姿态数据基于经验模态分解进行实时降噪处理，所述动作捕捉子节点10经过这个实时降噪算法处理过姿态传感器数据后，再转发给中心节点。

参照图10，所述动作捕捉子节点10将所述姿态数据进行实时降噪处理的具体步骤为：

S10：根据姿态传感器的采样频率确定窗口长度，将待处理姿态数据根据所述窗口长度进行窗口划分，获得各窗口中的待处理信号。

可以理解的是，根据姿态传感器的数据采样频率，确定应用经验模态分解的窗口长度，将包含有最新采集数据的窗口内数据作为待处理信号。考虑到采样点数与可辨识的频率域之间为正相关关系，本实施例指出，应当使窗口长度与采样频率相等，即可同时保证较高的频率域辨识范围，又可以使得算法计算不会过于复杂，保证了实时性。

S20：将所述待处理信号进行经验模态分解，获得固有模态分量。

具体地，找出所述待处理信号x(t)的全部极大值点和极小值点序列，将其用三次样条函数分别拟合为上、下包络线e_h(t)和e_l(t)，计算两条包络线的平均值m_i(t)：

将原数据序列x(t)减去上、下包络线的均值m_i(t)得到一个新序列h_i(t)，即：

h_i(t)＝x(t)-m_i(t)；

以连续两次迭代得到的h_k-1和h_k的归一化均方差作为判断序列h_i是否是固有模态分量的判据，若归一化均方差不高于门限值SD(建议取0.2～0.3)，则imf_i(t)＝h_i(t)，否则将h_i当成新的序列x(t)继续迭代计算：

S30：将所述固有模态分量进行快速傅里叶变换，获得所述固有模态分量的中心频率。

可以理解的是，若得到一个固有模态分量imf_i(t)，利用快速傅里叶变换算法，对其分析频率域成分，得到该固有模态分量的中心频率，所述中心频率的计算公式可以为：

其中，d_f为所述中心频率，f是频率分量，s(f)是振幅谱。

需要说明的是，所述中心频率也可以根据频率谱里峰值最高的值确定，或者由其他方法确定，本实施例对此不加以限制。

S40：在所述中心频率不小于有效频率阈值时，从所述待处理姿态数据中删除所述待处理信号，获得当前姿态数据。

需要说明的是，在所述窗口长度与采样频率相等时，在当前时间窗内的数据，其时间跨度为1秒，因此可以将所述有效频率阈值设定为50Hz，既可以消去杂波噪声，又可以将有用的姿态数据保留。在所述窗口长度大于采集频率时，所述有效频率阈值应适当增大，反之，则应适当减小。当然，所述有效频率阈值也可以设定为其他固定值或者采用自适应动态阈值，本实施例对此不加以限制。

若所述中心频率大于等于有效频率阈值，即代表该固有模态分量属于噪声域，需从数据中剔除，则剩余信号为：

r_j+1(t)＝r_j(t)-imf_i(t)；

其中，r₀(t)＝x(t)。对上述的剩余信号r_j+1(t)继续进行分解，得到下一个固有模态分量imf_i+1(t)。如此重复。

若所述中心频率小于有效频率阈值，即代表该固有模态分量是有效数据的一部分，不可剔除，因此，降噪处理后的数据为r_j(t)，算法运行结束。

可以理解的是，由于经验模态分解是根据频率自高到低的顺序分解出固有模态分量的，因此在所述中心频率小于有效频率阈值时，就可以停止对所述待处理信号进行经验模态分解，这样节省了计算时间，达到快速实时降噪的目的。

通过在所述动作捕捉子节点10中进行数据的实时降噪处理，降低噪声数据的干扰，同时也避免了动作捕捉中心节点庞大的数据处理量，降低了中心节点的负荷，提高了实时性。

本实施例通过动作捕捉子节点捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至动作捕捉中心节点；所述动作捕捉中心节点接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果；本发明通过上述方案，动作捕捉来源于多个相互之间没有电器线缆连接的、嵌入有姿态传感器的捕捉子节点，可以直接捕捉用户肢体姿态，摆脱了电气连接线缆的束缚，具有动作捕捉迅速准确、设备部件拆换便捷、用户体验舒适等优势。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种无线分布式肢体动作捕捉设备，其特征在于，所述无线分布式肢体动作捕捉设备包括动作捕捉子节点及动作捕捉中心节点，所述动作捕捉子节点设置于肢体上；其中，

所述动作捕捉子节点，用于捕捉所述动作捕捉子节点所在肢体部位的待处理姿态数据，并将所述待处理姿态数据发送至所述动作捕捉中心节点，动作捕捉子节点之间采用自组网方式相互建立数据传输链路所述动作捕捉中心节点，用于接收各动作捕捉子节点发送的待处理姿态数据，并根据所述待处理姿态数据获得动作结果；

所述动作捕捉子节点，还用于根据姿态传感器的采样频率确定窗口长度，将所述待处理姿态数据根据所述窗口长度进行窗口划分，获得各窗口中的待处理信号，将各窗口中的待处理信号基于经验模态分解进行降噪处理，所述窗口长度与所述姿态传感器的采样频率相等；

所述动作捕捉子节点，还用于将所述待处理信号进行经验模态分解，获得固有模态分量；将所述固有模态分量进行快速傅里叶变换，获得所述固有模态分量的中心频率；在所述中心频率不小于有效频率阈值时，从所述待处理姿态数据中删除所述待处理信号，获得当前姿态数据；

所述动作捕捉子节点，还用于利用快速傅里叶变换算法，对所述固有模态分量分析频率域成分，得到该固有模态分量的中心频率，所述中心频率的计算公式为：

其中，d_f为所述中心频率，f是频率分量，s(f)是振幅谱；

所述动作捕捉中心节点的数量可自定义设置，所述动作捕捉中心节点用于捕捉所有或特定动作捕捉子中心回传的姿态数据。

2.如权利要求1所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉子节点，还用于将所述待处理姿态数据进行实时降噪处理。

3.如权利要求1所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉中心节点，还用于对所述当前姿态数据进行识别，获得动作结果。

4.如权利要求3所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉中心节点，还用于监测各动作捕捉子节点的在线状态、电量信息及工作状态。

5.如权利要求1所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉子节点及所述动作捕捉中心节点均为无线分布式结构。

6.如权利要求5所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉子节点包括姿态传感器、微处理器及无线通讯单元。

7.如权利要求6所述的无线分布式肢体动作捕捉设备，其特征在于，所述动作捕捉子节点通过胶粘式固定结构、缝纫式固定结构、尼龙搭扣式固定结构或可松紧绑带式固定结构设置于肢体上。

Images