我们本次要使用介绍的文章
▼ 本文章不是完全介绍实验文章，有许多作者的拓展解读，望读者了解！
这篇文章已经有137次的被引用了
• 标题：Applications and limitations of current markerless motion capture methods for clinical gait biomechanics
• 作者：Logan Wade, Laurie Needham, Polly McGuigan, James Bilzon
• 发表日期：Submitted 3 December 2021, Accepted 2 February 2022, Published 25 February 2022
背景：
与基于标记的运动捕捉方法相比，无标记运动捕捉在减少数据收集和处理时间方面具有潜力。这项技术现已开始应用于临床和康复领域，因此这些系统的用户了解其潜力和局限性至关重要。本文献综述旨在全面概述单相机和多相机系统中无标记运动捕捉的现状。此外，本综述还探讨了无标记技术在临床和康复环境中的实际应用，并研究了无标记研究必须探索的未来挑战和方向，以促进该技术在临床生物力学中的全面整合。
方法：
需要进行范围综述来检查这一新兴的广泛文献体，并确定知识存在的差距，这对于开发对世界各地的临床医生、教练和研究人员具有成本效益和实际相关性的运动捕捉方法至关重要。进行文献搜索，以检查报告无标记运动捕捉方法准确性的研究，探索无标记运动捕捉方法在临床生物力学中的当前实际应用，并确定与该领域未来发展相关的知识差距。
结果：
无标记方法增加了运动捕捉数据的通用性，使数据集能够使用更新的姿势估计算法进行重新分析，甚至可能为临床医生提供在患者穿着正常服装时收集数据的能力。虽然无标记的时空测量通常与基于标记的运动捕捉相当，但关节中心位置和关节角度对于临床应用来说还不够准确。姿势估计算法的误差率正在接近基于标记的运动捕捉，然而，如果没有与双平面视频放射摄影等金标准进行比较，无标记系统的真实准确性仍然未知。
结论：
当前的开源姿势估计算法并非为生物力学应用而设计，因此它们所训练的数据集标签不一致且不准确。改进开源训练数据的标签，以及根据金标准方法评估无标记准确性，将是这项技术发展的关键下一步。
首先我先向大家讲一下标题的概念，会有读者问，什么是无标记运动捕捉（markerless motion capture），也会问那既然存在无标记（markerless）的运动捕捉，那也一定会存在有标记（marker-based）运动捕捉吧？
各位读者尤其是学生们，切记，这两个相对应的英文单词的区别是markerless（无标记）和marker-based（有标记）而不是其他单词！！！不要记错啦！
留个小彩蛋，各位猜猜这两个红色背后的含义是什么（颜色代码位#750014和#8c1515） 猜到的可以在评论区留言一下！
简单给大家讲一下这两类的区别
有标记动态捕捉
定义： 有标记动态捕捉涉及在被捕捉对象上安装物理标记。这些标记通常是反光的，由设置在捕捉区域周围的多个摄像机跟踪。摄像机检测标记并跟踪其位置，从而系统可以重建对象的三维运动。
比如说Vicon（有体育，有医疗，有VR/AR增强的游戏体验）
无标记动态捕捉
定义： 无标记动态捕捉不需要在被捕捉对象上安装物理标记。它使用摄像机和先进的计算机视觉算法直接从捕捉到的画面中检测和跟踪对象的运动。
比如DARImotion（这个是主要用于体育运动方面的无标动捕）
▲ 图片来自网络
| 特点 | 有标记 | 无标记 |
| 侵入性 | 高（需要标记） | 低（不需要标记） |
| 精度 | 包精准的！ | 非常吃算法！可能不高 |
| 设置时间 | 长（标记放置和校准） | 短（设置简单） |
| 灵活性 | 限制于受控环境 | 灵活，可在各种环境中使用 |
| 成本 | 一般都很贵 | 一般不贵，但也可以很贵 |
| 适合捕捉细节 | 很适合细微动作 | 对细微动作的捕捉挑战很大 |
这里再给大家介绍几个无标记动作捕捉的软件以及他们的官方网站，教程这里就不写了，篇幅有限，但是大致介绍我都会做的，放心，一定把你教会。
1. OpenPose
概述：
OpenPose是由卡内基梅隆感知计算实验室开发的开源库。它是最广泛使用的姿态估计工具之一，能够实时检测多个人的关键点。
特点：
多人体检测： 能够在同一画面中检测多个个体。
关键点检测： 识别身体关键点，如关节和面部标志。
实时处理： 支持GPU加速的实时处理。
应用：
用于体育分析、娱乐和研究领域的人体运动和姿态分析。
官网链接： OpenPose
▼ 读者大人！别告诉我你上不去github
2. DeepLabCut
概述：
DeepLabCut是一个开源的无标记姿态估计工具包，特别受神经科学和动物行为研究领域的欢迎。它使用迁移学习来适应预训练的深度神经网络到特定任务。
特点：
定制化： 用户可以在特定数据集上训练模型，允许精确适应不同的对象，包括人和动物。
高精度： 使用相对少量的标注图像即可实现高精度的姿态估计。
多功能性： 可用于各种物种和行为的研究。
应用：
广泛用于神经科学、生物力学和动物行为研究。
官网链接： DeepLabCut
3. MediaPipe
概述：
MediaPipe是由Google开发的用于构建感知管道的开源框架，包括无标记的人体姿态估计。它提供高效的实时性能，适用于移动和桌面平台。
特点：
跨平台： 支持包括Android、iOS和网页在内的各种平台。
模块化： 提供模块化设计，允许开发者为不同的应用构建定制管道。
实时处理： 优化了实时性能。
应用：
用于移动应用程序、增强现实和互动媒体。
官网链接： MediaPipe
4. AlphaPose
概述：
AlphaPose是一个精确的多人体姿态估计工具。它以高精度和在各种条件下的鲁棒性而闻名，包括拥挤场景。
特点：
高精度： 在复杂场景下的姿态检测表现出色，能够处理多个人。
多种架构支持： 支持不同的网络架构用于姿态估计。
后处理： 提供后处理工具以精细化姿态估计。
应用：
适用于体育分析、监控和社交行为研究中的拥挤场景。
官网链接： AlphaPose
5. PoseNet
概述：
PoseNet是一个轻量级的姿态估计模型，可以在移动设备和浏览器上运行。它使用卷积神经网络（CNN）来预测人体关键点的位置。
特点：
轻量且快速： 优化以在低功耗设备上运行。
支持TensorFlow.js和TensorFlow Lite： 可用于网页应用和移动设备。
单人和多人支持： 可配置为单人或多人姿态估计。
应用：
常用于健身跟踪、舞蹈应用和互动装置的网页和移动应用程序中。
官网链接： PoseNet
接着我带着大家讲一下文章中的核心发现
核心发现
无标记运动捕捉有潜力减少数据收集和处理时间，增加运动捕捉数据的通用性，使数据集能够用更新的姿势估计算法重新分析，甚至可能让临床医生在患者穿着正常服装时收集数据。
无标记的时空测量一般与基于标记的运动捕捉相当，但关节中心位置和关节角度还不够准确，无法满足临床应用的需求。
姿势估计算法的误差率逐渐接近基于标记的运动捕捉，但由于没有与双平面视频放射摄影等金标准进行比较，无标记系统的真实准确性仍然未知。
当前的开源姿势估计算法并非为生物力学应用设计，训练的数据集标签不一致且不准确，这是影响无标记运动捕捉准确性的重要因素。
无标记运动捕捉在硬件和软件方面存在一些限制，如深度相机与标记式方法存在较大差异，标准视频相机在捕获体积和照明方面有限制，当前的姿势估计算法大多只能提取两个点，训练数据标注不准确等。
单目无标记运动捕捉在2D和3D方面都存在一些问题，如自遮挡误差、关节中心位置和角度识别不准确等；多相机无标记运动捕捉在减少关节遮挡误差方面有一定进展，但与标记式方法相比仍存在差距。
一些商业系统如Theia3D通过标记自己的生物力学适用数据集并采用两步标注过程，在关节中心和关节角度的测量方面取得了较好的结果，接近之前研究确定的误差率。
无标记运动捕捉在临床应用中有一定潜力，如DeepLabCut可用于提取中风幸存者的步行关节角度，Cunningham等人可用于自动化临床测试，Baldewijns等人可用于测量步行速度，Martinez等人可用于评估帕金森病患者的步态，Shin等人可用于分析帕金森病患者的时空结果等。
无标记运动捕捉在实际应用中还面临一些挑战，如服装问题、人类形状和运动的多样性、当前训练数据集的缺点、评估标准的缺乏、决策制定的自主性以及可用性等方面的问题。
改进开源训练数据的标签，以及根据金标准方法评估无标记准确性，将是无标记运动捕捉技术发展的关键下一步。
别急，虽然这么多点，我给大家展开讲讲（引用原文中的内容和数据了）
1. 无标记运动捕捉的潜力：
• 减少数据收集和处理时间：文章中未提及具体的数据来证明这一点，但从原理上分析，无标记运动捕捉不需要在人体上放置标记物，减少了标记物的准备和放置时间，同时数据处理时也不需要对标记物的数据进行处理，因此可以预期减少数据收集和处理时间。
• 增加运动捕捉数据的通用性：文章中提到使用标准视频记录运动，使得数据集可以更容易地与其他系统和软件进行交互和共享。例如，姿势估计算法可以应用于新或旧的视频，只要图像分辨率足够，这表明数据集的通用性得到了提高。
• 在患者穿着正常服装时收集数据的可能性：文章中通过Kanko等人的研究，使用Theia3D的姿势估计算法，参与者穿着自己的服装（包括鞋子、长裤子、衬衫和毛衣）进行测试，结果表明标记less系统在这种情况下能够完成数据收集，且在一定时间内（5 - 10分钟）完成，展示了在患者穿着正常服装时收集数据的潜力。
2. 无标记运动捕捉的时空测量与关节中心位置和角度的准确性：
• 时空测量相当：例如，Zago等人的研究中，多相机标记less运动捕捉与标记式运动捕捉相比，时空测量差异为15mm，表明在时空测量方面两者相当。
• 关节中心位置和关节角度不准确：Needham等人的研究中，OpenPose、DeepLabCut和AlphaPose等姿势估计算法与标记式运动捕捉相比，3D下肢关节中心位置差异在16 - 48mm之间，最大关节中心位置差异在某些关节可达80mm甚至更高，表明关节中心位置的准确性不足。此外，下肢关节角度差异在3 - 11度之间，也表明关节角度的测量不够准确，无法满足临床应用的需求。
3. 姿势估计算法的误差率与无标记系统的准确性：
• 误差率接近基于标记的运动捕捉：文章中未提及具体的数据来表明姿势估计算法的误差率接近基于标记的运动捕捉，但提到当前姿势估计算法的误差率在逐渐降低。
• 真实准确性未知：例如，Miranda等人的研究中，标记式运动捕捉与双平面视频放射摄影相比，关节中心位置误差在全身可达30mm，平均在9 - 19mm之间，关节旋转误差在全身可达14°，平均在2.2 - 5.5°之间。而无标记运动捕捉由于没有与双平面视频放射摄影等金标准进行比较，其真实准确性无法确定。
4. 开源姿势估计算法的问题：
• 非为生物力学应用设计：文章中提到当前的开源姿势估计算法并非为生物力学应用设计，例如，训练的数据集标签不一致且不准确，导致算法在生物力学应用中的性能不佳。
• 数据集标签不一致且不准确：Needham等人的研究中指出，开源训练数据集仅对部分主要关节中心进行了标记，且将主要关节视为刚性段，这会增加误差。此外，招募的标注员缺乏解剖知识，导致关节中心位置和角度的标注存在误差。同时，数据集一般不要求所有图像通过二次验证，导致标注不一致。
5. 无标记运动捕捉的硬件和软件限制：
• 硬件方面：
• 深度相机的差异：Dolatabadi等人的研究表明，深度相机与标记式方法相比，在运动捕捉的准确性方面存在较大差异。
• 标准视频相机的限制：文章中提到标准视频相机在捕获体积方面仍受相机数量限制，高速度相机需要更亮的照明，这表明在捕获体积和照明方面存在一定的限制。
• 软件方面：
• 姿势估计算法的问题：例如，OpenPose和DeepLabCut等算法大多只能提取每个片段上的两个点，而计算6自由度需要三个关键点，这导致只能识别5自由度，限制了对3D关节角度的测量。Needham等人的研究中也表明了这一点。
• 训练数据标注不准确：文章中多处提及训练数据标注不准确的问题，如Needham等人的研究指出开源训练数据集的标注存在误差，导致算法的准确性受到影响。
6. 单目和多相机无标记运动捕捉的问题：
• 单目无标记运动捕捉的问题：
• 2D方面：Cronin等人的研究中，DeepLabCut在水下跑步、反重力跳跃和中风幸存者步行等应用中，与标记式运动捕捉相比，标记less关节中心差异为10 - 20mm，下肢关节角度差异为3 - 11度，表明在2D方面存在一定的误差。
• 3D方面：Chen等人的研究中，3D单目关节中心位置差异与参考方法相比一般为40 - 60mm，某些算法在专门训练克服遮挡问题后，差异可降至30 - 40mm，但仍存在较大误差。
• 多相机无标记运动捕捉的进展与差距：
• 进展：Theia3D标记less软件与标记式运动捕捉相比，在步行空间测量（如步长、步宽、速度）方面无偏差或统计差异，在时间测量（如摆动时间和双支撑时间）方面差异较小。
• 差距：Nakano等人的研究中，多相机标记less运动捕捉与标记式运动捕捉相比，平均关节中心位置差异在10 - 50mm之间，较慢运动（如步行）时平均差异为10 - 30mm，较快运动（如跳跃和投掷）时为20 - 40mm，表明仍存在一定差距。
7. Theia3D商业系统的优势：
• 标记数据集和两步标注过程：Kanko等人的研究中，Theia3D标记less软件使用了自己标记的生物力学适用数据集，识别了51个身体关键点，而OpenPose仅识别25个点。
• 关节中心和关节角度测量的成果：Kanko等人的研究表明，Theia3D与标记式运动捕捉相比，关节中心平均差异为22 - 36mm，关节角度（屈曲/伸展、外展/内收）差异为2.6 - 11度，旋转角度差异为6.9 - 13.2度，这些差异在某些范围内接近之前研究确定的误差率，显示出其在关节中心和关节角度测量方面的优势。
8. 无标记运动捕捉的临床应用潜力：
• DeepLabCut的应用：Moro等人的研究中，DeepLabCut用于提取中风幸存者的步行关节角度，显示出受影响和未受影响侧之间的显著差异，表明其在临床应用中的潜力。
• 自动化临床测试：Cunningham等人的研究中，使用DeepLabCut实现了对多节段躯干和头部的自动化临床测试，展示了其在自动化临床测试方面的应用潜力。
• 测量步行速度：Baldewijns等人的研究中，使用网络摄像头测量步行速度，展示了无标记运动捕捉在测量步行速度方面的应用。
• 评估帕金森病患者的步态：Martinez等人的研究中，使用2D单目标记less系统评估帕金森病患者的步态，为临床提供了疾病进展的概述。
• 分析帕金森病患者的时空结果：Shin等人的研究中，使用标记less运动捕捉分析帕金森病患者的时空结果，如步长、步行速度和转弯时间等，与主观临床步态测试有高相关性，表明其在分析时空结果方面的应用潜力。
9. 无标记运动捕捉面临的挑战：
• 服装问题：Kanko等人的研究中，参与者穿着自己的服装进行测试，标记less系统的关节角度变异性在同一天内（平均2.5°）和跨多天（平均2.8°）与标记式运动捕捉相比，存在一定的差异，但数据收集时间能够缩短至5 - 10分钟，表明服装问题对无标记运动捕捉有一定影响，但也展示了在实际应用中的潜力。
• 人类形状和运动的多样性：文章中提到图像数据库可能存在偏差，例如Seethapathi等人的研究指出，姿势估计算法在处理与训练数据集差异较大的运动（如体操运动）时，性能可能会下降，表明人类形状和运动的多样性对无标记运动捕捉是一个挑战。
• 当前训练数据集的缺点：文章中多处提及当前训练数据集的缺点，如Needham等人的研究指出，开源训练数据集的标注不准确，导致关节中心位置和角度的误差，且数据集缺乏多样性和验证步骤。
• 评估标准的缺乏：Colyer等人的研究指出，当前公开可用的视频数据集与同步的标记式运动捕捉相比，可能存在帧速率和相机分辨率低等问题，导致高估无标记和标记式系统之间的差异，表明缺乏高质量的评估数据集来准确比较两者。
• 决策制定的自主性：文章中提到无标记系统的决策制定仍然依赖于人类选择结果测量指标，表明在决策制定的自主性方面存在不足。
• 可用性问题：文章中提到当前开源姿势估计算法需要深入的深度学习和计算机视觉知识，这对用户的技术要求较高，限制了其可用性。例如，一些商业系统虽然提高了可用性，但Theia3D软件由于使用专有数据集和算法，用户无法确定算法提取的关键点。
10. 无标记运动捕捉技术发展的关键步骤：
• 改进开源训练数据的标签：文章中强调了改进开源训练数据标签的重要性，以提高无标记运动捕捉的准确性。
• 根据金标准方法评估无标记准确性：文章中建议将无标记运动捕捉与双平面视频放射摄影等金标准进行比较，以确定其真实准确性，这对于技术的发展至关重要。
这里放一下文中出现的5张图，以及未来各位可以尝试的研究方向
▲ 图1
六个自由度。此图展示了描述人体位置和方向（姿势）所需的六个自由度，红点表示身体节段质心的位置（平移），蓝色箭头表示在三个平面上的旋转。（A）参考站立姿势，（B）大腿节段内收/外展，（C）大腿节段屈曲/伸展，（D）大腿节段绕纵轴旋转。
▲ 图2
光电运动捕捉标记。左图标记放置在参与者身上。右图标记在3D空间中的视图。
▲ 图3
使用OpenPose姿势估计算法（Cao等人，2018年）检测到的25个关键点应用于单个图像。
▲ 图4
姿势估计算法训练工作流程。
阶段一：创建手动标注的训练数据集。
阶段二：使用来自阶段一的未标注图像，姿势估计算法估计所需关键点位置（关节中心）。
然后将估计的关键点位置与阶段一的手动标注训练数据进行比较，以确定估计关键点与手动标注关键点之间的距离。优化方法随后调整算法层内的过滤器，以尝试减小此距离，并计算新的估计关键点。这个过程会重复进行，直到姿势估计算法的改进可以忽略不计。
▲ 图5
2D和3D姿势评估。无标记运动捕捉示例：来自单目运动捕捉的2D姿势估计（使用OpenPose Cao等人（2018）检测到的2D关键点），来自单目运动捕捉的3D姿势估计（改编自Cheng等人（2020），获得人工智能促进会的许可，版权c⃝2020）以及来自多相机运动捕捉的3D姿势估计（改编自Sigal、Balan和Black（2010），获得Springer Nature的许可）。
未来各位可以考虑的研究方向
01
改进训练数据标注
当前开源姿势估计算法训练的数据集标签不一致且不准确，影响了无标记运动捕捉的准确性。因此，未来需要改进开源训练数据的标注，例如招募具有解剖知识的标注员，对数据进行二次验证等，以提高数据的质量。
相关要求
| 步骤 | 详细内容 | 门槛及所需条件和资源 |
|---|---|---|
| 招募专业标注员 | 确保标注员具备解剖学知识，能够准确理解和标注人体关节中心位置和关键点。 | 需要具备解剖学专业知识的人员，可能需要与医学院或相关专业机构合作，以招募到合适的标注员。同时，需要对标注员进行培训，使其熟悉标注标准和规范。 |
| 建立标注标准和规范 | 制定明确的标注标准和规范，确保标注的一致性和准确性。例如，规定在标注关节中心位置时应遵循的具体解剖学标志和测量方法。 | 需要相关领域的专家参与制定标准和规范，他们需要对解剖学和生物力学有深入的理解。此外，还需要将这些标准和规范文档化，并确保标注员能够理解和遵守。 |
| 数据二次验证 | 对标注好的数据进行二次验证，由专家或其他标注员对数据进行审核，以发现和纠正可能存在的错误标注。 | 需要有经验的专家或标注员进行二次验证，这需要一定的人力资源和时间成本。同时，需要建立有效的审核机制和流程，以确保验证的准确性和效率。 |
| 增加数据多样性 | 在训练数据集中增加更多样化的人体形状、运动类型和视觉差异的样本，以提高算法对不同情况的适应性和泛化能力。 | 需要收集更多样化的数据，这可能需要与多个研究机构或临床单位合作，以获取不同人群的运动数据。此外，还需要确保数据的质量和可靠性，可能需要使用先进的数据采集设备和技术。 |
| 实时更新数据集 | 随着新的研究和知识的积累，不断更新训练数据集，以反映最新的解剖学和生物力学信息。 | 需要关注最新的研究成果和行业动态，及时将新的信息整合到数据集中。这需要具备较强的信息收集和分析能力，以及持续的资金和资源支持。 |
| 利用自动化工具辅助标注 | 开发和使用自动化工具来辅助标注过程，例如使用图像识别技术自动检测和标记一些明显的关键点，然后由人工进行进一步的修正和确认。 | 需要具备计算机科学和图像处理技术的专业知识，以开发和应用自动化工具。同时，需要高性能的计算设备和软件来支持自动化工具的运行。 |
| 跨学科合作 | 促进计算机科学家、生物学家、医学专家等多学科之间的合作，共同制定和优化标注策略，确保数据集的质量和准确性。 | 需要建立跨学科的合作团队，团队成员需要具备良好的沟通和协作能力。此外，还需要提供相应的平台和资源，以促进学科之间的交流和合作。 |
这个方向需要跨学科人才包括解剖学、计算机科学、图像处理、生物力学等。同时，还需要充足的资金、人力资源和计算资源来支持数据的收集、标注、验证和更新。
02
与金标准对齐
由于无标记运动捕捉的真实准确性尚未与双平面视频放射摄影等金标准进行比较，未来需要进行这样的对比，以确定其在关节中心位置和角度测量等方面的真实准确性。
| 步骤 | 详细内容 | 门槛及所需条件和资源 |
|---|---|---|
| 金标准的选择 | 确定合适的金标准，如双平面视频放射摄影等，考虑其可行性和可重复性 | 需要对各种金标准方法有深入了解，具备医学影像学知识，能够评估其在运动捕捉中的适用性。需要与相关领域的专家合作，获取专业建议。 |
| 对比实验设计 | 规划无标记运动捕捉与金标准的对比实验，包括实验对象、运动任务等的设定，确保实验条件一致 | 需要具备实验设计能力，能够合理选择实验对象和运动任务，控制实验条件。需要相应的实验设备和场地。 |
| 数据采集与分析 | 同时使用无标记运动捕捉和金标准方法进行数据采集，对数据进行详细分析和比较 | 需要掌握两种方法的数据采集技术，具备数据分析能力，能够运用统计学方法评估无标记运动捕捉的准确性和可靠性。需要高性能的计算设备和数据分析软件。 |
| 结果评估与应用 | 根据对比实验结果评估无标记运动捕捉的性能，将结果应用于技术改进和优化 | 需要具备对结果进行准确解读和评估的能力，能够根据结果提出合理的改进建议。需要与相关团队合作，推动技术的应用和推广。 |
这个方向的科研需要具备医学影像学、实验设计、数据分析等多方面的知识和技能。需要与相关领域的专家和机构合作，获取技术支持和专业建议。同时，需要投入一定的资金和时间，用于设备购置、实验开展和数据处理等。
03
解决服装对数据采集的影响
文章中提到正常服装在运动时可能会改变形状，影响姿势估计算法准确提取关节中心位置的能力。未来的研究可以致力于解决这个问题，例如开发能够适应不同服装的算法，或者研究服装对运动捕捉数据的具体影响机制。
| 步骤 | 详细内容 | 门槛及所需条件和资源 |
|---|---|---|
| 服装影响分析 | 研究正常服装在运动时的形状变化对姿势估计算法提取关节中心位置的具体影响机制 | 需要具备服装材料学、人体运动学等相关知识，能够进行服装运动特性的分析。可能需要使用运动捕捉设备和服装变形测量仪器。 |
| 算法改进 | 开发能够适应不同服装的算法，减少服装因素对数据采集的干扰 | 需要具备计算机算法和图像处理的专业知识，能够对现有的姿势估计算法进行改进。需要高性能的计算设备和软件开发环境。 |
| 数据训练 | 使用包含不同服装类型的数据集进行算法训练，提高算法的泛化能力 | 需要收集大量不同服装的运动数据，可能需要与服装制造商或运动品牌合作。需要数据存储和管理设备。 |
| 实验验证 | 通过实验验证改进后的算法在不同服装条件下的准确性和可靠性 | 需要设置实验场景，招募实验参与者，进行实际的数据采集和分析。需要实验设备和数据分析工具。 |
| 与服装设计师合作 | 与服装设计师合作，设计出对运动捕捉影响较小的服装款式或添加辅助标记 | 需要与服装设计师进行沟通和协作，共同探讨解决方案。可能需要服装制作设备和材料。 |
解决服装对数据采集的影响需要跨学科的知识和合作，包括服装材料学、人体运动学、计算机算法等。需要投入一定的资金用于设备购置、数据收集和实验开展。同时，与相关领域的专业人员合作能够提高研究的效率和质量。
04
应对人类形状和运动的多样性
为了提高姿势估计算法在处理不同人类形状、运动类型和视觉差异图像时的准确性，未来需要进一步改进算法，使其能够更好地泛化到各种实际情况中。包括增加训练数据集的多样性，或采用更先进的机器学习技术。
| 步骤 | 详细内容 | 门槛及所需条件和资源 |
|---|---|---|
| 数据收集 | 收集涵盖各种人类形状、运动类型和视觉差异的大量数据 | 需要与多个研究机构、运动俱乐部或临床单位合作，以获取多样化的数据。可能需要使用多种数据采集设备，如不同类型的摄像机、传感器等。 |
| 算法开发 | 开发更强大的姿势估计算法，能够处理和适应这些多样性 | 需要具备深厚的机器学习、计算机视觉和人工智能知识，能够设计和实现先进的算法。需要高性能的计算设备和深度学习框架。 |
| 模型训练 | 使用收集到的数据对算法进行训练，以提高其泛化能力 | 需要大量的计算资源和时间来进行模型的训练和优化。可能需要使用云计算平台或分布式计算系统。 |
| 验证与评估 | 通过实验和评估来验证算法在处理多样性方面的性能 | 需要设计合理的实验方案，招募具有不同特征的参与者进行测试。需要数据分析和评估工具来衡量算法的准确性和可靠性。 |
| 持续改进 | 根据验证和评估的结果，不断改进算法，以更好地应对多样性 | 需要团队具备持续学习和改进的能力，关注相关领域的最新研究成果，及时应用到算法中。 |
总之，应对人类形状和运动的多样性需要多方面的条件和资源。在知识方面，需要涉及多个领域的专业知识；在技术方面，需要先进的设备和计算资源；在合作方面，需要与不同机构和人员进行广泛合作。
05
优化评估标准和数据集
目前缺乏高质量的评估数据集来准确比较无标记和标记式运动捕捉，未来需要建立这样的数据集，以优化评估标准，更科学地评估无标记运动捕捉的性能。
| 步骤 | 详细内容 | 门槛及所需条件和资源 |
|---|---|---|
| 确定评估指标 | 明确无标记运动捕捉技术在不同应用场景下的关键评估指标，如关节中心位置误差、关节角度误差、时空测量误差等 | 需要对无标记运动捕捉技术的应用需求有深入理解，与临床医生、运动科学家等专业人员进行沟通，确定合适的评估指标。 |
| 建立评估标准 | 制定详细的评估标准，包括误差范围、精度要求等，以确保评估的客观性和可比性 | 需要参考相关领域的标准和规范，结合实际应用情况，制定合理的评估标准。同时，需要专家团队进行论证和修订。 |
| 优化数据集 | 收集高质量、多样化的数据集，涵盖不同人群、运动类型和环境条件，以提高评估的准确性和可靠性 | 需要与多个数据源合作，获取丰富的数据。可能需要使用先进的数据采集设备和技术，确保数据的质量和准确性。 |
| 数据标注 | 对数据集进行准确的标注，包括关节中心位置、关键点等，确保数据的一致性和可用性 | 需要专业的标注人员，具备解剖学和运动学知识，能够准确标注数据。同时，需要建立数据标注的质量控制机制。 |
| 验证与更新 | 定期对评估标准和数据集进行验证和更新，以适应技术的发展和应用需求的变化 | 需要持续关注无标记运动捕捉技术的发展动态，收集用户反馈，及时调整评估标准和数据集。 |
优化评估标准和数据集需要跨学科的合作和专业的知识。需要投入一定的时间和资源来收集、标注和验证数据，同时需要不断更新和完善评估标准，以确保其有效性和适用性。
今天文章就先写到这里啦，因为最近公众号刚刚突破了一万粉丝，未来可能就不太打算写推流类的文章了，重心放在写长篇优质的教学、科普、实践性文章，觉得有帮助的朋友们可以分享给身边的同学、同事。
有任何问题欢迎您在留言区留言，各位也可以添加一下我的工作号，有任何问题和需求可以跟我联系，在这里期待您的建议！
