相关实验视频
Updated: Jan 16, 2026
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.8K
基准测试原始数据集和协同发展的处理数据,用于无标记的运动捕捉分析
Antoine Muller1, Alexandre Naaïm1, Raphaël Dumas1
1Univ Lyon, Univ Gustave Eiffel, Univ Claude Bernard Lyon 1, LBMC UMR_T 9406, F-69622 Lyon, France.
Data in brief
|October 1, 2025
概括
一个新的数据集有助于比较无标记的动作捕捉. 这种开放的资源有助于开发可靠的运动分析方法,提供各种人类运动的原始和处理数据.
科学领域:
- 生物力学 生物力学
- 计算机视觉 计算机视觉
- 人类运动分析分析
背景情况:
- 无标记运动捕捉对于从视频中分析人类运动至关重要.
- 现有的数据集往往缺乏全面的数据或标准化的基准测试协议.
- 开发强大的无标记方法需要多样化和准确捕获的运动数据.
研究的目的:
- 引入一个新的,开放访问的数据集,用于评估无标记运动捕捉技术.
- 为评估关节动力学的基准测试算法提供标准化资源.
- 促进协同开发和扩展无标记运动分析工具.
主要方法:
- 同时捕捉人类运动使用10个光电子摄像头和9个视频摄像头.
- 包括原始数据 (3D标记轨迹,视频) 和处理的数据 (联合动力学).
- 数据包括两个参与者执行的五个不同的任务,包括步行和动态序列.
主要成果:
- 该数据集包含了基于标记器的运动捕捉的基本真相,以及7种无标记器方法的结果.
- 处理的数据包括来自基于标记物和多个无标记物方法的关节动力学.
- 一个开放访问的 GitHub 存储库允许协作数据扩展和方法贡献.
结论:
- 这一数据集为基准测试和推进无标记运动捕捉提供了宝贵的资源.
- 协作式,开放式访问性质鼓励该领域的持续发展.
- 有助于创建更准确,更可靠的人类运动分析系统.
