AnyBody　適用例

適用例

近年来，利用动作捕捉（Motion Capture，简称MoCap）技术获取动作数据的需求日益增长。这一趋势主要源于以下两个原因：
①传统运动捕捉技术存在诸多限制，例如需要专门的测量实验室、昂贵的设备、复杂的校准流程，以及在测量过程中可能出现的标记点或传感器脱落等问题；
②研究者希望在不干扰被测者自然动作的前提下完成数据采集。

在动作捕捉领域，数据获取方式包括使用深度传感器、雷达设备或图像数据等。近年来，随着机器学习和深度学习技术的进步，仅通过人工智能（AI）从图像中提取人体关键点（如关节中心位置）的姿态估计技术已能达到较高精度。例如，卡内基梅隆大学开发的“OpenPose”就是一款知名的开源姿态估计工具。
本案例分析展示了如何利用普通数码相机拍摄的视频，通过AI技术实现三维姿态估计，并将数据导入AnyBody软件进行骨骼肌肉分析。从AnyBody的角度来看，只要输入数据是能够唯一确定人体动作的三维运动数据，无论是通过传统运动捕捉还是AI技术获取的，均可用于分析。

未来，随着基于图像的姿态估计技术进一步成熟，骨骼肌肉分析的门槛有望显著降低。目前受限于测量场地、设备等因素而难以开展的研究，或将变得更加普及，甚至能够为个人用户提供便捷的分析服务。
本文主要探讨了人工智能技术在人体动作捕捉与分析中的应用前景，特别是在无需昂贵设备和复杂设置的条件下，如何通过图像数据实现姿态估计，并进一步支持骨骼肌肉分析研究。

VisionPose 姿态估计数据的应用

在本案例中，我们使用 NEXT-SYSTEM 公司开发的 VisionPose 的姿态估计数据进行骨骼肌肉分析。实验在 Terrabyte Lab 进行，测试人员执行了重物搬运动作。我们使用数码相机拍摄视频，同时为了对比验证，还使用 Vicon 系统采集了标记点数据。VisionPose 仅基于视频数据即可识别身体特征点（关节位置）。在 NEXT-SYSTEM 公司的协助下，我们获得了关节位置（特征点）的估计数据。

使用家用数码相机拍摄视频

从MP4视频（单一影像）中提取特征点

分析流程

1.使用 VisionPose 输出的 关节坐标数据，在 AnyBody 中驱动骨骼模型运动。
2.将动作数据与 AnyBody 内置的人体骨骼模型进行匹配，此时关节角度的时间历程数据决定了最终动作。
3.部分数据需要手动修正，具体包括：

在AnyBody中进行运动学骨骼匹配　

手动修正项：
① 骨骼长度的比例调整
② 空间内人体（骨盆）的倾斜度与位置的弱约束
③ 肩关节（内外旋）和肘关节（旋前旋后）的弱约束
④ 在深度信息缺失时，调整各部位的位置/动作
⑤ 双手施力的时间点调整
⑥ 足底与地面高度的固定

分析结果

我们对比了基于逆向动力学计算的 肌肉力/肌肉激活状态（动画） 以及 腰椎间关节受力（图表） 的结果。

左侧 使用 VisionPose 估计的关节坐标数据
右侧 使用同步采集的光学动作捕捉（Vicon）标记点数据

在搬运（旋转）过程中，VisionPose 的动作估计仍存在部分不自然的情况，但 腰椎间的关节压缩力 结果与光学动捕数据基本一致。这表明，在特定部位的观察中，VisionPose 仍能提供合理的肌肉活动和关节反力数据。