一、一种基于标记点的人体上肢运动检测方法(论文文献综述)
何百岳[1](2020)在《基于惯性和视觉传感器的人体上肢位姿估计研究》文中研究指明人体位姿估计是一种利用各种传感器获得人体运动时各肢体部位姿态和关节位置的技术,在人机协作、医疗康复、运动训练等众多领域有广泛的应用,是当前人工智能领域的研究热点。特别地,因为人体上肢是人体最灵活的部位,研究上肢的位姿估计很有意义。目前,人体位姿估计方法主要有机械式、电磁式、惯性式和视觉式四个方式。其中,最常用的是基于惯性传感器的方法和基于视觉传感器的方法。但是,现有的人体位姿估计方法主要还存在以下三个问题有待进一步研究:1)降低姿态估计方法的计算复杂度,提高位姿估计系统的实时性;2)如何融合多传感器信息来增强人体位姿估计的鲁棒性和精确度;3)设计一种简单易行的多传感器坐标标定方法。针对以上问题,本文研究了一种基于惯性和视觉传感器的上肢位姿估计方法,主要研究工作包括:1.设计了一种复杂度低而且具有精度保证的上肢姿态估计方法,该方法包括三个方面。第一,针对现有的基于Kalman滤波器的姿态估计方法新息矩阵求逆计算复杂度较高的问题,引入无逆卡尔曼滤波算法来降低计算量,提高算法实时性。第二,将运动分类讨论,提出了双策略方法来进一步降低计算量。第三,针对含有反三角函数运算的磁场干扰判定条件,提出了无三角函数判定条件,以降低计算复杂度。2.设计了一种方便易行的惯性传感器和视觉传感器坐标系标定方法。为了实现多传感器信息融合,传感器之间的坐标标定必不可少,但是已有结果主要研究视觉传感器和惯性传感器固定联接情况下的标定问题,少有考虑无连接的视觉传感器和惯性传感器的标定问题。新标定方法引入了地面坐标系,标定板坐标系作为媒介建立了惯性传感器和视觉传感器之间的旋转关系,利用了姿态解算方法和张正友相机参数标定方法计算惯性传感器和视觉传感器的坐标系的旋转参数。3.设计了一种基于事件触发机制的多传感器融合人体上肢位姿估计方法。现有的低成本传感器仍然存在一定的缺陷,例如视觉传感器Kinect采样频率不高,容易受到遮挡的影响。惯性传感器在长时间的位置轨迹跟踪后,不可避免地会存在漂移问题。所提出的融合算法利用了视觉传感器的量测修正了位置估计的漂移,针对视觉传感器被遮挡以及上肢快速运动的情况,惯性传感器的量测补充了视觉传感器的量测缺失。搭建了基于惯性和视觉传感器融合的上肢位姿估计实验平台,验证了所提出方法的有效性。最后,对全文进行了总结,并对进一步的研究提出了展望。
孙磊[2](2019)在《基于自回归学习算法的人体运动意图实时感知与预测》文中指出增强型外骨骼是为人体运动提供辅助的可穿戴机械设备,在长时间、大负载的工作中,能增强人体机能,降低代谢消耗。本文聚焦军事领域单兵增强型外骨骼人机交互系统,对人体运动意图的感知与预测方法进行创新性研究。首先,本文通过肌电传感器获取表面肌电信号。由于信号夹杂大量的干扰噪声,通过一定的预处理方法完成信号的滤波与正则化。并根据肌电传感器可能存在的旋转偏移问题,提出了一种基于极坐标系下活跃极角的偏移校正方法。其目的在于解决当电极贴片在首次定位时,与原始位置存在偏移导致的估计精度下降问题。实验表明,使用校正后的表面肌电信号进行意图信息的预测具有更高的准确性。其次,在数据预处理方面,由于各肌电信号数据间存在耦合性关系,各通道间的相关性较大,因此通过主成分分析方法降维,将存在相关性的原变量转换为一组线性不相关的变量,有效地降低网络的输入数据量,降低计算复杂度,提高响应时间。然后,提出了一种基于骨骼肌模型推导的人体运动意图估计模型,人体的意图信息包含上肢三个自由度的关节角度与角速度。其中估计函数使用具有自回归与时间序列特性的NARX神经网络。由于NARX神经网络的递归式结构,可能导致对序列的预测中的误差积累,会使模型预测精度受到影响。因此结合无迹卡尔曼滤波算法实现闭环结构,实时地估计状态量。最后,实验验证整体算法的可行性与准确性。动作捕捉系统Motion Analysis与MYO臂环作为实验设备,预设计一组手臂动作,作为实验的数据采集与验证的基础。与反向传播前馈式神经网络的估计结果进行比较,对于按照预先设定轨迹的运动来说,角度估计的均方误差值小于3.86度,对角速度估计的均方误差小于4.02度/秒。结果证明本文提出的意图识别算法能够有效地提高识别精度,减小对关节角度和角速度估计的实时误差。
赵君豪[3](2019)在《基于上肢惯性参数辅助的步态康复训练方法的研究与设计》文中研究表明偏瘫是脑卒中高发的一类后遗症,它表现为同侧的上下肢运动障碍,而另一侧的上下肢多为健全,对患者的日常生活造成了巨大影响。患者在康复训练中的主动参与可以提高康复效果,而大多数的偏瘫步态康复通过被动训练偏瘫侧下肢以重塑下肢运动神经功能,却忽视了病人的主动参与度。本课题利用上下肢的步态关联性搭建一个健康摆动的上肢来带动偏瘫侧下肢进行康复训练的平台,以此提高患者康复训练过程中的积极性,主要工作内容可分为:惯性参数捕捉系统的搭建、基于步态康复机器人架构的上位机设计以及下肢步态预测算法研究。硬件系统方面,本研究所设计的惯性参数捕捉系统可细分为两个子系统:数据采集系统和无线收发系统。其中,数据采集系统采用惯性传感器进行信号采集:惯性传感器获得佩戴于患者肢体的姿态运动信息并以静态欧拉角显示。在无线收发系统里,考虑到用户体验,选用了nRF24L01模块来实现无线数据传输技术,摒弃了传统的局部有线方案,将每个传感器节点独立佩戴到体表,加强可穿戴系统的便携性优势。上位机设计包括梯形图程序设计与交互式系统设计。驱动患者下肢的电机系统为安川伺服架构,需要预先设计好电机系统的梯形图程序。基于Visual Studio平台,进行交互系统的开发设计并最终实现算法移植。下肢步态预测算法研究中,首先利用设计的惯性参数捕捉系统测量正常人的步态数据并加以分析。利用非线性时序预测(Nonlinear Autoregressive models with Exogenous Inputs,NARX)神经网络,以上肢各关节步态转角为输入向量,下肢的髋关节和膝关节的步态转角为输出向量与反馈输入向量,建立一个相对准确且实时的下肢步态预测算法。最终预测的步态曲线通过上位机设计程序来驱动下肢康复机器人,实现患者利用上肢参与主动训练的步态康复训练。最终,经过在线实时测试,惯性数据采集系统采集到的角度误差在2°以内,满足日常生活以及科研实验的要求。上肢预测下肢步态曲线的数据误差在10°以内,可满足基本的下肢步态训练,基本实现了本研究的预定目标。
秦仕昊[4](2019)在《下肢矢状面运动的穿戴式软传感测量系统研究》文中研究表明人体下肢关节以矢状面运动为主,穿戴式下肢矢状面运动测量系统在医疗康复、影视动画、运动健身等领域前景广阔。当前主流的下肢运动测量系统存在运动空间受限、穿戴舒适性差等问题,硅橡胶软传感器是电容式柔性应变传感器,具有穿戴舒适、质轻、成本低等优点。因此,本文基于硅橡胶软传感器探索下肢矢状面运动的穿戴式软传感测量技术,具体内容如下。首先,依据下肢矢状面内运动测量要求,并结合硅橡胶软传感器的特点,进行穿戴式测量系统的整体设计。具体包括:分析人体下肢关节运动并建立下肢关节运动模型,论证软传感器用于关节测量的可行性。基于灵敏度最高原则确定软传感器位置;选择系统集成载体,设计集成工艺,实现系统集成;分析集成载体和软传感器自由度对系统测量的影响并设计定位标记点。分析并验证了软传感器系统检测模型作为电气参数优化的理论依据。设计新的滤波算法并通过实验优化相关参数,满足运动测量系统信号采集时间和动态响应时间要求。硅橡胶软传感器是整个测量系统的核心元件,为提高系统性能,本文对软传感器噪声屏蔽和制备工艺进行了深入研究,具体包括:研究了噪声源通过寄生电容影响软传感器输出信号的作用原理,基于电屏蔽原理设计软传感器屏蔽结构,实验验证电屏蔽的有效性。针对下肢运动测量系统柔性和集成性要求,优化柔性电极材料和固化封装工艺。针对软传感器工艺缺陷,优化柔性电极的制备工艺和脱膜工艺,测试软传感器动态测量性能。标定环节是测量系统的关键环节,因此本文面向工程应用,对下肢运动软传感测量系统的标定技术进行研究。基于图像法并通过Open CV图像处理算法实现下肢关节矢状面运动角度识别,完成标定及测量系统硬件和软件搭建,实现肢运动软传感测量系统标定。最后,在上述工作的基础上,本文开展下肢运动测量系统实验研究,测试下肢运动测量系统在髋膝踝关节矢状面内运动检测方面的性能并进行误差分析。与商用Phase Space动捕系统比对分析,在步态和蹲起运动下满足标准差在5°以内,满足外骨骼助力和人机交互等多数场合要求。表明这种下肢运动软传感测量系统技术的可行性。
徐如燚[5](2019)在《基于人体姿态捕捉与虚拟现实技术的肩关节康复系统》文中研究指明以肩周炎为代表的肩关节疾病会导致手臂出现麻木、疼痛的症状,长期压迫血管造成肩关节早衰,使人活动受限,严重影响患者正常生活。当前的主要治疗手段是通过治疗师长期进行一对一的康复训练来逐步治疗肩周炎,这将导致医护资源的不足。利用计算机技术对病人进行监护可以有效的解决这一问题,因此本文开发了基于姿态捕捉和虚拟现实技术的肩关节康复系统用于肩周炎康复训练。本文主要工作内容主要集中在以下几个方面:首先本文分析国内外相关研究现状,在此基础上设计了一套低成本、轻量级的无线穿戴式动作捕捉设备。独立设计并制作了穿戴设备包括传感器选型与标定、通信模块和电源模块的选用、穿戴节点的外壳与内部器件的布置。多传感器与上位机之间使用管道机制的异步通信,极大提高每个节点的数据更新频率以及系统的整体实时性。其次针对本文的穿戴设备特别开发了对应的软件系统,用于实时数据通信、上肢姿态信息计算以及与虚拟现实软件进行实时通信。针对人体上肢关节活动特性进行分析和设计,引入四元数解决姿态重建过程中的万向节死锁。此外还进行了数据准确性校验,穿戴设备与光学设备同时进行数据采集,对比重建姿态数据,并分析实验结果。然后详细分析肩关节的骨骼结构、关节自由度,建立了上肢关节的层次关系模型和坐标系。然后利用unity3d游戏引擎开发了虚拟现实游戏,通过所制作的穿戴设备和对应的通信软件在游戏中利用虚拟人物进行实时动作重建。并以医学数据为参考,进行了实时人体姿态重建实验。最后根据本系统的特点选择合适的肩关节康复治疗评定量表进行了真实的病人临床实验,通过临床实验检验了本系统的有效性。本文所设计的穿戴式传感器以及康复系统有望实现产品化,应用到康复医疗与娱乐健身等领域。
侯庆隆[6](2019)在《基于人体上肢运动特性的机器人能耗优化控制策略研究》文中指出随着我国经济的快速发展、产业转型升级与智能制造的不断推进,我国机器人市场进入高速增长期,连续多年成为全球第一大应用市场。然而机器人本质是能源密集型的,在使用中存在着能量的不合理利用,造成了大量的能源浪费,制约着机器人技术的可持续发展与绿色发展。机器人技术作为智能制造的核心技术之一,必须具有高效、节能的特点,其能耗优化及能量效率研究十分活跃。本文创新性地提出了以人体上肢运动节省能量消耗特点为基础对机器人进行能耗优化的思路,主要针对人体上肢运动轨迹和代谢特点、机器人工作空间与载荷能力关系、能量消耗模型、机器人能耗优化控制策略开展了研究,主要内容如下:首先,为了评估上肢运动过程中的能量消耗特点,简单介绍了上肢结构、运动形式和人体上肢运动规律的表征参数,参考了相关研究成果,引入了上肢简化骨肌模型,和上肢代谢模型,用于上肢运动过程的能量代谢计算与分析,其次分析了上肢在矢状面的载荷能力,为后续研究分析提供基础。然后,对不同受试者的上肢哑铃弯举动作轨迹进行了采集,采用空间向量方法计算了关节角度,对上肢运动轨迹、关节角度和时间进行了归一化处理,并对关节角度进行了拟合,获得了人体运动轨迹的不变特性;基于上肢代谢模型,计算了哑铃弯举过程中各关节的功率与做功情况,从而分析得到了运动过程中上肢的能量消耗特点。基于机器人运动学知识,建立了三自由度机器人的仿真模型,采用蒙特卡洛方法分析了其工作空间;利用机器人逆向动力学,分析了机器人静止状态和运动状态下关节扭矩随关节角度的变化情况;结合伺服电机的电学方程,建立了机器人的能耗模型,并依此建立了机器人能耗功率与工作空间的对应关系。通过关节角度变换、时间缩放及能量流动关系,分析了人体上肢到机器人的运动映射关系,提出相应的降低机器人能量消耗的运动控制策略,并结合遗传算法进行了仿真分析。最后,在搭建的三自由度机器人实验平台上对空载和负载两种情况下的机器人进行了实验,通过数据分析与比较,验证了运动控制策略的有效性。
王怀宇[7](2019)在《智能上肢康复训练系统研究与设计》文中提出肩部、肘部等上肢相关疾病的发病率日渐增高,上肢偏瘫、肩周炎、肩部骨折、高尔夫肘等疾病严重影响人民健康和生活质量,人们对于科学的上肢康复训练的需求也越来越高。上肢康复训练主要分为被动康复和主动康复两种方式。被动康复,指通过外力牵引活动患者的上肢达到康复训练目的,有助于患者恢复上肢机能。主动康复,指患者自身发力对抗重力或者适当的阻力来达到康复目的。对于术后后期康复,以及颈椎病、肩周炎等疾病,主动康复都能达到比较好的康复效果。患者自行进行主动、被动康复训练往往存在动作不规范,效果难以评价等问题。因此,本文设计的智能上肢康复训练系统分为被动和主动两部分。对于被动康复部分,本文对已设计的五自由度上肢康复机械臂进行运动学分析,结合人体上肢结构和康复需求,设计了一套完整的运动控制方案并在Matlab和V-rep中进行仿真与验证。对于主动康复部分,本文利用OpenPose进行二维人体姿态识别,并研究通过三维重建技术重建三维人体模型,接着将动态时间规整算法和随机抽样一致性算法用于动作流比对中,以评价主动训练动作的标准程度。最后设计了一款基于虚拟交互的软件用以指导、评价和记录患者主动康复训练。五自由度上肢康复机械臂运动仿真结果证明,该机械臂能够通过运动学解析与控制满足常规康复动作需求。主动康复软件的实现,证明将基于深度神经网络的视觉动作捕捉技术用于主动康复训练是行之有效的。
杜尚[8](2017)在《基于MA和5DT手套的上肢在线动作捕捉系统》文中进行了进一步梳理人体上肢动作捕捉技术在人机交互、疾病康复、脑机接口等诸多领域都有广泛应用。随着相关技术的进步,对于运动数据的实时性、稳定性和精确性有着越来越高的要求。本文利用MA(Motion Analysis)光学动作捕捉系统在线捕捉手臂的运动信息,并且对丢失标记点进行在线预测;同时利用5DT数据手套来获取手部运动信息。最终将手臂运动信息与手部运动信息整合起来,驱动虚拟上肢模型,实时重建人体上肢运动。本文主要研究内容如下:基于光学动作捕捉系统计算手臂关节运动信息。将手臂运动简化为一个7自由度的模型,利用相应的标记点模块坐标来计算关节空间位置。针对不同的标记点丢失情况,分别设定相应的预测方法,实时预测丢失标记点的空间坐标;利用贴放在皮肤表面的标记点与相应关节的固定位置关系,建立损失函数,使用最小二乘法求解标记点的旋转中心,该旋转中心即为相应关节的空间位置。基于数据手套计算各个手指关节的空间位置。本文采用了 26自由度的手部运动模型,将手指各个自由度的旋转角度与数据手套传感器数值对应起来。利用传感器数据计算手指关节自由度的旋转角度。最后通过前向运动学方法计算手指关节位置。统一手臂与手部坐标并实时绘制上肢运动。利用手部和前臂的标记点计算得到手腕坐标。利用手部的三个标记点计算得到手的方向。根据手腕坐标和手的方向将手的运动映射到手臂上,得到完整的人体上肢骨骼关节运动信息。根据这些信息,利用OpenGL实时绘制一个可以与真实人体上肢同步运动的虚拟上肢。通过计算,MA丢失标记点的预测误差基本集中在0.5mm以内,关节位置与标记点距离变化在1mm左右,在10分钟的长时间运行过程中系统可以一直稳定在线运行,证明该系统可以实时在线的得到上肢运动数据。
张姹[9](2014)在《基于光学和惯性跟踪数据融合的上肢运动测量技术及应用研究》文中研究表明人体上肢运动测量技术在临床诊断、康复工程、体育训练和虚拟现实等领域有着广泛的应用。目前主流的人体运动测量技术主要有机械式、电磁式、视频式、光学跟踪式和惯性跟踪式5大类。其中光学式最为常用,但高精度的光学测量设备价格昂贵,低成本设备的测量精度又难以满足用户的要求。在此背景下,本文针对目前低成本的光学跟踪系统进行人体运动测量时精度较低,数据处理算法复杂、当标记点混淆或被遮挡时需要人工后处理等问题,提出了一种基于数据融合的人体运动测量方案,并将其运用于外骨骼康复训练系统,主要研究工作如下:1.根据人体上肢的运动特点和人体建模的原则,建立了上肢四自由度简化模型,并运用D-H参数方法对模型进行参数化,建立其运动学方程,完成了上肢关节角度解算方案,并利用MATLAB虚拟现实工具箱建立了人体的虚拟现实模型。2.针对光学跟踪系统测量在某些区域测量精度较低、光标被遮挡时无法测量等问题,提出基于光学和惯性跟踪数据融合的测量方案,采用卡尔曼滤波算法进行预测和补偿。搭建了实验平台,设计并完成多组数据融合实验,包括光学标记点被遮挡和无遮挡等情况下的实验,验证了融合算法的正确性,提高了测量精度和可靠性。3.将论文所提出的人体运动测量方法应用于外骨骼康复训练系统,完成了系统的整体方案设计,搭建了系统的软硬件平台并进行了一系列实验,包括系统的虚拟现实仿真实验和样机实验,实验结果表明,该系统能够实时测量人体上肢的运动信息并控制外骨骼完成相同的动作,从而验证了系统方案的可行性。本文探索了人体运动测量新方法并在外骨骼康复训练系统上进行了应用实验,为日后在此方向上更为深入的研究提供了初步的理论和实践基础。
周晓阳[10](2012)在《基于光学运动捕捉的虚拟交互系统开发》文中认为虚拟现实系统能够实现声音、影像以及触觉等多通道的信息传递,为实现高效、灵活的人机交互提供了可行途径。运动捕捉技术可以获取真实环境中物体的运动状态,从而为实现虚拟环境和真实环境之间的通信提供了技术保障。为此本文采用被动式光学运动捕捉系统,对虚拟现实系统中的人机交互技术进行了研究。为了构建基于光学跟踪捕捉的虚拟交互系统,对虚拟交互系统的功能结构、性能要求以及其中关键技术进行了分析。在此基础上,对整个系统进行了框架结构的总体设计,确定了系统的硬件组成和软件结构,并且完成了软件层和相关类的设计。建立了系统的交互环境,包括几何模型数据接口的开发,实现了商用CAD模型数据与虚拟交互系统的数据传递;对人体骨骼结构的分析,完成人体几何模型的构建;对人手的运动特点进行了分析,构建了人体上肢的层次结构模型,确定了手部模型的运动参数,完成了人体上肢运动模型的构建;对常用的碰撞检测算法的检测精度和检测效率进行了分析,确定了系统的碰撞检测方法,通过使用层次包围盒以及三角图元的检测,实现了符合系统实时性要求的碰撞检测。根据人体的运动模型确定标记点的放置位置,进行了相机标定以及Vicon系统参数的调整,对人体手部的运动进行了实时的运动捕捉;分析了ViconReal-TimeEnergy的通信协议和数据结构,使用Vicon的SDK软件开发包进行了运动数据接口的开发,实现了Vicon系统与虚拟交互系统的数据通信;对人体几何模型进行运动控制,完成了人手运动到虚拟手模型运动的映像;分析了人手抓取物体的动作,对虚拟手的抓取规则进行了定义,实现了在虚拟现实环境中的物体的抓取。最后完成了虚拟交互系统的开发和验证,使用Visual Studio2008作为开发工具,结合Vicon光学运动捕捉系统和OpenGL图形库,进行了虚拟场景显示模块的开发;使用SQLServer2005数据库进行了模型数据库的构建,实现了模型数据的管理;在虚拟交互系统中进行了抓取、移动和释放等操作,实现了指定的交互操作任务。
二、一种基于标记点的人体上肢运动检测方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于标记点的人体上肢运动检测方法(论文提纲范文)
(1)基于惯性和视觉传感器的人体上肢位姿估计研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 基于惯性传感器信息融合的姿态估计方法 |
1.2.2 多传感器融合的人体关节运动跟踪的研究现状 |
1.3 主要工作和结构安排 |
1.3.1 现有研究的不足之处 |
1.3.2 主要研究内容 |
1.3.3 总体结构 |
第二章 上肢位姿估计系统的技术方案 |
2.1 姿态角定义及其数学模型 |
2.1.1 欧拉角描述姿态的优缺点 |
2.1.2 方向余弦矩阵描述姿态的优缺点 |
2.1.3 四元数描述姿态的优缺点 |
2.1.4 人体位姿估计系统的主要坐标系 |
2.2 上肢位姿估计系统实验设备 |
2.2.1 惯性传感单元 |
2.2.2 深度相机Kinect |
2.2.3 光学运动捕捉系统 |
2.3 实验系统结构 |
2.4 上肢位姿估计算法整体结构 |
2.5 本章小结 |
第三章 基于惯性传感器的上肢姿态估计算法 |
3.1 引言 |
3.2 空间坐标系及姿态角的描述 |
3.3 惯性传感器信号分析和处理 |
3.3.1 基于加速度计的严重干扰拒绝 |
3.3.2 基于磁力计的严重干扰拒绝 |
3.3.3 无反三角运算的倾角判定规则 |
3.4 动态状态下的姿态估计策略 |
3.4.1 基于陀螺仪的姿态更新 |
3.4.2 加速度计和磁力计计算姿态的方法 |
3.4.3 无逆Kalman滤波器设计 |
3.4.4 无逆Kalman滤波器的收敛性证明 |
3.5 稳态状态下的姿态估计策略 |
3.5.1 基于加速度计的稳定状态检测 |
3.5.2 基于陀螺仪的稳定状态检测 |
3.5.3 基于时间阈值的稳定状态检测 |
3.5.4 稳定状态下的姿态维持和协方差预测 |
3.6 算法伪代码 |
3.7 实验和讨论 |
3.7.1 实验1(慢速且无磁场干扰) |
3.7.2 实验2(快速运动且存在磁场干扰) |
3.7.3 实验3(稳态情况和切换时刻性能检测) |
3.7.4 实验结论 |
3.8 小结 |
第四章 基于惯性和视觉传感器的腕部位置估计 |
4.1 引言 |
4.2 多传感器系统的坐标系标定 |
4.2.1 问题描述 |
4.2.2 视觉传感器和惯性传感器坐标系标定方法 |
4.2.3 光学捕捉系统和视觉传感器坐标系标定方法 |
4.3 腕部跟踪的位置Kalman滤波器的设计 |
4.3.1 运动加速度的获取 |
4.3.2 人体腕部运动跟踪的系统方程 |
4.4 基于事件触发机制的位置滤波器设计 |
4.4.1 只有加速度信息的系统方程 |
4.4.2 只有位置信息的系统方程 |
4.5 实验验证与分析 |
4.5.1 标定结果的验证实验 |
4.5.2 视觉传感器被遮挡的情况 |
4.5.3 快速运动情况下的间隔补充 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 未来展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 撰写的学术论文 |
学位论文数据集 |
(2)基于自回归学习算法的人体运动意图实时感知与预测(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题来源 |
1.2 研究背景及意义 |
1.3 增强型外骨骼及意图识别算法研究现状 |
1.3.1 增强型外骨骼国外研究现状 |
1.3.2 增强型外骨骼国内研究现状 |
1.3.3 人体意图识别方法研究现状 |
1.4 本文主要研究内容 |
第二章 神经肌肉电信号生理学与上肢解剖学基础 |
2.1 引言 |
2.2 表面肌电信号概述 |
2.2.1 神经中枢与人体运动 |
2.2.2 骨骼肌与肌电信号产生机理 |
2.2.3 肌电信号特性 |
2.2.4 特征提取方法 |
2.3 人体上肢解剖学分析与建模 |
2.3.1 上肢解剖学分析 |
2.3.2 人体上肢坐标系与动力学分析 |
2.4 本章小结 |
第三章 数据采集与MYO旋转偏移校正 |
3.1 引言 |
3.2 表面肌电信号的采集和处理 |
3.2.1 MYO臂环简介 |
3.2.2 表面肌电信号预处理 |
3.3 极坐标系下活跃极角的估计 |
3.3.1 问题描述 |
3.3.2 活跃极角的定义与估计 |
3.4 基于活跃极角估计的偏移校正方法 |
3.5 本章小结 |
第四章 基于Hill骨骼肌模型的运动意图估计 |
4.1 引言 |
4.2 Hill骨骼肌模型简介 |
4.3 意图估计模型的建立 |
4.3.1 主成分分析法信号降维 |
4.3.2 估计模型的建立 |
4.4 基于自回归学习算法的估计 |
4.4.1 NARX神经网络预测 |
4.4.2 无迹卡尔曼滤波闭环估计 |
4.5 本章小结 |
第五章 人体上肢运动意图估计实验分析 |
5.1 引言 |
5.2 实验平台系统介绍 |
5.2.1 动作捕捉系统概述 |
5.2.2 实验系统整体框架 |
5.2.3 实验流程与设置 |
5.3 实验数据处理与分析 |
5.3.1 动作捕捉系统数据分析 |
5.3.2 肌电传感器数据分析与处理 |
5.3.3 神经网络模型训练 |
5.4 实验结果与分析 |
5.4.1 状态估计结果 |
5.4.2 旋转偏移校正实验结果 |
5.5 本章小结 |
第六章 总结与讨论 |
6.1 工作总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(3)基于上肢惯性参数辅助的步态康复训练方法的研究与设计(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景、意义和应用 |
1.2 下肢康复机器人及其交互控制方式研究现状 |
1.2.1 生物电信号的交互控制 |
1.2.2 力信号的交互控制 |
1.2.3 动作捕捉信号的交互控制 |
1.3 动作捕捉技术研究现状 |
1.3.1 基于计算机视觉的动作捕捉系统 |
1.3.2 基于标记点光学动作捕捉系统 |
1.3.3 基于惯性传感器的动作捕捉系统 |
1.4 论文的主要内容与结构 |
第2章 上肢惯性参数辅助步态康复系统的整体方案 |
2.1 正常步态特征分析 |
2.2 正常步态轨迹的生成 |
2.3 运动姿态信息的数据分析 |
2.3.1 欧拉角与运动姿态信息 |
2.3.2 欧拉角与四元数的互补 |
2.3.3 惯性传感器的姿态角融合算法 |
2.4 步态康复训练整体设计 |
2.5 本章小结 |
第3章 惯性参数捕捉系统硬件设计 |
3.1 惯性参数捕捉系统硬件需求分析 |
3.1.1 惯性参数采集模块需求分析 |
3.1.2 惯性参数通信模块需求分析 |
3.2 惯性参数捕捉系统的设计 |
3.2.1 惯性传感器的布置与选型 |
3.2.2 惯性参数采集模块的设计 |
3.2.3 惯性参数通信模块的设计 |
3.3 惯性参数捕捉系统的性能测试 |
3.3.1 姿态角准确性测试 |
3.3.2 数据传输性能测试 |
3.4 本章小结 |
第4章 步态康复训练系统的软件设计 |
4.1 伺服电机的程序设计 |
4.1.1 步态康复机器人平台 |
4.1.2 上位机与伺服电机控制器的通讯 |
4.1.3 伺服电机寄存器的配置 |
4.1.4 训练床体角度设定功能 |
4.2 步态训练被动模式的设计 |
4.3 下肢自由驱动模式的设计 |
4.4 上肢驱动模式 |
4.4.1 数据的通讯功能 |
4.4.2 实时曲线显示功能 |
4.4.3 上肢预测下肢功能 |
4.5 本章小结 |
第5章 步态测量分析与步态预测算法设计 |
5.1步态测量实验 |
5.1.1 步态实验采集方案 |
5.1.2 步态实验数据预处理 |
5.2 步态实验数据分析 |
5.3 下肢步态曲线的预测算法的实现 |
5.3.1 非线性时序预测(NARX)神经网络模型 |
5.3.2 基于NARX神经网络的步态曲线预测参数训练 |
5.3.3 结果展示与分析 |
5.4 小结 |
第6章 总结与展望 |
6.1 研究内容总结 |
6.2 工作不足与展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(4)下肢矢状面运动的穿戴式软传感测量系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 下肢运动测量系统的国内外研究现状 |
1.2.2 硅橡胶软传感器研究现状 |
1.3 课题来源及主要研究内容 |
1.3.1 课题来源 |
1.3.2 主要研究内容 |
第2章 下肢运动软传感测量系统设计 |
2.1 下肢运动测量系统方案设计 |
2.2 下肢关节运动分析建模 |
2.3 下肢运动测量系统设计及集成 |
2.3.1 软传感器布置方案 |
2.3.2 软传感测量系统集成载体选择 |
2.3.3 软传感器集成工艺设计 |
2.3.4 软传感测量系统自由度分析与定位 |
2.4 下肢运动测量系统电路优化 |
2.5 软传感测量系统滤波算法改进 |
2.6 本章小结 |
第3章 软传感器制备工艺优化 |
3.1 软传感器系统噪声屏蔽 |
3.1.1 软传感器噪声分析 |
3.1.2 软传感器屏蔽设计 |
3.2 软传感器柔性电极制备及工艺优化 |
3.3 软传感器固化封装优化 |
3.4 软传感器脱膜工艺的优化 |
3.5 软传感器性能指标测试 |
3.6 本章小结 |
第4章 下肢运动软传感测量系统标定 |
4.1 软传感测量系统标定方案设计 |
4.1.1 二维图像非接触式关节角度测量 |
4.1.2 运动测量标定系统的硬件搭建 |
4.1.3 运动测量标定系统的开发平台 |
4.2 运动测量标定系统的图像处理 |
4.3 标定系统下肢关节角度解算 |
4.3.1 下肢关节角度识别的标记点设计 |
4.3.2 下肢关节角度识别的标记点排序 |
4.3.3 下肢关节角度分析和计算 |
4.4 运动测量标定系统的测量模块设计 |
4.5 本章小结 |
第5章 下肢运动测量系统实验研究 |
5.1 髋关节屈曲后伸测量 |
5.2 膝关节屈曲伸展测量 |
5.3 踝关节背屈跖屈测量 |
5.4 下肢测量系统误差分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(5)基于人体姿态捕捉与虚拟现实技术的肩关节康复系统(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 课题来源及背景 |
1.2 课题的目的及意义 |
1.3 虚拟现实概述 |
1.4 国内外研究现状及其存在的问题 |
1.5 论文的主要研究内容 |
1.6 论文组织结构 |
2 无线穿戴式运动捕捉系统设计 |
2.1 系统的基本结构 |
2.2 无线传感器节点设计 |
2.3 人体姿态解算与重建 |
2.4 数据处理与通信软件设计 |
2.5 基于传感器与光学实验以及数据分析 |
2.6 本章小结 |
3 虚拟训练游戏设计与实现 |
3.1 相关软件介绍 |
3.2 UNITY3D人物模型运动方法研究 |
3.3 虚拟现实应用设计说明 |
3.4 上肢康复训练指导软件 |
3.5 机械臂除障跑酷游戏 |
3.6 本章小结 |
4 上肢运动功能康复系统评定与实验结果 |
4.1 康复评定方法选择 |
4.2 上肢康复系统评定量表选择 |
4.3 上肢康复系统结合康复评定初步实验以及结果 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录Ⅰ 攻读硕士期间发表的文章和专利 |
(6)基于人体上肢运动特性的机器人能耗优化控制策略研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 机器人能耗优化方法研究现状 |
1.2.1 硬件方法:低能耗设计及相关技术 |
1.2.2 软件方法:轨迹规划及任务调度 |
1.2.3 混合方法:自然运动及优化共享 |
1.3 人体运动特性研究现状 |
1.4 课题研究目的及意义 |
1.5 课题主要研究内容 |
第二章 人体上肢代谢模型与载荷能力分析 |
2.1 引言 |
2.2 人体上肢结构及运动分析 |
2.2.1 人体上肢结构特点 |
2.2.2 人体上肢运动形式及特征参数 |
2.3 人体上肢简化骨肌模型和代谢模型 |
2.3.1 人体上肢简化骨肌模型 |
2.3.2 人体上肢代谢模型 |
2.4 矢状面内人体上肢载荷能力分析 |
2.5 本章小结 |
第三章 人体上肢哑铃弯举运动轨迹采集及分析 |
3.1 引言 |
3.2 哑铃弯举运动轨迹采集实验 |
3.2.1 运动捕捉系统 |
3.2.2 实验目的及对象 |
3.2.3 实验任务描述及参数定义 |
3.2.4 标志点布置与实验设置 |
3.2.5 哑铃弯举运动轨迹采集 |
3.3 人体上肢哑铃弯举运动轨迹分析 |
3.3.1 运动轨迹初步分析与对比 |
3.3.2 运动轨迹归一化 |
3.3.3 上肢关节角度拟合 |
3.4 人体上肢哑铃弯举运动能耗计算与分析 |
3.5 本章小结 |
第四章 基于人体上肢运动特性的机器人能耗优化控制策略 |
4.1 引言 |
4.2 机器人空间载荷特性分析 |
4.2.1 机器人工作空间分析 |
4.2.2 机器人载荷分析 |
4.3 机器人能耗模型的建立 |
4.3.1 机器人能耗分析与模型建立 |
4.3.2 工作空间与功率对应关系分析 |
4.4 人体上肢到机器人的运动映射分析 |
4.4.1 运动轨迹映射 |
4.4.2 能量转换与分配关系 |
4.5 基于人体上肢运动特性的机器人能耗优化控制策略 |
4.5.1 机器人能耗优化控制策略 |
4.5.2 能耗优化控制策略仿真验证 |
4.6 本章小结 |
第五章 机器人能耗优化控制策略验证实验 |
5.1 引言 |
5.2 实验系统框架及平台搭建 |
5.3 机器人运动控制策略验证实验 |
5.4 实验结果分析 |
5.5 本章小结 |
结论 |
参考文献 |
附录A 运动解剖基本学术术语 |
攻读学位期间取得的相关科研成果 |
致谢 |
(7)智能上肢康复训练系统研究与设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 智能被动康复训练 |
1.2.2 主动康复训练 |
1.3 现阶段存在问题 |
1.4 本文主要工作 |
第二章 五自由度机械臂运动控制分析与仿真 |
2.1 五自由度机械臂机械结构 |
2.2 机械臂运动学建模 |
2.2.1 坐标系的建立方法 |
2.2.2 机械臂DH参数 |
2.3 康复机械臂前向运动学方程建立 |
2.3.1 前向运动学方程 |
2.3.2 Matlab验证 |
2.4 康复机械臂运动学逆解 |
2.4.1 求解雅克比矩阵 |
2.4.2 数值法运动学逆解 |
2.4.3 Matlab计算 |
2.5 结合人体模型分析 |
2.5.1 人体模型建立 |
2.5.2 解析法求解 |
2.5.3 Matlab仿真 |
2.6 轨迹规划 |
2.7 被动康复训练控制方案 |
2.8 本章小结 |
第三章 基于视觉的动作捕捉与姿态分析 |
3.1 动作捕捉技术 |
3.1.1 动作捕捉技术简述 |
3.1.2 基于深度神经网络的动作捕捉 |
3.1.3 基于OpenPose的动作捕捉 |
3.2 相机标定 |
3.2.1 相机模型及坐标系 |
3.2.2 相机标定方法 |
3.2.3 Matlab实现相机标定和校正 |
3.3 人体三维运动捕捉 |
3.3.1 两相机协同拍摄 |
3.3.2 人体模型三维重建 |
3.4 本章小结 |
第四章 基于动作流相似性比对算法的运动评价 |
4.1 动态时间规整算法 |
4.2 随机抽样一致性算法 |
4.3 DTW与 RANSAC结合算法 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 上肢主动康复训练软件设计与实现 |
5.1 软件架构 |
5.2 各模块详细设计 |
5.2.1 数据库模块 |
5.2.2 标准动作模块 |
5.2.3 历史记录模块 |
5.2.4 个人信息模块 |
5.2.5 训练交互模块 |
5.3 用户操作流程 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的学术成果 |
(8)基于MA和5DT手套的上肢在线动作捕捉系统(论文提纲范文)
致谢 |
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究现状 |
1.3.1 动作捕捉方法介绍 |
1.3.2 上肢的动作捕捉相关方法 |
1.3.3 光学动作捕捉系统相关研究 |
1.4 研究内容 |
1.5 组织结构 |
第2章 系统设计方法和方案 |
2.1 硬件设备简介 |
2.1.1 Motion Analysis光学动作捕捉设备 |
2.1.2 5DT数据手套 |
2.2 系统软件平台及设计框架 |
2.2.1 软件实验环境和工具 |
2.2.2 软件设计框架 |
2.3 相关数学解算方法 |
2.3.1 刚体定点转动 |
2.3.2 四元数 |
2.4 本章小结 |
第3章 手臂关节动作捕捉系统实现方案 |
3.1 手臂结构模型和动作捕捉方案 |
3.1.1 手臂结构模型 |
3.1.2 手臂动作捕捉方案 |
3.2 预测丢失标记点 |
3.2.1 一个丢失标记点预测 |
3.2.2 两个丢失标记点预测 |
3.2.3 三个丢失标记点预测 |
3.3 计算关节点空间位置 |
3.3.1 各个标记点模块坐标系设定 |
3.3.2 最小二乘法拟合球心 |
3.3.3 各个关节点位置计算 |
3.4 手臂动作捕捉结果讨论 |
3.4.1 标记点修复结果 |
3.4.2 关节位置计算结果 |
3.5 本章小结 |
第4章 虚拟手建模和系统实现 |
4.1 手部运动模型 |
4.1.1 手部骨骼结构 |
4.1.2 手部自由度设置 |
4.2 手指关节运动解算 |
4.3 手与手臂之间的坐标变换 |
4.4 系统实现 |
4.4.1 搭建光学动作捕捉系统实验环境 |
4.4.2 指令控制部分 |
4.4.3 计算渲染部分 |
4.5 系统检验 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 展望 |
参考文献 |
个人简历 |
(9)基于光学和惯性跟踪数据融合的上肢运动测量技术及应用研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 人体运动测量技术的国内外现状 |
1.2.1 国内外研究现状 |
1.2.2 研究发展趋势 |
1.3 本文主要研究内容 |
1.4 本章小结 |
2 上肢运动学建模及解算方案 |
2.1 上肢关节运动机理 |
2.1.1 人体的基本平面和基本轴 |
2.1.2 上肢关节结构及运动特点 |
2.2 人体上肢建模 |
2.2.1 常见的人体上肢模型 |
2.2.2 上肢建模的原则 |
2.2.3 人体上肢的D-H模型 |
2.3 上肢运动解算方案 |
2.3.1 多刚体运动模型的数学描述 |
2.3.2 基于D-H模型的解算方案 |
2.4 本章小结 |
3 上肢运动光学跟踪测量方案 |
3.1 光学跟踪系统 |
3.1.1 Optitrack系统简介 |
3.1.2 Optitrack系统使用步骤 |
3.1.3 Optitrack系统摄像头分布方式研究 |
3.2 Optitrack系统测量误差 |
3.3 光学标记点布置及关节角度计算 |
3.3.1 光学标记点的布置 |
3.3.2 关节角度计算 |
3.4 本章小结 |
4 基于光学和惯性跟踪数据融合的运动测量方法 |
4.1 卡尔曼滤波算法原理 |
4.1.1 系统模型 |
4.1.2 算法流程 |
4.2 基于卡尔曼滤波的运动测量实验设计 |
4.2.1 实验系统简介 |
4.2.2 系统对准 |
4.2.3 数据融合的数学模型 |
4.3 测量实验及结果分析 |
4.3.1 无遮挡情况下的测量实验 |
4.3.2 标记点被遮挡情况下的测量实验 |
4.3.3 特殊情况下的测量实验 |
4.3.4 动态协方差实验 |
4.4 本章小结 |
5 基于实时运动测量的外骨骼康复训练系统实验 |
5.1 系统总体实验方案 |
5.2 外骨骼康复训练系统 |
5.2.1 系统硬件介绍 |
5.2.2 系统软件设计 |
5.3 系统虚拟现实仿真实验 |
5.3.1 人体虚拟现实建模 |
5.3.2 实验内容 |
5.3.3 实验结果与分析 |
5.4 系统样机实验及结果分析 |
5.4.1 实验内容 |
5.4.2 实验结果与分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
(10)基于光学运动捕捉的虚拟交互系统开发(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的目的和意义 |
1.2 虚拟现实中的人机交互技术 |
1.2.1 虚拟场景显示技术 |
1.2.2 人体动作的定义与识别 |
1.2.3 实时碰撞检测技术 |
1.3 光学运动捕捉技术及其研究现状 |
1.3.1 光学运动捕捉系统的分类 |
1.3.2 光学运动捕捉系统的应用现状 |
1.3.3 光学运动捕捉技术的理论研究 |
1.4 课题主要研究内容 |
第2章 虚拟交互系统的分析与总体设计 |
2.1 虚拟交互系统的功能和结构 |
2.2 系统的性能及关键技术分析 |
2.2.1 虚拟交互系统的性能需求分析 |
2.2.2 虚拟交互系统的关键技术分析 |
2.3 虚拟交互系统的硬件环境 |
2.4 虚拟交互系统的软件结构 |
2.4.1 软件系统的功能模块 |
2.4.2 软件系统的层次结构 |
2.5 本章小结 |
第3章 虚拟交互环境的构建 |
3.1 系统几何数据接口的开发 |
3.2 人体几何模型的构建 |
3.3 人体上肢运动模型的构建 |
3.3.1 上肢运动模型的层次结构 |
3.3.2 上肢运动模型的构建 |
3.4 模型碰撞检测 |
3.4.1 包围体碰撞检测 |
3.4.2 AABB 层次包围盒检测 |
3.4.3 层次包围盒的优化 |
3.4.4 三角图元检测 |
3.5 本章小结 |
第4章 运动捕捉与模型交互控制 |
4.1 人体运动实时捕捉 |
4.1.1 Vicon 的运动捕捉环境的搭建 |
4.1.2 相机标定 |
4.1.3 标记点的放置 |
4.1.4 实时运动捕捉 |
4.2 运动数据接口的开发 |
4.3 虚拟交互环境中的模型控制 |
4.3.1 模型的运动变换 |
4.3.2 模型的运动控制 |
4.4 抓取动作的定义与识别 |
4.5 本章小结 |
第5章 虚拟交互系统的开发与验证 |
5.1 虚拟交互系统的开发环境 |
5.2 虚拟场景显示模块的开发 |
5.3 系统模型的管理模块的开发 |
5.3.1 模型数据库的设计 |
5.3.2 模型管理和维护界面的设计 |
5.4 虚拟交互系统的实验验证 |
5.4.1 静态基本动作的对应验证 |
5.4.2 实时动态的虚拟交互验证 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
四、一种基于标记点的人体上肢运动检测方法(论文参考文献)
- [1]基于惯性和视觉传感器的人体上肢位姿估计研究[D]. 何百岳. 浙江工业大学, 2020(02)
- [2]基于自回归学习算法的人体运动意图实时感知与预测[D]. 孙磊. 国防科技大学, 2019(02)
- [3]基于上肢惯性参数辅助的步态康复训练方法的研究与设计[D]. 赵君豪. 深圳大学, 2019(01)
- [4]下肢矢状面运动的穿戴式软传感测量系统研究[D]. 秦仕昊. 哈尔滨工业大学, 2019(01)
- [5]基于人体姿态捕捉与虚拟现实技术的肩关节康复系统[D]. 徐如燚. 华中科技大学, 2019(03)
- [6]基于人体上肢运动特性的机器人能耗优化控制策略研究[D]. 侯庆隆. 河北工业大学, 2019
- [7]智能上肢康复训练系统研究与设计[D]. 王怀宇. 上海交通大学, 2019(06)
- [8]基于MA和5DT手套的上肢在线动作捕捉系统[D]. 杜尚. 浙江大学, 2017(08)
- [9]基于光学和惯性跟踪数据融合的上肢运动测量技术及应用研究[D]. 张姹. 浙江大学, 2014(06)
- [10]基于光学运动捕捉的虚拟交互系统开发[D]. 周晓阳. 哈尔滨工业大学, 2012(04)