運動視覺跟蹤中動作捕獲器的嵌入式設計

徐大成

摘 要： 為了提高運動視覺跟蹤的準確度，設計了運動中的動作捕獲器，包括12個傳感器節點和1個傳感器數據匯聚節點。傳感器節點由ADXL345加速度傳感器、L3G4200D陀螺儀以及LSM303DLH地磁傳感器構成，12個傳感器節點部署到行人肢體各部位，獲取行人不同肢體部位的九軸傳感器數據，對獲取的數據實施預操作。數據匯聚節點采集不同傳感器節點中的數據，將全部數據傳遞到計算機中進行分析。計算機依據獲取的數據，驅動三維人物模型呈現行人的動作捕獲結果。實驗結果表明，所設計的動作捕獲器具有較高的精度和穩定性。

關鍵詞： 視覺運動； 動作捕獲器； ADXL345； L3G4200D； LSM303DLH

中圖分類號： TN850.6?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）18?0089?03

Embedded design of motion capturer in movement vision tracking

XU Dacheng

（Inner Mongolia University for Nationalities， Tongliao 028000， China）

Abstract： In order to improve the accuracy of movement vision tracking， a capturer for moving action was designed， which includes 12 sensor nodes and one sensor data gathering node. The sensor node is composed of the ADXL345 acceleration sensor， L3G4200D gyroscope and LSM303DLH geomagnetic sensor. 12 sensor nodes are deployed to each body part of pedestrian to acquire the 9?axle sensor data of pedestrian′s different body parts for pre?operation. The data gathering node captures the data of different sensor nodes， and then all the data are transferred to computer for analysis. The computer relying on the acquired data drives 3D character model to present the captured motion results of pedestrian. Experiment result shows that the motion capturer has high accuracy and stability.

Keywords： motion vision； motion capture； ADXL345； L3G4200D； LSM303DLH

當前的運動視覺跟蹤是模式識別領域的熱門項目。傳統運動視頻跟蹤方法通常采用人為總結、評估，科學性、實用性以及實時性較差[1]。而由于電子科學技術的高速發展，運動過程中動作捕獲技術廣泛應用在醫學、影視以及軍事等領域。因此，采用動作捕獲器采集行人的運動情況，對行人進行科學訓練和評估[2]，可大大提升行人的圖像跟蹤質量。

1 運動中的動作捕獲器的嵌入式設計

1.1 總體設計

該設計的運動動作捕獲器包括12個傳感器節點和1個數據匯聚節點，其總體結構如圖1所示。傳感器節點對行人不同的肢體部位的傳感器數據進行收集和預操作；數據匯聚節點將采集到的傳感器節點數據進行整合后反饋到計算機中[3]進行圖形化顯示。

1.2 人體結構分析

動作捕獲器對行人動作進行捕獲時，需要先對行人的肢體結構進行簡化分析，將人體當成是由肢體和關節構成的剛體，采集行人在運動過程中的重要運動變化特征，如圖2所示。因此，動作捕獲器將12個傳感器節點部署到人體的手背、大臂、頭、腹部、大腿等9個重點部位中的12個位置，采用這些動作捕獲傳感器節點獲取行人的九軸傳感器數據，對行人的運動情況進行分析。

1.3 動作捕獲器的電路設計

1.3.1 傳感節點電路設計

傳感器節點采集行人運動姿態信息的模塊，其通過傳感器芯片獲取行人在運動時不同肢體的運動數據[4]。設計的傳感器節點可獲取加速度傳感器、角速度傳感器以及地磁傳感器，其結構如圖3所示。

從圖3可以看出，傳感器節點的微處理器是高質量小體積的8位AVR處理器以及ATmega32，其能夠對行人肢體運動數據實施收集和預操作，該處理器集成了I2C接口和SPI接口，完成傳感數據的通信[5]。采用ADXL345加速度傳感器，將行人運動過程中的加速度變換成能夠檢測的電信號，其存在3 磁場通道以及3加速度通道，可輸出16位數字信號，對加速的檢測過程中具有較高的平穩性。采用LSM303DLH地磁傳感器，其按照行人肢體在地磁場內不同運動情況下感應的地磁場情況，描述出行人的運動姿態[6]。通過L3G4200D陀螺儀檢測行人運動過程中6個不同方向的加速、變化軌跡和位置等信息。該陀螺儀中的數字濾波器能夠去掉陀螺儀運行過程中形成的累積誤差，解決傳感器受到溫度影響出現的數據波動問題。

1.3.2 匯聚節點電路設計

數據匯聚節點是動作捕獲器內傳感器節點與計算機間進行信息交流的紐帶，其能對傳感器節點進行控制，從不同的傳感器節點中采集數據，將整合后的數據反饋到計算機的無線接收模塊中。它的微處理器也是ATmega32，可確保行人動作捕獲的實時性，其硬件結構如圖4所示。endprint

2 動作捕獲器的軟件設計

2.1 動作捕獲流程

動作捕獲器的軟件對運動傳感器數據的獲取、操作和傳遞過程進行控制，設計了動作捕獲器運行過程中的數據流向[7]，如圖5所示。通過傳感器數據處理動態鏈接庫，將傳感器原始數據變換成可在計算機中進行分析的格式。

2.2 傳感器節點的數據采集

動作捕獲器中的傳感器節點對獲取的行人九軸數據實施預操作，去掉加速度傳感器輸出數據中的雜質、調整角速度傳感器中的累積誤差、對地磁數據受到周圍環境干擾產生的磁場進行調整[8]，確保獲取更加精準的行人九軸傳感器數據，為后續行人姿態評估提供可靠的分析依據。傳感器節點的軟件設計流程如圖6所示。

傳感器節點開始運行后，對其中的微處理器實施初始化設置，再對三種傳感器芯片中存儲的數據進行采集，通過合理的數據操作方法對獲取的數據實施預操作，等待數據匯聚節點通過SPI接口進行讀取。若完成數據的讀取，則傳輸節點數據幀頭、節點數據編號、九軸數據、校驗碼以及節點數據幀尾數據，否則繼續等待匯聚節點讀取。

2.3 匯聚節點的數據傳輸

動作捕獲器內的匯聚節點可基于程序設置的順序，采集不同傳感器節點中的數據，分析采集到的數據是否準確，對采集的數據實施融合后傳到計算機。匯聚節點還可響應計算機傳遞的管理指令，對傳感器節點的采樣頻率、工作模式設置以及參數進行調整[9]。匯聚節點程序設計流程如圖7所示。

動作捕獲器運行后，對數據匯聚節點實施初始化設置，再采集傳感器數據。依據程序設置的采集次序，降低首個傳感節點的片選信號，采用SPI數據總線采集該節點內的九軸傳感器數據幀后，提升該節點的片選信號；對采集到的數據實施校驗分析，若分析結果同數據幀內的校驗位數值一致，則說明準確接收了該幀數據，對后續傳感器節點中的數據進行采集；否則，說明未準確接收該幀數據，數據存在缺失問題，將該節點過濾掉，對相應傳感器節點數據實施重新采集。匯聚節點采集到全部傳感器節點的數據后，對數據進行匯總后融入幀頭以及幀尾，通過藍牙模塊反饋給計算機進行分析和顯示。

3 實驗分析

實驗采用本文設計的動作捕獲器，對某體育高校2012級行人在5—8月期間的運動情況進行檢測，驗證本文動作捕獲器的性能。通過Visual C++ 6.0開發環境，設計可呈現動作捕獲結果的軟件。實驗過程中，本文動作捕獲器通過12個傳感器節點和1個匯聚節點捕獲行人的運動數據，結果如圖8所示。從圖中可以看出，左端是行人做出不同的動作，右端是本文動作捕獲器捕獲的行人九軸動作顯示結果，可以看出本文捕獲器能完成行人動作的準確捕獲，是有效的。

實驗對比本文捕獲器和基于單目視覺捕獲器進行動作捕獲的性能，結果如表1所示。從表中可以看出，相對于基于單目視覺捕獲器，本文捕獲器的復雜度低、運動跟蹤平均效率高，對行人動作的捕獲準確性高。

實驗對比分析了兩種捕獲器捕獲行人動作過程中的關節點坐標誤差，結果如圖9所示。能夠看出，本文捕獲器的誤差低于基于單目視覺捕獲器，說明本文捕獲器具有較高的精度和穩定性。

4 結 論

本文設計了運動中的動作捕獲器，其可實時獲取行人不同傳感器節點中的數據，這些數據通過匯聚節點反饋到計算機中顯示。實驗結果說明，該種動作捕獲器的效率和精度都較高，取得了令人滿意的結果。

參考文獻

[1] 周海瀾，黃文敏.基于獎牌分布的田徑運動競爭格局特征探析[J].山東體育學院學報，2016，32（3）：85?90.

[2] 王國棟，陳宏君，劉克金.順序控制圖源代碼形成方案設計與實現[J].計算機技術與發展，2016，26（3）：149?153.

[3] 潘慶慶，陳蓓.田徑運動損傷的致因及預防手段[J].中國體育教練員，2015，23（3）：63?64.

[4] 王國偉.基于視覺圖像的田徑失誤動作識別仿真[J].計算機仿真，2016，33（4）：274?277.

[5] 李金泉，王東，胡文振，等.基于ZYNQ異構多核處理器的人體動作識別系統[J].單片機與嵌入式系統應用，2016，16（8）：27?29.

[6] 張瑒，許林，孫廣毅.基于RGB?D攝像機與IMU數據融合的動作捕捉系統[J].系統仿真學報，2015，27（10）：2582?2588.

[7] 章成武，張露，李朝東.直線超聲波電動機嵌入式機器人手指驅動實驗研究[J].微特電機，2016，44（9）：26?28.

[8] 張作運，劉科征，王向強.基于Kinect V2動作捕捉系統的設計與實現[J].廣東通信技術，2016，36（10）：66?69.

[9] 楊俊超，史越，楊達玲，等.基于動作捕捉的航空裝備虛擬維修訓練系統[J].裝甲兵工程學院學報，2016，30（4）：78?82.

[10] 黃學祥，時中，宋愛國，等.基于慣性動作捕捉的主從遙操作關節空間直接控制方法[J].東南大學學報（自然科學版），2016，46（2）：283?288.endprint