Codamotion三維動作捕捉系統在步態分析中的應用

張朕

摘 要：在視頻偵查越來越普及，越來越有效率的今天，分析監控視頻中嫌疑人的行走步態特征已經成為偵查破案重要的一環，但是在破案一線工作中，視頻中人體運動信息卻往往僅憑人的觀察和總結，應提供大量的數據實驗以及量化標準支撐。Codamotion三維動作捕捉系統能有效準確的分析人體運動上的規律，總結出人體運動的穩定特征和特定特征，為偵查破案提供有效的數據支持。

關鍵詞：三維動作捕捉 步態分析 視頻監控

中圖分類號：DF7 文獻標識碼：A 文章編號：1672-3791（2017）09（b）-0197-02

步態是指人們行走時的方式，這是一種復雜的行為特征。同時，步態特征又具有較高的穩定性和特定性。步態特征的分析有著多方面的研究價值，在醫療領域，對于進行康復治療的人進行步態分析，以確定治愈程度和康復計劃的可行性；在運動領域，結合運動生物力學來幫助運動員更高效地進行體育運動、以優化和提高運動成績；在人身識別方面，雖然現在的識別方法較為先進，例如人臉識別，指紋識別，虹膜識別等，但是步態識別方法在人身識別方法中獨具特征——遠距離性和隱蔽性等。還可以結合行為人步態的變化來對足跡特征作出具體的量化分析，對足跡學進行更深入的量化研究。

步態具有唯一性。早期的醫學研究已經證明了步態雖然是一種復雜的行為特征，但具有唯一性。步態是很難偽裝的，即具有穩定性。

本文介紹的在國內外現階段都屬先進的人體三維動作捕捉系統codamotion，對于研究人體行走時上肢和下肢等肢體關節及身體部位對應的變化規律有著獨特的優勢，為進一步人體運動規律的分析和識別做出基礎性分析與分類，以確定具有較高分析價值的關節、肢體部分及其對應的分析策略。

1 實驗方法

Codamotion系統是世界上較為先進的三維動作捕捉系統，以主動紅外捕捉的方式，獲取被捕捉物體各環節的動作，提供便捷、高效、精確的三維數據采集，被廣泛應用于動作科研分析、步態生物力學研究、臨床步態分析、神經行為和感知、人機工程學等各個領域。單個采集點動態采集頻率最高達5800hz，分辨率高達0.05mm，完全可以適用于人體各種運動動作的分析中。Codamotion系統可在數分鐘內完成任意marker方案的設定，自定義曲線圖表、棍狀演示圖、實時設置、關節角度、剛體均可定義，做到精確分析單個標記點的位置變化以及多個標記點之間的相對關系，對人體的步態特征進行量化描述。

1.1 實驗準備

首先對受試者進行基礎信息采集，包括受試者性別、年齡、身高、體重等，然后依據年齡對受試者進行分組。

（1）著裝要求：要求受試者身穿著緊身衣褲，使標記點更靠近人體骨骼，系統建模更準確。實驗人員專門采購的平底布鞋同一款式不同型號若干雙，由受試者選擇適合自己的穿著。

（2）貼marker標記點：由一名專門試驗人員負責粘貼marker，保證每個人用同樣的粘貼標準，粘貼在相同部位。確保左右對稱，如果條件允許，則依據人體骨骼模型，對應骨關節進行貼點。

（3）在采集測試數據時，若區分速度，則采用節拍器對受試者步頻進行適應性訓練。行走時，保證受試者目視前方，身體自然。

1.2 實驗方法

實驗需在室內進行。由專門負責粘貼marker的實驗人員貼點后，讓受試者自由活動一段時間，以適應穿戴實驗裝備后運動的狀態。如果實驗要求對受試者不同速度進行分別實驗收集數據，則需要受試者按照節拍器的節奏進行行走準備，以保證速度控制在要求的范圍內。

實驗進行時，受試者在要求的范圍內做行走或者慢跑動作，由于數據采集的marker點會受到衣物或者肢體部位的遮擋，進而對實驗數據的完整性造成影響，所以在每種測試條件下應多進行幾次實驗。數據采集后應及時保存有效運動信息，刪除無效數據，避免對冗余數據對計算機運算速度造成影響。

1.3 數據分析

利用Codamotion系統可以準確高效的采集到實驗研究中所需要用到的數據，這比傳統的數據采集精度更高，速度更快，可以不斷變換數據采集策略進行研究。利用codamotion系統對對象身體關節及部位的運動狀態進行數據采樣。這套系統所采集的數據為三維坐標模型數據，能輸出然后利用數據分析軟件SPSS Statistics 或者MATLAB軟件對系統所采樣到的數據進行分析擬合，并根據分析結果得出結論，判斷該項數據所反映的關節及部位是否具有穩定性和特定性，最終確定所提取的數據和分析方法的有效性和魯棒性。

實驗所提取的各部位運動特征數據是為后期數據分析，確定不同個體的獨特性，個體識別做準備。個提識別是根據所得未知身份人的步態，在數據庫中搜尋與之匹配的人的步態，從而確認其身份[2]。這個過程中會用到SPSS Statistics 20.0和MATLAB R2014b軟件對需匹配的數據進行分析，在分析過程中，結合了國外較為先進的肢體數據分析方法，對數據中蘊含的特征分量進行合理放大分析以便于深入開發數據的有用性，并制定匹配方案，最終得出匹配率。

2 比較分析

國內外較多的步態分析研究團隊采用的是基于視頻域分析的方法。但是罪犯或許會通過化裝改變自己的外貌，謹慎的不讓指紋或頭發留在作案現場，但他們卻很難控制他們走路的姿勢。步態風格的微小變化可以被用作生物標識符來識別個體的人。該參數有時空相關（步長，步寬，步速，周期時間）和運動相關（髖，膝，踝，指的是髖/膝/踝關節角度和大腿/軀干關節旋轉/腳角度）等的特性[3]。

在人員監控，身份識別以及視頻偵查領域，較多的是直接運用視頻數據分析，但筆者認為，基于視頻、圖像的身份識別，步態分析等應用，應該是建立在對人體本身運動特征的分析基礎之上。

（1）先以數據為支撐，通過更為標準嚴格的運動三維數據來確定人體運動是否具有同一人同一狀態下的穩定性。國內外的研究大多數是建立在默認這一結論的基礎上，但是并沒有大量的實驗數據支撐。endprint

（2）繼而通過實驗論證，數據分析出人體某些部位，關節點等在特定運動條件下的各個特征分量具有穩定性，可分析性。

（3）重點是在確定穩定性的基礎上，對這些特征進行分類，確定不同運動特征變量閾值。同時確定不同識別算法，并通過對比，可行性論證確定特征價值。

本文采用的實驗設備codamotion系統通過直接準確的采集運動狀態信息，直接分析人體運動的特征，對于捕捉運動過程中肢體關節及身體部位的運動有著較為獨特和先進的采集辦法，無需考慮復雜的背景干擾和行走環境問題，對步態數據實現了全方位，高頻率的采集。這樣與直接運用視頻圖像的研究思路相比，研究思路更為清晰，結論支撐更為強大，數據基礎更為準確。基于視頻的研究是本研究方向的下一個目標，只有基礎理論充足，下一步研究才更具科學性。并且視頻域的圖像目標識別和提取是一項長久的跨學科的任務，需要與步態特征并行研究，本文研究思路可縮短實現步態識別研究成果的時間。

本項目研究特點和創新之處在于采用了國內外較為先進的codamotion三維動作捕捉系統，分析算法上借助spss軟件以及借助matlab軟件在算法開發、數據可視化、數據分析以及數值計算等方面較為高級開發研究環境，在步態分析領域實現更高水平的數據挖掘。

3 結語

近年來，視頻監控領域，偵查犯罪領域，運動健康恢復領域等都需要在人體步態分析方面的研究成果。隨著計算機技術以及人工智能的強勢發展，科研人員越來越對步態識別投入更多的重視，尤其在視頻偵查方面，對監控錄像中的人員進行步態分析和確定識別個體方面，有著極其重要的意義，這都促進了這一領域的深入研究。繼指紋識別，虹膜識別，DNA鑒定，人臉識別之后，步態識別將會再次掀起人身個體識別的新浪潮，從而實現遠距離對人體遠距離這一其他識別方法無法達到的能力[4]。同時還將帶動，圖像模式識別，醫學研究，光電設備，新型安防設備等領域的大力發展。

參考文獻

[1]胡榮.人體步態識別研究[D].華中科技大學，2010.

[2]曾瑩.基于角度及輪廓特征的步態識別方法研究[D].中南大學，2008.

[3]黃濤，李新建.籃球專項學生的步態特征和足底壓力研究[J].運動，2015（19）：88-89.

[4]鄭曉雯，王仝杰，李彩琴.基于步態的人體身份檢測與識別[J].計算機工程與應用，2004，40（5）：82-83.endprint