CS

这是一篇关于人体运动建模的文章，从单目相机中拍摄的人体运动视频来生成物理真实的计算机人体3d运动。

人体运动姿态检测系统设计.pdf

运动分析 基于来自手机的加速度计/陀螺仪数据的人体运动分类 data-gathering包含从智能手机收集实时数据并将其转储到磁盘所需的所有代码 datasets包含我们用于训练模型的训练和验证数据 logs随时间推移的模型性能 models预训练模型 进行数据分析的src应用程序 自己测试实时分类器 首先设置您的环境： 安装node.js和python 2.7 进入data-gathering文件夹并运行npm install 进入src文件夹并运行easy install sklearn docopt 该应用程序包含三个部分：在电话上运行并获取数据的网站；以及在计算机上运行并接收数据的node.js应用程序； 一个对数据进行分类的python应用。 得到两个终端和... 在1号航站楼： $ cd src $ python dataset.py --model ../mod

基于OpenGL的三维人体运动模型实现，

touchdesigner，人体运动、视频效果粒子碰撞效果

人体运动数据采集.pdf，这是一份不错的文件

在人体运动目标检测部分,根据室内监控的特点,提出了先采用统计平均法获取室内背景,然后选用背景减除法对运动目标进行检测,接着利用改进的区域增长法对属于同一目标的像素区域进行合并,判断并提取人体目标。在人体跟踪部分,使用卡尔曼滤波器预测目标参数,再根据预测参数跟踪人体目标,得到行人的运动轨迹。利用Matlab/Simulink对整个系统进行建模仿真,并不断修正算法的参数。通过室内实际采集的几个视频序列进行试验,该算法能够正确地检测并且跟踪运动的人体。

针对目前智能手机识别人体运动状态种类少、准确率低的问题，提出一种利用加速度传感器和重力传感器分层识别人体运动状态的方案。首先，利用加速度和重力加速度的关系计算出与手机方向无关的惯性坐标系下的线性加速度；其次，根据人体运动频率的变化范围和线性加速度矢量来确定脚步的波峰和波谷位置；最后，提取线性加速度在时域上的特征向量，使用层次支持向量机方法分层识别人体运动状态。实验结果表明，该方法能有效识别人体6种日常运动状态，准确率达到93.37%。

matlab求导代码OpenSim中的算法差异化（AD-algodiff） 该存储库包含代码和数据，以生成基于OpenSim的人体运动轨迹优化，同时利用算法差异（AD），如Falisse A，Serrancoli G，Dembia C，Gillis J，De Groote F，（2019）中所述。 算法差异提高了基于OpenSim的人体运动轨迹优化的计算效率。 PLoS ONE 14（10）：e0217730，。 我们通过名为Recorder的自定义源代码转换工具以及运算符重载工具ADOL-C在OpenSim中启用了AD的使用。 为此，我们修改了OpenSim和Simbody的源代码。 然后，我们在OpenSim之间开发了一个接口，以解决轨迹优化问题。 CasADi是用于非线性优化和算法微分的工具。 在解决一系列轨迹优化问题时，我们比较了通过记录器（AD-Recorder）和ADOL-C（AD-ADOLC）实现的使用标准有限差分（FD）与AD的计算效率。 这些问题包括扰动平衡的模拟，步行的二维预测模拟和步行的三维跟踪模拟。 我们发现通过Recorder使用AD比使用FD快1.8±0.1