Real time markerless motion capture and visualisation of human movement

Hva brukes bevegelsesfangst til?
Anvendelsesområdene til bevegelsesfangst kan deles inn i tre kategorier:

Overvåkning
Bevegelsesfangst kan brukes som basis i automatiske overvåkingssystemer som identifiserer mistenkelig oppførsel.

Kontroll
Innsamlede bevegelsesdata brukes til å styre digitale skuespillere i film og dataspill. Bevegelser kan også brukes til å kontrollere datamaskiner via gestbaserte brukergrensesnitt (gesture-based user interfaces).

Analyse
Innen medisin og fysioterapi brukes bevegelsesfangst til å analysere og diagnostisere motoriske lidelser ved hjelp av biomekanikk.

Hvorfor gjøre det på en ny måte?
Den mest brukte metoden i kommersielle systemer for bevegelsesfangst er å bruke infrarøde kameraer og reflekterende markører rundt om på kroppen. Dette gir et sett med punkter som forholdsvis enkelt kan posisjonsbestemmes i tre dimensjoner. Denne metoden har en rekke begrensninger som gjør at vi ønsker å se etter alternative måter å fange bevegelse:

• Det må gjøres tidkrevende etterbehandling av markørposisjonene for å koble disse til de riktige kroppsdelene på en avatar, som gjør metoden lite egnet til sanntidsanvendelser.
• Markørene som plasseres rundt om på kroppen kan virke hemmende for naturlige bevegelser. Dette kan gjøre at de innsamlede dataene ikke er gode nok for biomekanisk analyse.
• De kommersielle bevegelsesfangstsystemene som baserer seg på markører og infrarøde kamera er svært dyre. Dette gjør at utbredelsen er forholdsvis begrenset. Hvis tilsvarende ytelse kan oppnås med vanlige videokameraer vil det åpne for langt større utbredelse og flere anvendelsesområder.

Hvordan skal vi gjøre det?
Vi ser for oss en stegvis fremgangsmåte for å lage et system som fanger menneskelig bevegelse uten bruk av markører:

1. Kalibrere kamerasystemet. Skille interessante deler av bildene (personen hvis bevegelse skal fanges) fra bakgrunnen og spore disse over tid.
2. Estimere posituren til personen basert på de segmenterte bildedataene.
3. Videreutvikle positurestimeringen slik at rotasjonen til leddene og detaljert informasjon om hendenes konfigurasjon kan bestemmes.
4. Utføre eksperimenter i AITeL sitt laboratorium og sammenligne resultatene mot det markørbaserte bevegelsesfangstsystemet der.