無標(biāo)記的光學(xué)測量與慣性測量融合動作捕捉技術(shù)研究*

文/陳曦 黃昌正 周言明 梁銘成 陳明

0 引言

近些年來，隨著全球范圍內(nèi)虛擬現(xiàn)實(shí)(virtual reality，VR)商業(yè)化、普及化快速推進(jìn)，VR 交互方式也由平面界面發(fā)展到虛擬空間追蹤交互，極其強(qiáng)調(diào)沉浸感，而要完全沉浸進(jìn)入虛擬世界，動作捕捉系統(tǒng)必不可少，可以說動作捕捉技術(shù)是VR 產(chǎn)業(yè)隱形鑰。

VR 動作捕捉技術(shù)就是對真人進(jìn)行實(shí)時(shí)地準(zhǔn)確地測量并記錄在真實(shí)三維空間中的運(yùn)動軌跡和姿態(tài)，并將每一時(shí)刻運(yùn)動狀態(tài)還原到虛擬三維空間中的過程，使虛擬角色的動作和表情能像真人一般自然逼真。

VR 中應(yīng)用的動作捕捉系統(tǒng)根據(jù)技術(shù)原理分為慣性動捕和光學(xué)動捕兩大類。光學(xué)動作捕捉系統(tǒng)是通過光學(xué)相機(jī)捕捉物體的連續(xù)運(yùn)動圖像，通過圖像處理識別物體運(yùn)動姿態(tài)；慣性動作捕捉系統(tǒng) 是通過慣性傳感器捕捉運(yùn)動物體的運(yùn)動信息，通過航姿參考 系A(chǔ)HRS(attitude and heading reference system)解算獲得運(yùn)動物體姿態(tài)信息。

1 光學(xué)動作捕捉與慣性動作捕捉的結(jié)合

光學(xué)動作捕捉與慣性動作捕捉兩種動作方案都存在一些缺點(diǎn)：光學(xué)動作方案容易因?yàn)檎趽鯇?dǎo)致丟失關(guān)鍵信息，而慣性傳感器會出現(xiàn)數(shù)據(jù)漂移而帶來誤差。針對上述兩種方案的問題，本研究提出采用慣性動作捕捉與無標(biāo)記光學(xué)視覺動作捕捉技術(shù)相結(jié)合對目標(biāo)人物進(jìn)行動作捕捉（以下簡稱“光慣混合動捕”），在數(shù)據(jù)算法處理上把兩種動作捕捉數(shù)據(jù)進(jìn)行相互融合補(bǔ)充，結(jié)合視覺信息中空間位置的準(zhǔn)確性以及慣性傳感器的靈敏度高、動態(tài)性能好的特點(diǎn)，獲取更為精確的動作信息。

2 整體思路

如圖1所示，光慣混合動捕主要由慣性動捕套件、深度攝像頭、無線數(shù)據(jù)收發(fā)單元以及計(jì)算單元組成。

圖 1 光慣動捕系統(tǒng)組件

慣性動捕套件（圖1中①）由多個(gè)慣性傳感器模組組成，每一個(gè)模組帶有獨(dú)立的供電模塊、無線傳輸模塊，可以維持一段時(shí)間內(nèi)的數(shù)據(jù)獲取及數(shù)據(jù)傳輸，利用慣性傳感器的高采樣率，可以得到實(shí)時(shí)的人體姿態(tài)數(shù)據(jù)。深度攝像頭（圖1中②）可以選用雙目攝像頭或是結(jié)構(gòu)光深度攝像頭，表演者無需事先安裝標(biāo)記點(diǎn)，僅從深度攝像頭獲取的圖像數(shù)據(jù)中檢測到表演者，通過人體姿態(tài)估計(jì)算法得到表演者的關(guān)節(jié)點(diǎn)三維坐標(biāo)，進(jìn)而得到整個(gè)人體模型。無線數(shù)據(jù)收發(fā)單元（圖1中③）用于接收所有慣性傳感器的數(shù)據(jù)以及深度攝像頭的圖像數(shù)據(jù)，并轉(zhuǎn)發(fā)給中央主機(jī)，該設(shè)備保證了數(shù)據(jù)傳輸?shù)膶?shí)時(shí)性。計(jì)算單元（圖1中④）用來處理慣性動捕數(shù)據(jù)以及深度攝像頭的圖像數(shù)據(jù)，通過對兩者數(shù)據(jù)的融合，得到更為準(zhǔn)確的動作姿態(tài)數(shù)據(jù)。

整個(gè)過程中最為關(guān)鍵的步驟是兩種數(shù)據(jù)的融合，當(dāng)前采用經(jīng)典的卡爾曼濾波算法對兩者數(shù)據(jù)融合。相較于獨(dú)立的數(shù)據(jù)來源，融合后的數(shù)據(jù)一定程度消除了數(shù)據(jù)中的誤差，使數(shù)據(jù)更加準(zhǔn)確和更有用。

如圖2所示光慣融合數(shù)據(jù)處理流程，慣性動捕數(shù)據(jù)需要對套件中N個(gè)傳感器數(shù)據(jù)組合為一幀（當(dāng)前使用了17個(gè)傳感器數(shù)據(jù)），并對N個(gè)傳感器數(shù)據(jù)根據(jù)校準(zhǔn)數(shù)據(jù)進(jìn)行修正，修正后的數(shù)據(jù)記做Q1，用以表示人體模型的骨骼姿態(tài)旋轉(zhuǎn)。

采用視覺人體姿態(tài)估計(jì)算法檢測出深度圖像數(shù)據(jù)中的表演者，并估計(jì)出表演者的關(guān)節(jié)點(diǎn)是三維坐標(biāo)以及坐標(biāo)的置信度值,將置信度高的關(guān)節(jié)點(diǎn)坐標(biāo)根據(jù)人體骨骼的相互連接關(guān)系，計(jì)算出骨骼的姿態(tài)旋轉(zhuǎn)值，記做Q2。

圖2 分級光學(xué)與慣性數(shù)據(jù)融合處理流程

由于慣性動捕數(shù)據(jù)的更新速度比視覺動捕數(shù)據(jù)快，因此將慣性動捕數(shù)據(jù)看作為卡爾曼濾波器中的預(yù)測數(shù)據(jù)，而視覺動捕數(shù)據(jù)看作為觀測數(shù)據(jù)。

卡爾曼濾波器的操作包括兩個(gè)階段：預(yù)測與更新。預(yù)測階段，濾波器使用上一狀態(tài)的預(yù)測值（即慣性動捕數(shù)據(jù)Q1），作出對當(dāng)前狀態(tài)的預(yù)測；更新階段，濾波器利用當(dāng)前狀態(tài)的觀測值（即視覺動捕數(shù)據(jù)Q2）優(yōu)化在預(yù)測階段獲得的預(yù)測值，獲得更精確的估計(jì)值，即最終的姿態(tài)數(shù)據(jù)Q。由于視覺動捕數(shù)據(jù)的更新速度較慢的原因，當(dāng)視覺動捕數(shù)據(jù)未更新時(shí)，將采用上一幀的視覺動捕數(shù)據(jù)。

3 慣性動捕的姿態(tài)解算

慣性動作捕捉是使用多個(gè)慣性傳感器準(zhǔn)確地反映出人體的運(yùn)動姿態(tài)。在姿態(tài)解算過程中涉及到的坐標(biāo)系分別有：載體坐標(biāo)系、導(dǎo)航坐標(biāo)系、骨骼坐標(biāo)系、世界坐標(biāo)系。載體坐標(biāo)系是指慣性傳感器物體本身的坐標(biāo)系，由傳感器模塊中IMU(inertial measurement unit)擺放的方式?jīng)Q定；導(dǎo)航坐標(biāo)系是指IMU 在融合了陀螺儀、加速度計(jì)、磁力計(jì)之后的原始坐標(biāo)系，當(dāng)前使用的IMU 采用的是“東北天”坐標(biāo)系作為導(dǎo)航坐標(biāo)系；骨骼坐標(biāo)系是指單個(gè)骨骼的坐標(biāo)系，每個(gè)肢體均有自己的骨骼坐標(biāo)系，該坐標(biāo)系在創(chuàng)建骨骼的時(shí)候決定；世界坐標(biāo)系是指一個(gè)虛擬的坐標(biāo)系，表演者在行走時(shí)參考的坐標(biāo)系（見圖3）。

慣性動捕姿態(tài)解算的目的是，利用慣性傳感器的姿態(tài)來獲得骨骼的局部坐標(biāo)系相對于世界坐標(biāo)系的姿態(tài)變化。簡而言之，就是把載體坐標(biāo)系轉(zhuǎn)換為世界坐標(biāo)系。

圖3 世界坐標(biāo)系與骨骼姿態(tài)坐標(biāo)系

在進(jìn)行姿態(tài)解算前需要進(jìn)行校準(zhǔn)的工作，目的是確定導(dǎo)航坐標(biāo)系與世界坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。校準(zhǔn)的過程是表演者穿戴好慣性動捕套件，并作出規(guī)定的動作，例如Z-Pose 或I-Pose（如圖4），軟件將會記錄此時(shí)的傳感器數(shù)據(jù)。

圖4 Z-Pose（左）與I-Pose（右）

4 視覺動捕的姿態(tài)估計(jì)

本次采用的 人體姿態(tài)估計(jì)算法采用自頂而下的 設(shè)計(jì)方式，即先檢測出多個(gè)人，再對每一個(gè)人進(jìn)行姿勢估計(jì)。

首先采用ACNet(attention complementary Net)對深度圖像數(shù)據(jù)進(jìn)行語義分割，其特點(diǎn)是采用集成了注意力機(jī)制的三平行分支架構(gòu)對彩色圖像和深度圖像分別采樣，并同時(shí)進(jìn)行融合。兩個(gè)獨(dú)立分支根據(jù)每一層特征所包含的信息量設(shè)計(jì)多個(gè)注意力輔助模塊來平衡特征的分布，使網(wǎng)絡(luò)更加關(guān)注圖像的有效區(qū)域，第三個(gè)獨(dú)立分支用于融合彩色圖像特征和深度信息特征，最后經(jīng)過多次上采樣得到分割結(jié)果。三分支架構(gòu)和注意力輔助模塊較好地平衡了深度圖像數(shù)據(jù)中彩色圖像特征和深度圖像特征，可以得到一個(gè)較好的人物分割對象，為后續(xù)的關(guān)節(jié)點(diǎn)的檢測提供一個(gè)好的依據(jù)。

在檢測得到行人之后，通過CPM(convolutional pose machine)進(jìn)行關(guān)鍵點(diǎn)的檢測。CPM 使用多階段順序化的卷積架構(gòu)來表達(dá)空間信息和紋理信息，在每一個(gè)階段下，輸出不同尺度的特征圖并計(jì)算各個(gè)關(guān)節(jié)點(diǎn)的響應(yīng)圖，對于每個(gè)關(guān)節(jié)點(diǎn)累加所有尺度的響應(yīng)圖得到總響應(yīng)圖，在每個(gè)關(guān)節(jié)點(diǎn)的總響應(yīng)圖上找出響應(yīng)最大的點(diǎn)，該點(diǎn)便是關(guān)節(jié)點(diǎn)位置坐標(biāo)及置信度。圖5展示的則是在深度圖像中，檢測并估計(jì)出的人體姿態(tài)模型。

圖5 利用深度攝像頭構(gòu)建的地圖以及識別到的表演者模型

該算法還在手部姿態(tài)估計(jì)上得到了應(yīng)用，并部署在手機(jī)等移動端上（如圖6）。

圖6 人體姿態(tài)計(jì)算法對移動端的手部姿態(tài)估計(jì)

5 卡爾曼濾波進(jìn)行數(shù)據(jù)融合

卡爾曼濾波器由一系列遞歸數(shù)學(xué)公式描述，它提供了一種高效可計(jì)算的方法來估計(jì)過程的狀態(tài),并使估計(jì)均方誤差最小?？柭鼮V波器應(yīng)用廣泛且功能強(qiáng)大:它可以估計(jì)信號的過去和當(dāng)前狀態(tài),甚至能估計(jì)將來的狀態(tài),即使并不知道模型的確切性質(zhì)。

在卡爾曼濾波預(yù)測步驟中，卡爾曼濾波算法會根據(jù)前期已采集數(shù)據(jù)計(jì)算出一個(gè)目前狀態(tài)的估計(jì)值，此估算值存在一定的不確定性；在更新步驟中，根據(jù)新采集數(shù)據(jù)結(jié)果（包括一定程度的隨機(jī)噪聲），使用加權(quán)平均來更新估計(jì)值，并賦予確定性更高的權(quán)重，使得更新的估計(jì)值更穩(wěn)定并與實(shí)際情況更接近。卡爾曼濾波算法可以在實(shí)時(shí)控制系統(tǒng)中執(zhí)行，僅使用當(dāng)前輸入測量值和先前計(jì)算的狀態(tài)及其不確定性矩陣即可，不需要其他以往的信息。

由于慣性動捕數(shù)據(jù)的更新速度相較于視覺動捕數(shù)據(jù)的更新速度更快，因此假定慣性動捕數(shù)據(jù)為卡爾曼濾波器中的預(yù)測數(shù)據(jù)，視覺動捕數(shù)據(jù)作為卡爾曼濾波器中的觀測數(shù)據(jù)。每次在進(jìn)行數(shù)據(jù)處理時(shí)，都會執(zhí)行卡爾曼濾波算法的兩個(gè)步驟，當(dāng)視覺動捕數(shù)據(jù)未及時(shí)更新時(shí)，則對上一次的數(shù)據(jù)進(jìn)行更新。

需要注意的是，在卡爾曼濾波器中需要給定預(yù)測數(shù)據(jù)（慣性動捕數(shù)據(jù)）以及觀測數(shù)據(jù)（視覺動捕數(shù)據(jù)）的噪聲協(xié)方差矩陣，因此，在前期分別對兩種動捕方法獨(dú)立運(yùn)行一段時(shí)間，表演者做單一動作或是規(guī)定的動作序列后，通過這段時(shí)間的數(shù)據(jù)與預(yù)期數(shù)據(jù)進(jìn)行對比計(jì)算，得到兩種數(shù)據(jù)的噪聲協(xié)方差矩陣。

如圖7，是根據(jù)對慣性動捕和視覺動捕數(shù)據(jù)進(jìn)行降維仿真實(shí)驗(yàn)的結(jié)果，黑色曲線為慣性動捕的數(shù)據(jù)，綠色曲線為視覺動捕數(shù)據(jù)，黃色曲線為經(jīng)過卡爾曼濾波得到的實(shí)時(shí)數(shù)據(jù)。慣性動捕數(shù)據(jù)的更新時(shí)間約為視覺動捕數(shù)據(jù)更新時(shí)間的1/5，表演者的左臂做抬起和放下的動作，在骨骼坐標(biāo)系中的X軸上，數(shù)據(jù)理論上應(yīng)表現(xiàn)為與正弦函數(shù)相近，實(shí)際測量的結(jié)果如圖，而在經(jīng)過數(shù)據(jù)融合后可以看到數(shù)據(jù)隨著時(shí)間的推移，通過不斷的迭代趨于平滑，并與滿足理論數(shù)據(jù)基本相符。

圖7 慣性動捕數(shù)據(jù)與視覺動捕數(shù)據(jù)仿真

6 結(jié)語與展望

在實(shí)際操作中，將光學(xué)動作捕捉得到的數(shù)據(jù)與慣性動作捕捉得到的數(shù)據(jù)通過卡爾曼濾波器進(jìn)行融合，使最終的數(shù)據(jù)更加穩(wěn)定且準(zhǔn)確，在一定程度消除掉兩種傳感器的誤差數(shù)據(jù)并形成優(yōu)勢互補(bǔ)。

光學(xué)動作捕捉中，對比普通二維攝像頭，深度攝像頭在解決遮擋問題上雖然有很大的提升，但如果遮擋比較嚴(yán)重的時(shí)候依然會有較大的影響；同時(shí)，由于采用了深度學(xué)習(xí)的方案，對于硬件資源要求較高。

根據(jù)目前各大增強(qiáng)現(xiàn)實(shí)（AR）眼鏡設(shè)備發(fā)展情況看，AR 移動環(huán)境下的實(shí)時(shí)人體運(yùn)動姿態(tài)捕捉與識別將是未來AR 交互的重要發(fā)展方向。在未來的工作中，希望可以對光學(xué)動作捕捉下的姿態(tài)估計(jì)算法作進(jìn)一步提升，或者是隨著硬件資源的不斷升級，將計(jì)算單元改為移動設(shè)備，并與光學(xué)傳感器做成一個(gè)設(shè)備，結(jié)合SLAM(simultaneous localization and mapping, 同步定位與建圖)算法，在表演者運(yùn)動的同時(shí)不斷移動設(shè)備，尋找更優(yōu)的拍攝角度，這樣既可解決遮擋問題，同時(shí)也能增加運(yùn)動的空間范圍。