实验研究的深度学习RGB-D追踪虚拟远程人体模型重建

文摘

跟踪运动身体的自然生活环境的一个人是一项具有挑战性的任务。这样的跟踪信息可以用作检测任何发作的异常运动模式的一部分或作为一个远程监控环境的一部分。跟踪信息可以映射和可视化使用虚拟化身的模型跟踪的人。本文最初的小说实验研究使用商用深度学习身体的跟踪系统基于RGB-D传感器虚拟人体模型重建。我们进行我们的研究在一个室内环境在自然条件下。研究跟踪器的性能,我们实验研究的输出跟踪的形式框架(模式)在几种条件下的数据结构,以观察其鲁棒性和识别其缺点。此外,我们将展示和研究通用模型可以映射为虚拟人体模型重建。发现深度学习跟踪方法使用一个RGB-D传感器容易受到各种环境因素导致缺乏和存在噪声估计结果骨骼关节的位置。这个结果为进一步引入了挑战虚拟模型重建。我们提出一个初始方法等补偿噪声导致一个更好的时间变化捕获的骨骼的关节坐标数据。 We explored how the extracted joint position information of the skeleton data can be used as a part of the virtual human model reconstruction.

1。介绍

最近的进步在环境传感相结合的视觉和深度传感模式(RGB-D)使调查他们的各种潜在的应用程序远程跟踪和重建活动。这种系统可以集成的远程医疗康复和流动监测框架内老化的人口。从历史上看,跟踪人体的四肢已经完成在实验室设置配备一个红外传感器网络,这个话题可以穿反光标记连接的集合。通过三角测量的感觉到标记的位置,然后可以获得的空间位置标记对常见的坐标系。这些信息然后为了重建相关的简笔画模型连接身体的四肢(即。,骨架模型)1- - - - - -5]。有其他类型的可穿戴传感器最近流行的主要运动参数估计整个身体的运动和它的各种肢体。这些基本传感模式可以由惯性测量单元(6),收集了射频识别(7),或位置传感集成在外骨骼装置(8]。

最近,各种商用深度学习方法对2 d的身体独自跟踪提出了RGB视觉传感。这些算法的结果然后结合深度感知为进一步供应空间跟踪对象的信息。图1描述了三个不同的理想跟踪结果从三个不同的商用算法。例如,Nuitrack [9]提供了一个深度学习身体跟踪基于19共同模型表示。该系统还提供了一些指导方针在模型创建动画《阿凡达》在统一的环境。另一个可用的深度学习骨架跟踪算法是通过Cubemos提供(10]。像Nuitrack算法,主要骨架跟踪方案通过利用RGB图像的主题。深度数据用于进一步提高提取的简笔画的关节位置的坐标模型,该模型由一个18-joint骨架模型。最近,Azure Kinect (11)发布了另一个深度学习SDK,提出理想的监测条件下跟踪32-skeleton联合模型。除了上述之外,其他类似的研究和发展提出了在使用多个RGB信号(12)基于只使用深度数据和方法(13- - - - - -14]。

在这篇文章中,我们实验研究的性能一个可用的、有代表性的深度学习人体跟踪算法,即Cubemos [10]。该算法通过英特尔发布RealSense RGB-D传感器(15]。我们关注的实现传感器跟踪一个人在一个室内环境。我们研究的一个典型表现这样一个跟踪方案和挑战将提取的骨骼坐标为《阿凡达》的重建模型中创建统一的环境。这样的虚拟模型重建使用估计感觉到联合模型可以有许多实际应用在远程监控和远程医疗的老年人。这些可以跟踪各种步态的老年人在康复阶段或在他们的活动识别相关的痴呆或发展严肃游戏的室内运动。

2。应用Cubemos身体追踪

在本节中,我们提出一个新颖的调查数据通过Cubemos的实现(10人体跟踪算法。在这个实现中,在理想的条件下,从感觉到的信息数据映射到一个模型中描述图2。总体目标是记录感觉信息通过视觉和深度感知自然室内设置在自然光照条件下,计算出简笔画(骨架)实时跟踪数据,并重建一个虚拟人模型使用捕获的数据。

下面,我们首先介绍一些典型的实验结果通过跟踪运动的主题。这是发现,在大多数情况下,跟踪信息会导致不一致的数据或丢失信息的变化。结果,这可以介绍挑战任何重建的虚拟人模型的基础上,跟踪数据,可以导致一个不切实际的或扭曲的虚拟模型。虽然存在很多方法可以设计和集成各种补偿算法,在后续的章节中,我们提出一些非常基本的方法可以用来获得改进的跟踪和重建结果。

在一个理想的跟踪设置环境光线充足的地方,一个人的全身是可见的,静止的(准静态),和面临的传感器,骨架跟踪算法可以执行在构造估计联合图模型固定关节的位置。例如,图3显示了一个覆盖联合图模型的一个人在一个房间里面对传感器和希望。因为它捕获的帧图中可以看到3,跟踪器很容易能找到大部分的骨架数据(图3(一个))除了联合与头部的左侧(关节15和16个图2)。通过引用图2显然,这些关节可以进一步被贴上用不同颜色的可视化,例如,蓝色的关节是鼻子(头),绿色的联合是胸部,和红色的关节是手腕和脚踝(图3 (b))。剩余的黄色的关节是正确的耳朵和眼睛,肩,肘,臀部和膝盖总共18可用图表示的关节。

图4显示了一个类似的跟踪帧的图3所有的探测和跟踪关节显示相应的额外的分段点云与附近的追踪骨骼关节和四肢,例如,头,身体躯干和四肢。这个分段点云信息创建和利用提出了新的基于估计算法的一部分。这个位置信息与这些分段点云是用作相关的信息来源,进一步估计丢失的联合数据或过滤任何嘈杂的信息在运动跟踪阶段。

接下来,我们分析捕获的数据对于动画场景的主题是执行一个任务。在自然光照条件下一个人的生活空间,人物5显示了一个案例研究中,我们已经要求主体达到一瓶水放在桌子上,喝它,然后把它放回桌子上。图5提出了这个任务的各种实例通过各种帧捕获。图显示了生成的骨架模型的实际和骨架的可视化图像RGB图像使用基于颜色的共同任务。

因为它是图所示5,跟踪信息可以用来重建骨骼模型的近似表示第二和第四列所示。例如,图中显示正确的手腕(红色联合)扩展了,拉回来,把鼻子附近的关节,带回来,然后退出。发现对于给定的采样帧,提取的 - - - - - -中的每个骨骼关节提供平滑变化的坐标定义跟踪框架。然而,各关节的深度值(即。,他们的 - - - - - -坐标或距离每个提取的联合对传感器)往往具有较高的方差在其标称值。图6提出了一种可视化的 - - - - - -当从协调变化飞机( - - - - - -轴是向下的方向, - - - - - -从传感器轴向外指向)的捕获在每个数据帧subfigures图所示5。例如,它可以观察到,在164帧和人捡瓶子时,280年在坐标系,当人把瓶子放在桌子上,传感器捕获的合理值 - - - - - -对这些关节坐标测量。然而,在剩下的框架,还有关节明显远离其他关节骨架,显然,他们的深度值不准确对预期的位置在RGB图像。

的情况下这个人转绕自己的轴和相关的框架,直接视图被跟踪被阻塞的关节和跟踪算法结果缺失的部分或全部中间帧的骨骼关节。图7显示了一个密切的帧序列,其中一个人坐在椅子上。在第一组帧,它可以观察到,胸部和右手腕关节失踪,即使他们清晰可见传感器在直播视图。这是由于深度学习骨架跟踪算法的属性自动丢弃任何关节,计算(0,0,0)坐标。在第二盘,没有关节捕获虽然有些生活视图中清晰可见,第三集,它终于能够捕获所有关节的传感器。

3所示。对增强骨架跟踪方法

近年来,身体deep-learning-based跟踪算法的发展提供了实质性的飞跃部署一个实际环境感应人体跟踪。然而,这些算法仍然需要进一步增强充分捕捉潜在的实际应用在现实生活空间。根据算法、RGB-D类型传感器,监测现场的条件,需要额外的补偿算法设计和开发估算任何缺失的跟踪信息。这很重要,当它也需要重建的虚拟模型主题基于骨骼的关节位置的估计模型。这种重建虚拟模型是一个重要的组件的远程医疗和远程监控的人可以保护的人的身份和周边环境,还允许可视化的人与环境的交互。在本节中,根据最初的观察的跟踪数据之前,我们探索基本方法来弥补任何可能的快速估计关节坐标的变化。虽然一般这种补偿方法的发展已经超出了本文的范围,我们的方法可以扩展的基础为任何可能的先进的评估和筛选方法,也提出了各种其他单跟踪应用程序(例如,16,17])。

像任何标准估计算法,需要一个参考系在初始化框架确定的初始关节坐标姿势。信息从最初的参考系和相应的分段点云与每个关节和肢体相关联是用来协助估计丢失的关节坐标的连续跟踪框架。在我们的研究中,使用默认的站立体式主体持有武器的方和腿一起定位传感器面临的方向,确保所有关节传感器是可见的。另一个重要的参数用于帧的数量。在这个最初的方法和用于定义初始帧的关节坐标,标准差的身体关节的深度坐标计算和最低的框架标准偏差定义为初始帧的跟踪估计算法。考虑到最初的参考系,然后算法计算肢体关节和父母之间的距离和距离关节。利用图的数据结构2父关节的关节,是连接到根关节,鼻子联合,直接或通过其他关节的连接通过一个链。这意味着每个关节都有肢体的距离,除了鼻子/根关节。

关节的顺序处理一帧的骨骼关节id,所以鼻子将成为第一个在当前帧联合处理。它检查如果关节有一个可接受的流离失所的距离鼻子关节前一帧中定义(在定义的上下范围内)。如果距离是在这个绑定,当前帧的坐标共同保持,算法会继续下面的骨骼关节ID。如果流离失所的距离不是在绑定(即。在肢体距离),那么要修改当前的坐标联合估计算法。

在我们的方法中,首先搜索算法分割点云坐标框架的缺失的联合(这类细分的一个例子是图所示4 (b))。如果鼻子/根关节是失踪,然后利用相关的分段点云点最接近的坐标鼻子前一帧的联合使用。如果剩下的关节之一是失踪,选择最近的点云点的前一帧的关节坐标也肢体距离其母关节。如果这个新的点云点之间的距离和当前帧内关节,关节的新的坐标设置为平均值之间的新发现的点云点和当前帧。如果这个距离不是在当前联合,共同的新的坐标设置为新发现的点云点坐标。算法还将调整坐标之间的中值点新发现的点云点和当前帧联合如果距离联合在前一帧却降低了,因为这种调整。

3.1。样品结果

对于我们的测试程序,而面临的传感器,这个人只是从侧面向上移动,然后回去。该算法很容易能够纠正任何骨骼关节和大深度值的变化。数据8和9显示样本块未加工和处理共同跟踪数据。帧60到65在图10显示算法的可视化例子处理情况下,右手腕关节失踪61帧,62年和64年,右手腕关节的情况有一个不准确的深度值。

图的可视化工具10显示的是未加工的骨架在绿色和骨架处理数据在多个颜色。专注于骨架的右手腕,红色的关节,我们可以看到它成功之后的实际运动的右手腕向下移动,描述的点云点右手臂。

4所示。增强骨骼数据虚拟人体模型重建

拥有的3 d坐标提取骨架模型的联合,面临的挑战是如何将这些坐标映射到虚拟人体模型重建关节运动对于一个给定的姿势。数据结构与建筑相关的虚拟模型一般利用常用的相对坐标系定义核心OpenGL(或类似的API)实现。

在图11, - - - - - -轴是用红色显示, - - - - - -轴是黄色所示, - - - - - -轴是蓝色所示。各关节的位置定义的虚拟模型是一个右撇子的笛卡儿坐标系表示。使用提取和精制骨架模型,这些帧的起源的相对位置可以定义对他们的父节点的位置。

图12显示骨骼追踪模型叠加在生活的例子形象的人也覆盖在虚拟人体模型。示例框架相关的人站在前面的传感器和提高的左臂,举过头顶。

虚拟人的运动建设基于简化表示各种链接和关节,然后可以使用的图形化模型。在我们的模型中,头部的运动(如弯曲、扩展横向弯曲,和旋转),髋关节屈曲、扩展和绑架,和肩膀关节(例如,绑架和水平和垂直弯曲)被建模为球形关节。弯头(例如,扩展、弯曲和旋后/内转)关节和膝关节(弯曲和扩展)被建模为转动关节(转动)。人形的模型中,球形关节也用来表示的相对运动的上半身的臀部。

追踪骨骼坐标映射的主要挑战来自deep-learning-based虚拟人体模型重建方法是他们存在的歧义解决运动学关节角的虚拟模型。例如,指图2,左、右手臂的骨骼关节对应的坐标(2、3、4)和(5、6和7),分别。从这个信息,需要把他们的相对位置相应的运动学关节角的虚拟模型重建。已经能够解决一些这些映射的各种框架(即。,key frames), we can use various trajectory interpolation algorithms (available through Unity) to animate for in-between frames. To initialize the Unity model with respect to the skeleton tracking algorithm, the initial captured data is used for computing the relative position of each joint coordinate frame. In the following, we present some examples of the proposed kinematic model extraction for resolving ambiguities for virtual human model reconstruction. In the following, we present some practical implementation details of how these angles are computed.

4.1。肩膀的关节

解决一个给定的相对位置的肩关节与肘关节从骨架跟踪数据获得,我们利用逆欧拉角的解决方案的方法18]。这些角度解释关于当地坐标系定义在父肘关节的位置(参见图13- - - - - -15)。然后将这些提取的角度直接映射到虚拟人的运动模型的脚本统一。

欧拉角参数之一是旋转周围的地方 - - - - - -轴的旋转臂通过扭曲背后或对身体的前面(环行)。图13是一个可视化的向量用于计算这个角。黑色的箭头显示的相对位置向量计算全局坐标的骨架跟踪数据。计算两个向量之间的叉积定义为关节像“从左到右肩”矢量和“骨盆胸部”(骨盆关节被创建的关节放置在中间的2髋关节)(图2)发现“向前面临“向量。然后,我们向前”面临“向量投射到平面的法向量等于负的“肩肘”为了计算“向前面临x投影向量。“肩肘”向量然后投射在同一个平面上为了获得“xProjected”向量。在图13绿色的,所有的向量阴影是位于这个平面,也用蓝色阴影。找到一个参考向量的叉乘的“x将面临“矢量和消极的“肩肘”获得“横肘。对当地的“旋转 - - - - - -轴被设置为等于“xProjected”向量之间的夹角和“x将面临“向量。这将导致计算的角度总是正的。为了调整这个值还可以包括旋转的负面感觉,我们检查“xProjected”向量是否在“横肘”之间的矢量和“向前面临x投影”或者“xProjected”向量之间的“横肘”向量和消极的“x将面临“向量;否则,角是保持积极。

同样,图14显示了几何用于计算的旋转 - - - - - -轴(绑架和引用)。黑色的箭头显示的相对全球坐标向量计算骨架跟踪数据。我们采取的叉积向量和“从左到右肩”“骨盆胸部”(骨盆关节被创建的关节之间放置在2髋关节)发现“向前面临“向量。“肩部到肘部”然后向量投影在平面的法向量等于“向前面临“向量得到“yProjected”向量。在图14所有绿色的向量是在这个平面,在蓝色的阴影。yAngle然后被设置为等于“yProjected”向量之间的夹角和“从左到右肩”向量;然而,这个角始终是一个积极的价值,但是我们想调整角的角是由负如果“yProjected”向量之间的“骨盆胸部”矢量和“从左到右肩”或者“yProjected”向量之间的“骨盆胸部”向量和消极的“从左到右肩”向量;否则,角是保持积极。

图15显示了几何模型用于计算的旋转 - - - - - -轴的肩关节(弯曲和扩展)。角度旋转关节的方式移动身体的手臂在前面或后面移动身体。黑色的箭头显示的相对全球坐标向量计算骨架跟踪数据。我们采取的叉积向量和“从左到右肩”“骨盆胸部”(骨盆关节被创建的关节放置在中间的2髋关节)发现“向前面临“向量。“肩部到肘部”然后向量投影在平面的法向量等于“骨盆胸部”向量得到“zProjected”向量。在图中,这架飞机上的所有绿色向量,在蓝色的阴影。zAngle然后被设置为等于“zProjected”向量之间的夹角和“从左到右肩”向量;然而,这个角总是有积极的价值,可以调整其顺时针和逆时针旋转的感觉。

4.2。髋关节

类似的歧义消解之后的重建髋关节的运动角度对当地 - - - - - -, - - - - - -,和 - - - - - -坐标。在下面,我们现在这些角度是如何计算的一些实现细节。在图16,黑色箭头显示的相对位置向量计算全局坐标的骨骼跟踪数据。两个向量的向量积“右到左臀部”和“全球”结果发现“向前面临“方向向量。我们项目负的“向前面临“向量在平面的法向量等于负“髋关节,膝关节”向量来计算“背向的x投影向量。“膝盖,脚踝”然后投射在同一个平面向量得到“xProjected”向量。在图中,这架飞机上的所有绿色向量,在蓝色的阴影。额外的参考向量是发现通过计算向量的乘积的负面“髋关节,膝关节”矢量和“向后面临x投影”获得“膝盖十字”向量。xAngle然后被设置为等于“xProjected”向量之间的夹角和“背向的x计划”向量;然而,这个角始终是一个积极的价值,但是我们想调整角的角是由负如果“xProjected”向量之间的“膝盖十字”矢量和“向后面临x投影”或者“xProjected”向量之间的“膝盖十字”向量和消极的“背向的x投影”向量;否则,角是保持积极。

同样,数据17和18显示的例子几何模型计算的髋关节的转动 - - - - - -和 - - - - - -轴。

4.3。肘关节

虚拟肘关节的运动模型表示为一个转动关节(即。、旋转对当地 - - - - - -轴)。其大小是发现通过确定的向量的夹角获得的“肩肘”和“肘腕”向量(弯曲和扩展)。图19显示了几何模型用于计算的肘角作为骨架数据的函数。

4.4。膝关节

膝关节的计算基于运动学模型的骨架跟踪数据重建肘关节一样,它是基于旋转转动关节和地方 - - - - - -轴。其旋转的大小是发现通过计算向量之间的夹角对应于膝盖,臀部和膝盖,脚踝“向量。图20.是一个可视化的计算基于骨架的几何数据模型(弯曲和扩展)。

4.5。脊柱关节

旋转在当地 - - - - - -轴使上半身顺时针或逆时针旋转。角是发现首先发现“右到左肩”的投影向量在平面的法向量等于“全球”向量。这导致“xProjected”和“右到左臀部”向量投影到同一平面计算“右到左臀部投影向量。在图21,所有的绿色的向量是在这个平面,蓝色阴影。定义另一个参考向量的叉乘“右到左臀部”的矢量和“全球”的“向前面临“向量。然后将xAngle平等“xProjected”向量之间的夹角和“右到左臀部投影向量。

旋转在当地 - - - - - -轴是使身体弯曲的扩展和弯曲向前和向后。角度计算首先发现“右到左臀部”的投影向量在平面的法向量的“全球”向量得到“右到左臀部投影向量。然后,“骨盆胸部”向量投射到平面的法向量与“右到左臀部投影向量,得到“zProjected”向量。在图22,所有的绿色向量在平面的法向量对齐到“右到左臀部投影向量,显示为蓝色阴影。找到一个参考向量的叉乘“右到左臀部”的矢量和“全球”的“向前面临“向量。然后设置旋转角度等于“zProjected”向量之间的夹角和“全球”向量。

5。结论

跟踪运动身体的自然生活环境中使用环境传感可以提供各种健康监测和远程医疗系统的许多优点。这样的设置可以允许主体自由移动没有戴任何专门的传感器。最近的进步和可用性的商业机构使用RGB-D传感跟踪系统在实现上述目标提供了一些承诺。这些人体跟踪系统的实现是基于各种深度学习方法,他们提供各种身体地标图像跟踪的主题的形式联合和链接位置(即。骨架模型)。鉴于这个追踪信息,然后可以重建虚拟人体模型使用一些现成的设计工具。回馈的虚拟人模型的虚拟现实生活空间可以保护隐私的话题,同时允许可视化运动和活动的主题。

在本文中,我们的性能实验研究人体跟踪这些深度学习的方法之一。我们进一步探索这个骨架的挑战联合信息可以用来解析和重构主体使用标准的图形模型运动学模型描述。本文提出了一些初步的实验研究和分析整合这些商品传感器(即,英特尔RealSense D435)和相关的深度学习身体跟踪器(即Cubemos)在自然生活环境。本文进一步提出了消除歧义的结果将骨骼关节的位置数据虚拟人的运动关节角重建模型。

通过我们的研究,我们能够表明,当前的实现中提取的运动身体的四肢仍然需要一个额外的信号处理层减轻噪音的存在(例如,与深度相关的协调)。我们展示了一些基本的方法获得平滑过渡的中间帧的跟踪数据。然而,未来工作的挑战之一是设计和开发一个健壮的智能层进一步整合了现有的骨架跟踪数据,可用于增强或补偿任何缺失的信息。这种缺失的跟踪数据可以由各种情况下的遮挡和遮挡身体的或另一个人的存在的家具在现场19]。

重建的虚拟人体从稀疏的跟踪数据是另一个主要挑战。人体的运动学建模可以通过各种协调框架的定义。相对四肢关节的运动可以被定义在各种地方帧。然而,关联的3 d坐标跟踪框架数据的运动学模型存在诸多挑战。介绍了一些最初的方法将数据从跟踪信息获得的虚拟人体模型重建。

数据可用性

相关数据分割和重建场景可以从作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究通过西蒙弗雷泽大学的支持和资助加拿大自然科学和工程研究委员会。

引用

1. 2020年,“Optitrack动作捕捉系统https://www.optitrack.com。视图:谷歌学术搜索
2. “北方数字”,2020年,https://www.ndigital.com/。视图:谷歌学术搜索
3. “Vicon运动系统”,2020年,https://www.vicon.com。视图:谷歌学术搜索
4. s . j . m . Mazumber s . Kim公园,和j·李”的精度和可重复性分析optotrak certus步态分析作为一种工具,“IFAC诉讼卷,40卷,不。16,107 - 112年,2007页。视图:出版商的网站|谷歌学术搜索
5. 汉族,b . Liu r . Wang y, c, d . Twigg和k .亲属”与深标签在线光学概略介绍手跟踪”,在计算机图形学中ACM事务,37卷,不。4、2018。视图:谷歌学术搜索
6. 答:走向灭亡,g . Longo大肠Schena et al .,“可穿戴系统肩膀运动学评价:系统回顾,“BMC肌肉骨骼疾病,20卷,不。1,p。546年,2019。视图:出版商的网站|谷歌学术搜索
7. l . j . c . Wang, y Chen谢,h·刘,和美国,“RF-Kinect。”诉讼ACM的互动、移动、可穿戴和无处不在的技术,卷2,不。1、28页。2018。视图:出版商的网站|谷歌学术搜索
8. m·A·海鸥、美国白和t . Bak“回顾上肢外骨骼的设计。”机器人,9卷,不。1,p。2020。视图:出版商的网站|谷歌学术搜索
9. “Nuitrack”, 2020年,http://download.3divi.com/Nuitrack/doc/index.html。视图:谷歌学术搜索
10. “Cubemos”, 2020年,https://www.cubemos.com/。视图:谷歌学术搜索
11. “Azure Kinect,”2020年,https://www.microsoft.com/en-us/research/project/skeletal-tracking-on-azure-kinect/。视图:谷歌学术搜索
12. 伊克巴尔,A .林根h . Yasin b·克鲁格A·韦伯和j .胆”的双源方法从单一图像三维人体姿态估计,“计算机视觉和图像理解卷。172年,37-49,2018页。视图:出版商的网站|谷歌学术搜索
13. m . Rasouli和s Payandeh”小说深度图像分析对睡眠的姿势估计,“环境智能和人性化计算杂志》上,10卷,不。5,1999 - 2014年,2019页。视图:出版商的网站|谷歌学术搜索
14. n Mohsin和美国Payandeh集群通过拓扑分析和识别关键的身体四肢多3 d数据,”计算机视觉,2021年。视图:出版商的网站|谷歌学术搜索
15. 英特尔Realsense,”英特尔Realsense深度照相机骨架跟踪SDK,”2021年,https://www.intelrealsense.com/skeleton-tracking/。视图:谷歌学术搜索
16. s . Payandeh视觉跟踪在传统微创手术,CRC出版社,2017年。视图:出版商的网站
17. j·李和s . Payandeh触觉:遥操作系统信号处理角度施普林格,2015年。视图:出版商的网站
18. j . Craig介绍机器人:力学和控制,2004年皮尔森。
19. r·李w Si、m . Weinmann和r·克莱恩”从单一深度相机基于约束优化人类骨架提取,”传感器,19卷,不。11,2604年,页2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Shahram Payandeh和杰弗里·瓦伊尔。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。