一种快速人体姿态还原方法、服务器及存储介质与流程

本技术属于人体姿态还原领域，特别涉及一种快速人体姿态还原方法、服务器及存储介质。

背景技术：

1、人体姿态还原技术的发展促进了实时应用的兴起，如虚拟现实、增强现实和交互式游戏。这些应用要求高性能计算和低延迟，以实时跟踪和还原用户的姿态。这一领域的不断创新和发展将进一步推动虚拟现实、医疗、运动分析和人机交互等多个领域的进步。

2、通用的人体姿态还原方法主要利用解析几何和深度学习的手段实现：解析几何通过解方程组来计算关节的位置；深度学习方法可以自动地从大规模数据集中学习并提取特征，以进行关键点检测和姿态估计。

3、反向运动学（inverse kinematics，ik）作为解析几何方法解算人体姿态的重要方法，是人体动作还原的重点研究内容之一。ik能够确定人体各个关节的角度或位置，以便使整个人体模型达到所期望的目标姿态或位置。一般可分为雅可比矩阵方法、牛顿法和启发式方法三类：雅克比矩阵法是末端执行器位置和朝向不断靠近目标的位置和朝向来寻找ik问题的线性近似；牛顿法是利用基于目标函数的二阶泰勒展开式求出二阶近似解，可以在不间断的情况下返回光滑的运动，关节限制简单；启发式迭代算法不依赖于数学公式或复杂的优化过程，而是采用启发式策略来逐步逼近目标，其代表是循环坐标下降法（cycliccoordinate decent, ccd）和向前和向后到达算法（forward andbackward reachinginverse kinematics, fabrik）。

4、现有的人体姿态还原技术中，中国专利“cn114998982a人体姿态还原方法、装置、终端设备及存储介质”利用神经网络，即：基于人体上安装的运动捕捉设备捕捉运动数据，并将数据输入到已训练的神经网络中，还原出人体的运动姿态。该方法可以解决现有技术中运动捕捉设备穿戴复杂且针对具体运动场景下还原精度不高的问题。但是，该应用依靠大量的训练数据及计算资源，并且难以摆脱神经网络“黑盒子”的性质。中国专利“cn113205557b一种基于骨骼关键点的动作还原方法以及装置” 提供了一种全身姿态还原方法及系统。该方法通过初始化姿态数据，获取末端和目标点位置，计算偏移量和重心位置，采用权重融合技术得到核心姿态信息，再获取第三部分信息和重心位置，进一步更新最终重心位置，以还原人体躯干，最终计算四肢位置和朝向，实现全身动作的还原。但是，对于局部动作还原的场景，由于其涉及到整个骨骼系统的计算和还原，该方法比较复杂和冗余。中国专利“cn111402290b一种基于骨骼关键点的动作还原方法以及装置”提供了一种基于骨骼关键点的动作还原方法。该方法从二维平面图像中提取关键点信息，并通过三维映射将其还原到三维空间中，从而实现了动作的还原和生成。其在机械领域、动作识别领域以及机器人动作生成等应用中具有潜在的价值，可以辅助机器人或应用系统根据图像信息还原和生成特定的动作。但是，该方法中三维映射和复杂的关键点提取算法可能需要大量计算资源。中国专利“cn115937725b空间交互装置的姿态显示方法、装置、设备及其存储介质”提供了一种空间交互装置的姿态显示方法、装置、设备及其存储介质。该方法利用从光源发出的光斑的信息来确定空间交互装置的姿态，并在虚拟显示设备上呈现出来。但是，该方法依赖于光源发出的光斑来确定姿态，因此对环境光线的变化和干扰比较敏感，并且识别光斑和确定姿态的精度受到图像采集设备和算法的限制。

5、由此可见，数学建模和解析几何学虽然在理论上有效，但通常在复杂的多关节和多自由度问题上面临计算复杂性和精确性方面的挑战。基于物理模型的方法虽然这些方法更贴近生物现实，但需要大量的参数和数据来构建准确的模型。而在复杂背景、遮挡和光照变化等情况下，传统的计算机视觉方法仍然存在挑战。尽管深度学习在体姿态还原中取得了显著的进展，但仍然存在一些缺点和限制，包括：大量数据需求、标签的复杂性、泛化问题、计算资源需求大及可解释性差等。

6、利用神经网络的方案计算复杂性相对较高，对训练数据的需求量较大，需要强大的计算设备支持；利用光斑信息来确定姿态的方法易受到特定场景和环境的限制；关键点的三维映射面临较高的计算资源消耗问题。

7、因此，亟需一种资源消耗低、且有一定精准计算能力的人体动作还原方法，能够在桌面端、移动端或穿戴终端使用。

技术实现思路

1、为了解决所述现有技术的不足，本技术提供了一种快速人体姿态还原方法，通过非迭代零误差的方法，以及对不同关节连接形式的适应性改进，解决了传统方法中存在的计算复杂度高、误差累积和运算效率低等问题，从而使反向运动学问题的求解更加高效和准确。在少量传感器数据下依然能够以高效的方式解决反向运动学问题，特别是在具有复杂关节连接结构的情况下，同时保持解的准确性和稳定性。

2、本技术所要达到的技术效果通过以下方案实现：

3、根据本技术的第一方面，提供一种快速人体姿态还原方法，包括如下步骤：

4、步骤1：判断当前关节连接形式，若为单链结构则进行步骤2；若为多链结构则进行步骤3；若为闭环结构则进行步骤4；

5、步骤2：判断首节点是否需要发生运动状态改变才能到达目标点位置，若是则根据绳线模型计算所述单链结构上的所有关节点坐标；若不是，则从末节点的前一关节点逐次向前求解各前置关节点的新位置；

6、步骤3：根据多链结构中每条子链的权重确定主子链，对每条主子链进行步骤2，得到两个主子链的根节点，若两个根节点相同，则对除主子链的其余子链反向执行步骤2完成解算；若两个根节点不同，则根据两个根节点计算新的根节点位置，根据所述新的根节点位置对所有子链执行步骤2完成解算；

7、步骤4：计算闭环结构的质心坐标以及质心坐标与各个关节点的距离，根据变换矩阵计算得出各关节点的位置。

8、优选地，在步骤2中，判断首节点是否需要发生运动状态改变才能到达目标点位置的具体方法为：判断与之间的大小关系，如果大于，则首节点必须发生运动状态改变才能完成运动过程；如果小于等于，则认为首节点无需发生运动状态改变就能完成运动过程；

9、其中，为首节点p1与目标点t之间的距离，为关节点 p1到末关节点pn的长度。

10、优选地，根据绳线模型计算所述单链结构上的所有关节点坐标具体方法为：

11、根据如下公式计算各关节点的坐标：

12、。

13、优选地，从末节点的前一关节点逐次向前求解各前置关节点的新位置的具体方法为：判断与的大小关系，其中，为关节点到目标点t的距离，为当前需要计算位置的关节点 pi的前一节点，为关节点到末节点pn的长度；

14、如果小于等于，则根据空间几何关系直接计算得出关节点 pi的新位置；

15、如果大于，将待计算节点向前移动一个关节，重复这个过程直到小于等于，再通过空间几何关系计算得出关节点 pi的新位置。

16、优选地，根据空间几何关系计算得出关节点的新位置具体方法为：

17、根据如下公式计算得出新位置：

18、;

19、其中 pm为运动轨迹的质心，pn为 pi在运动轨迹所处平面的投影点，为 pm到 pn之间的距离，为 pm到 t之间的距离：

20、;

21、;

22、;

23、其中 q为向量，为目标节点 t的模长，为关节点的模长，为向量q的模长，i3为3*3的单位矩阵。

24、优选地，在步骤3中，首先判断多链结构下的子链数量，若子链的数量为2，则直接将两条子链作为主子链；两条主子链分别进行步骤2的计算得到两个根节点r1、 r2，若 r1=r2，则完成解算；若，则以p11、p21为球心， d11、 d21为半径作球，对 p11、 r、 p21进行步骤2计算r的新位置r’，其余关节点位置不变，完成解算；

25、其中，p11为第一条主子链中根节点r的后一节点，p21为第二条主子链中根节点r的后一节点， d11、 d21分别为两个根节点到p11、p21的距离，r为根节点。

26、优选地，若子链的数量大于2，则比较所有子链的权重，将两条权重最大的主子链编号为e、 f；对所有主子链执行单链算法，得到两条主子链的根节点结果记为re、 rf，若 re= rf，则r’= re= rf，以 r’为目标点，对除主子链的其余子链反向执行步骤2完成解算；

27、若，则规定 r=(re+ rf)/2，最后以r为目标点，对所有子链执行步骤2完成解算。

28、优选地，在步骤4中，计算闭环结构的质心坐标以及质心坐标与各个关节点的距离，根据变换矩阵计算得出各关节点的位置的具体方法为：首先计算闭环结构的质心坐标o：

29、；

30、然后计算o到闭环各关节点间的距离，；，为末节点移动到目标点位置，，然后根据o、前后的变换求出变换矩阵t(p)，最后利用变换矩阵t(p)对闭环上其余各关节点进行位置计算得到。

31、根据本技术的第二方面，提供一种服务器，包括：存储器和至少一个处理器；

32、所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述快速人体姿态还原方法。

33、根据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述快速人体姿态还原方法。

34、根据本技术的一个实施例，采用本方法的有益效果在于：

35、本方法为非迭代方法，不需要多次迭代来逼近解，降低计算复杂度，特别适用于实时性能要求较高的应用；

36、采用根节点零误差的策略，该方法的目标是在解决反向运动学问题的时候，尽可能地保证末端节点到达指定位置的同时，根节点的位置不发生变化，有效的避免了误差的累积；

37、针对单链、多链和闭环等不同的关节连接形式进行适应性改进，使其适用于更广泛的人体模型。