{
  "paper_id": "c6c67f2086b3f05069f8ed3b84692068",
  "paper_title": "Optimisation and Comparison of Markerless and Marker-Based Motion Capture Methods for Hand and Finger Movement Analysis",
  "paper_authors": [
    "Valentin Maggioni",
    "Christine Azevedo-Coste",
    "Sam Durand",
    "François Bailly"
  ],
  "publication_date": "2025-02-11",
  "publication_venue": "Sensors 2025, 25, 1079",
  "abstract": "确保准确追踪手和手指运动是上肢康复评估中的一项持续挑战，因为手在有限体积内包含大量自由度和运动节段。本研究旨在评估两种无标记方法（Leap Motion Controller 和 Google MediaPipe API）相对于有标记方法的性能，并通过引入融合多记录设备的附加数据处理算法提高无标记方法的精度。15名健康参与者在三种动作捕捉方法同步记录下执行五种不同的手部动作。各设备采集的运动数据均通过 OpenSim 软件的逆运动学方法，使用手部骨骼模型进行分析。最后，计算无标记与有标记动作捕捉方法之间各手指节段角度的均方根误差以比较准确性。结果表明，基于 MediaPipe 的方案比基于 Leap Motion Controller 的方案更准确（平均均方根误差分别为10.9°和14.7°），显示出无标记方法在临床应用中的良好前景。\n",
  "keywords": [
    "无标记动作捕捉",
    "手与手指运动学",
    "骨骼模型",
    "生态化动作"
  ],
  "paper_institutions": [
    "Contrôle Artificiel de Mouvements et de Neuroprothèses Intuitives (CAMIN)",
    "Institut National de Recherche en Informatique et en Automatique (INRIA)",
    "Centre d'Université Côte d'Azur",
    "Université de Montpellier"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:32:23.693411Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n针对手部自由度高、节段密集且康复评估需要可靠量化的问题，论文指出基于红外相机和反光标记点的 Optitrack 等有标记系统虽是金标准，却存在昂贵、笨重、标定复杂以及精细手指标记易受遮挡等临床约束，而既有无标记研究又常局限于单一手指、特定动作或无法同步测量，容易受到标记点干扰和测量条件偏差影响；为此，作者提出在同一试验中同步比较有标记系统、基于四个 RGB 网络摄像头的 Google MediaPipe Hands 和基于三个 Leap Motion Controller 的多设备方案，并设计通用的视频三角测量相机子集选择算法，其核心机制是在全部2台、3台、4台相机组合中，优先选择相机数量最多的子集，同时要求重投影误差不超过10 mm、解剖误差不超过5 mm，其中角度误差以 RMSE = sqrt[(1/N)Σ(θ无标记−θ有标记)^2] 计算。研究采集15名健康成人的静态、钢琴、屈曲、伸展和抓网球五种生态化任务，每个试验含10次重复，任务在动作幅度、速度、自遮挡和外部遮挡上互补，用于验证地标精度、关节活动范围、全行程一致性与遮挡鲁棒性；数据经6 Hz低通滤波、Anipose 标定、多 LMC 朝向加权融合，并映射到按参与者和各标记集静态缩放的 OpenSim 手腕骨骼模型，通过逆运动学得到15个关节角度，且只在参考标记可见时计算误差、剔除遮挡超过50%的轨迹，以避免插值造成高估或低估。结果显示 MediaPipe 总体角度 RMSE 为10.9±7.8°，Leap Motion 为14.7±8.6°，对应手指末端约2–3 mm空间误差，MediaPipe 的活动范围也更接近有标记系统；四相机子集在68%的任务中被选中，增加相机可降低解剖误差，而逆运动学自身造成的标记位置误差仅约2.8–4.3 mm，不足以解释方法间差异。这些结果支持多设备融合与双准则相机选择能显著提升低成本无标记捕捉精度，适用于康复评估、生物力学、人机交互和虚拟现实等场景，但 Leap Motion 要求掌心朝向设备、采集空间小且受网球遮挡，MediaPipe 对配饰、假肢、矫形器、非典型手或过多标记点识别较差且模型不能直接重训练，研究也未覆盖高速平移和手部朝向持续变化的边缘任务；未来可在单次测量内动态切换多个相机子集、扩展临床患者和长时程动态动作数据，并通过迁移学习提升异常手型的鲁棒性，全部 c3d 数据已开放以支持复现。\n\n### 关键要点\n\n- 研究纳入15名健康成人，每人完成5种任务，三种方法同步采集；除抓球任务只有两种有效记录外，共形成210条记录。\n- 参考系统为含8台红外相机和24个被动反光标记的 Optitrack，采样100 Hz，标记集刻意简化以避免妨碍 MediaPipe 识别手部。\n- 三个 Leap Motion Controller 安装在自制支架上，侧向设备相对中间设备距离20 cm、垂直角45°，输出28个地标并按手与设备朝向加权融合，重采样为30 Hz。\n- MediaPipe 方案使用4台 Logitech C920 摄像头，以棋盘格和 Anipose 完成内外参标定，30 Hz离线提取21个手部地标。\n- 五种任务包括静态参考、逐指钢琴样屈伸、全指屈曲、充分伸展和抓放网球，分别检验独立指运动、同步运动、自遮挡与外部遮挡。\n- 新三角测量算法对10种两至四相机组合计算重投影误差和手指节段长度稳定性所代表的解剖误差，并按10 mm和5 mm阈值选择最优子集。\n- OpenSim 使用修改后的右侧手臂手腕模型，按每位参与者和每种标记集的静态5秒均值缩放，再以逆运动学求解关节角，近端手指标记权重为1，掌腕附近标记权重为0.1。\n- 误差评估只使用有标记参考中实际可见的时刻；若某标记遮挡超过任务时长50%则完全剔除，全部1125条参考标记轨迹中有44条被剔除，比例低于5%。\n- 总体上 MediaPipe 的关节角 RMSE 为10.9±7.8°，Leap Motion 为14.7±8.6°，且 Leap Motion 在所有任务中误差持续更高。\n- 关节差异明显：MediaPipe 的拇指1mp关节误差达27.3±8.1°，而1ip仅3.9±1.6°；Leap Motion 的2md和5md分别为23.7±7.9°和24.4±7.5°，1ip仅2.6±1.2°。\n- 辅助证据显示 Leap Motion 测得的活动范围系统性偏低，钢琴任务中有标记、MediaPipe 和 Leap Motion 的平均活动范围约为53°、56°和37°；静态、屈曲和抓球的参考标记遮挡率分别约为1.8%、16.6%和22.3%。\n- 实用层面，MediaPipe 单摄像头成本约20美元、标定约10分钟且每条记录后处理约1分钟，而有标记系统成本可达1万至10万美元以上、标定需30分钟至1小时且后处理可能长达数小时。"
}