【免费下载链接】pose2simMarkerless kinematics with any cameras — From 2D Pose estimation to 3D OpenSim motion项目地址https://gitcode.com/gh_mirrors/po/pose2sim点击查看免费下载Pose2Sim是一个开源 Python 工具包专门做3D 无标记点运动分析markerless kinematics只要用多部手机、摄像头或 GoPro 从不同角度拍几段视频它就能自动完成 2D 姿态估计、多相机同步、标定、三角化、滤波最后输出 OpenSim 格式的全身3D 关节角度.mot 文件。全程无需在身体上贴反光标记点也无需昂贵的动捕工作室本地运行、数据不出门。一、为什么选 Pose2Sim传统标记点动捕系统价格高、搭建麻烦且贴标记点会妨碍自然运动。Pose2Sim 用深度学习姿态估计替代了反光标记点研究级精度经同行评审研究验证关节角度误差约 2–6°任意相机手机、网络摄像头、GoPro 均可受试者可穿普通衣物多人支持可同时追踪多人并自动跨相机关联完整 3D 运动学直接输出 OpenSim 骨架模型与关节角度可继续做地面反作用力、肌肉分析、动画等它的名字来源于 OpenPose to OpenSim——以 2D 关键点为输入以 OpenSim 3D 关节角度为输出。二、准备工作5 分钟搭好环境一键安装 Pose2Simuv 环境推荐使用 uv快速、轻量创建环境。以 Linux/macOS 为例# 安装 uv curl -LsSf https://astral.sh/uv/install.sh | sh # 创建并激活环境 uv venv ~/.venv/pose2sim --python 3.13 source ~/.venv/pose2sim/bin/activate # 安装 Pose2Sim uv pip install pose2sim --upgrade 如需开发/编辑最新源码版本可克隆后安装git clone --depth 1 https://gitcode.com/gh_mirrors/po/pose2sim然后cd pose2sim uv pip install -e .用 Demo 项目当模板仓库自带三个开箱即用的示例项目包含视频、标定文件和配置文件Demo 项目适用场景Demo_SinglePerson/单人、4 相机本教程用它Demo_MultiPerson/多人同时分析Demo_Batch/批量处理多个试验把Demo_SinglePerson复制到你的工作目录把要分析的视频放进videos/文件夹然后编辑 Config.toml 的[project]部分参数默认值说明multi_personfalse是否多人分析单人为falseparticipant_heightauto受试者身高米auto 自动估计frame_rateauto帧率自动从视频读取frame_rangeauto分析的帧范围如[10, 300]所有参数都在Config.toml中有详尽注释放心按需修改。三、8 步流水线详解整个流程就是依次调用 8 个函数源码入口见 Pose2Sim.py也可用一行Pose2Sim.runAll()全部跑完from Pose2Sim import Pose2Sim Pose2Sim.calibration() # 1. 相机标定 Pose2Sim.poseEstimation() # 2. 2D 姿态估计 Pose2Sim.synchronization() # 3. 多相机同步 Pose2Sim.personAssociation() # 4. 跨相机人员关联 Pose2Sim.triangulation() # 5. 3D 三角化 Pose2Sim.filtering() # 6. 3D 坐标滤波 Pose2Sim.markerAugmentation() # 7. 标记点增强 Pose2Sim.kinematics() # 8. OpenSim 运动学进入项目文件夹后启动ipython逐段运行即可。下面逐步讲解。第 1 步相机标定calibration标定分两部分内参焦距、畸变等镜头属性一台相机只需算一次和外参相机在空间中的位置与朝向每次移动相机都要重算。有两种模式由 calibration.py 实现calibration_type convert导入现成标定文件支持 Qualisys .qca.txt、Vicon .xcp、OpenCap .pickle、EasyMocap .yml 等示例文件见 Demo_SinglePerson/calibration/Calib.qca.txtcalibration_type calculate从零计算内参用棋盘格或 ChArUco 板拍摄每部相机交互界面中按Y接受检测、N丢弃、C手动修正外参推荐scene方法——测量场景中 10 个以上已知坐标的点地砖角、墙体线条等在每路视频画面中点击对应位置ChArUco 板选择要点内参用角点多的小板如 A4 尺寸 5×8外参用大方格的板行列数要不对称、四周留白边、板面平整、成像对焦清晰无反光。 质量参考内参重投影误差应接近或低于0.5 px外参误差建议低于1 cm最高不超过 2.5 cm。第 2 步2D 姿态估计poseEstimation默认使用集成在 Pose2Sim 内的RTMPose模型通过 RTMLib对每路视频逐帧检测 2D 关键点输出 OpenPose 格式的 .json 文件每帧一个含坐标与置信度。常用[pose]参数参数默认值说明pose_modelBody_with_feet骨架模型身体足部 26 点还支持Whole_body133 点含手脸、Lower_body等modebalancedlightweight快而轻/balanced/performance最准det_frequency4每 N 帧才跑一次人体检测提速deviceauto有 GPU 自动用 GPU推理更快且不影响精度也可以换用 DeepLabCut 自训模型、MediaPipe、AlphaPose 等配套转换脚本在 Utilities/ 目录如 DLC_to_OpenPose.py、Mediapipe_to_pose_or_trc.py。第 3 步多相机同步synchronization不同相机各自录制的视频时间轴往往有偏移必须对齐后才能三角化。算法synchronization.py计算关键点的平均垂直速度再搜索让各相机速度曲线相关性最大的时间偏移量。 小技巧拍摄时让受试者做一个快速上下挥手的动作同步会又快又准。若相机原生同步如通过快门/时间码可直接跳过本步骤。第 4 步跨相机人员关联personAssociation多人在场时需要把每路视频里检测到的人对应到同一个人。Pose2Sim 通过测量各相机到关键点的 3D 射线交点误差来匹配personAssociation.py并能沿时间追踪 ID、处理遮挡。单人场景multi_person false自动选择重投影误差最小的人多人场景调低min_affinity可更宽松地匹配若关联错人则反向调整第 5 步3D 三角化triangulation核心步骤triangulation.py用多视角 2D 点做加权 DLT 三角化——每个点按其检测置信度加权结果更稳健。内置三重保护机制置信度低于likelihood_threshold_triangulation的 2D 点直接剔除重投影误差超过reproj_error_threshold_triangulation15 px时逐台剔除相机重试剩余相机少于min_cameras_for_triangulation2 台则跳过该点缺失帧自动插值。运行结束会输出每个关键点的平均重投影误差统计像素 毫米第 6 步3D 坐标滤波filtering三角化结果带有噪声需滤波后再进 OpenSimfiltering.py。可选 9 种滤波器默认Butterworth 零相位低通生物力学最常用另有 Kalman、OneEuro、GCV 样条、中值滤波等。参数建议cut_off_frequency3–6 Hz 行走/慢动作6–15 Hz 跑步/快动作15 Hz 爆发性动作reject_outliers开启 Hampel 滤波剔除离群点默认开启第 7 步标记点增强markerAugmentation用 Stanford LSTM 模型权重内置于 MarkerAugmenter/LSTM/从 26 个关键点外推 47 个虚拟标记点模拟传统标记点动捕的密度对相机少于 4 部时收益最大。⚠️ 要求participant_height设置正确.trc 中不能有未插值的缺失值模型至少包含髋、膝、踝、脚跟、脚趾等 12 个腿部关键点默认Body_with_feet满足。第 8 步OpenSim 缩放与逆运动学kinematics最后一步kinematics.py把全身 OpenSim 肌肉骨骼模型自动缩放到受试者体型无需静态标定帧然后运行逆运动学IK输出生物力学上合理的全身 3D 关节角度。骨骼长度恒定、关节角度受约束这正是标记点方法难以做到的稳健性来源。模型与缩放/IK 配置文件都在 OpenSim_Setup/ 目录中提供。⚡ 提速技巧设use_simple_model true无肌肉、刚性脊柱IK 速度快10 倍以上对多数步态分析已足够。四、跑完后你得到什么Pose2Sim_Project/ ├── Config.toml ├── videos/ # 原始视频 ├── calibration/ # Calib.toml转换或计算得到的标定 ├── pose/ # 2D 姿态 .json ├── pose-sync/ # 同步后的 2D 姿态 ├── pose-3d/ # 3D 标记点轨迹 .trc滤波前后 ├── kinematics/ # OpenSim 结果 │ ├── *_scaled.osim # 缩放后的个人模型 │ ├── *.mot # 全身关节角度可用 Excel/OpenSim 打开 │ └── opensim_logs.txt └── logs.txt # 全流程详细日志可视化方式OpenSim GUIFile Open Model打开.osimFile Load Motion加载.motFile Preview Experimental Data预览.trcBlender 插件Pose2Sim_Blender 插件可叠加视频、查看相机位置与三角化关键点关节角度转动捕软件格式make_bvh true会额外导出 .bvh 文件五、进阶玩法多人分析复制 Demo_MultiPerson/将multi_person设为true然后from Pose2Sim import Pose2Sim Pose2Sim.runAll()批量处理Demo_Batch/ 展示根配置 每试验配置的两级结构——全局参数写在根Config.toml单个试验可只覆盖差异参数。扩展工具仓库还附带 20 多个独立脚本坐标格式转换、步态事件检测、人脸打码、标定文件互转等见 Pose2Sim/Utilities/⚡速度不够按顺序尝试GPU 加速 →display_detection falseparallel_workers_pose auto→det_frequency 100→mode lightweight→use_simple_model true。作者实测这些组合可把流水线提速10–20 倍且基本不损失精度。六、常见问题速查问题解决方向三角化误差偏大增大min_cameras_for_triangulation再试提高likelihood_threshold_triangulation多人关联错误调低/调高min_affinity、reconstruction_error_threshold滤波过度/不足调整cut_off_frequency或换gcv_spline自动选频想复算更快相机没动就直接复用上次的Calib.toml姿态已算过则保持overwrite_pose false隐私顾虑用 face_blurring.py 打码人脸对精度影响极小总结装好 Pose2Sim → 拷贝 Demo 项目放入视频 → 改Config.toml→ 依次或一次性runAll()跑完 8 步你就能得到研究级的 3D 关节角度数据。从第一帧视频到步态分析全程免费、开源、本地运行——这就是无标记点运动分析的完整答案。赞分享【免费下载链接】pose2simMarkerless kinematics with any cameras — From 2D Pose estimation to 3D OpenSim motion项目地址https://gitcode.com/gh_mirrors/po/pose2sim点击查看免费下载相关推荐Dragonfly dfget gen-doc 命令详解自动生成 Markdown 版 CLI 参考文档Dragonfly dfget gen doc 命令详解自动生成 Markdown 版 CLI 参考文档 dfget 是 Dragonfly 项目中负责 P2Pose2Sim版本演进与路线图10个关键里程碑带你从v0.1看懂无标记3D动作捕捉Pose2Sim版本演进与路线图10个关键里程碑带你从v0.1看懂无标记3D动作捕捉 Pose2Sim 是一款开源的无标记人体运动捕捉markerlesshuobao-canvas新手5步实战文本节点连线图片视频节点拖拽即得文生图→图生视频AI流水线huobao canvas新手5步实战文本节点连线图片视频节点拖拽即得文生图→图生视频AI流水线 huobao canvas火宝无限画布是一款开源的节点创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考