Pacchetto R per l'analisi e la visualizzazione dei dati motion capture

Question

Sono un novizio in R, lo adoro, ma sono sorpreso dalla completa mancanza di un pacchetto solido per analizzare i dati di motion capture.

Il file di acquisizione di movimento più semplice è solo una tabella enorme con le coordinate "XYZ" per ogni punto collegato a un soggetto registrato e per ogni fotogramma catturato. So che posso trovare i singoli metodi e funzioni in R per eseguire operazioni complesse (come l'analisi delle componenti principali) o posso tracciare serie temporali per tutti i punti. Ma quando sto cercando degli esempi che potrebbero anche educarmi statisticamente sull'analisi del movimento umano e fornire un bel set di strumenti per la rappresentazione visiva dei dati, R si rivela essere un deserto freddo. D'altra parte, MATLAB ha Motion capture toolbox e MoCap Toolbox e in particolare quest'ultimo ha opzioni abbastanza buone per la stampa e l'analisi delle catture. Ma siamo onesti - MATLAB ha motore abbastanza brutto visualizzazione confronto con R.

Alcune richieste specifiche per il pacchetto capture R motion includerebbero:

• lettura, la modifica, la visualizzazione e la trasformazione dei dati di motion capture
• cinetica e analisi cinematica
• di serie temporali e analisi delle componenti principali
• dati Animating

Mi manca qualcosa qui (nel mio googliling) o non ci sono davvero pacchetti mocap là fuori per R? Qualcuno ha provato a giocare con i dati di acquisizione del movimento in R? Puoi darmi qualche indicazione?

Answer 1

A giudicare da una ricerca rapida su RSeek, non è disponibile un pacchetto di motion capture per R. Sembra che sia necessario trovare equivalenti per ciascuna funzione. Quelli più generali dovrebbero essere abbastanza facili da trovare (interpolazione, subsetting, trasformazione/proiezione, analisi delle serie temporali, pca, analisi delle matrici, ecc.) E lo stesso processo di scrittura delle proprie funzioni personalizzate per cose specifiche come la stima dell'energia cinetica istantanea è probabilmente il modo migliore per imparare!

È possibile trovare plyr utile per battere i dati in forma e il pacchetto animation per la visualizzazione del movimento.

Answer 2

Dai un'occhiata alla mia pacchetto, il pacchetto mocap: https://github.com/gsimchoni/mocap

E 'ben lungi dall'essere perfetto, ma è un inizio, attualmente testato solo su file/AMC CMU Graphics Lab Motion Capture Database ASF.

E here è un post del blog con qualche dettaglio in più.

Answer 3

Ho utilizzato il pacchetto rgl per creare un'animazione da un set di dati di movimento. Anche se non è un pacchetto creato appositamente per i dati dei gesti, puoi lavorarci.

Nell'esempio seguente, abbiamo dati di gesti per 8 punti sulla parte superiore del corpo: colonna vertebrale, centro della spalla, testa, spalla sinistra, polso sinistro, spalla destra e polso destro. Il soggetto ha le mani abbassate e il suo braccio destro sta facendo un movimento verso l'alto.

Ho limitato il set di dati a 6 osservazioni temporali (secondi, se lo farai), perché altrimenti sarebbe troppo grande per postare qui.

Ogni riga del set di dati originale corrisponde a un'osservazione temporale e le coordinate di ciascun punto del corpo sono definite in serie di 4 (ogni quattro colonne è un punto del corpo). Quindi ad ogni riga, abbiamo "x", "y", "z", "br" per la colonna vertebrale, quindi "x", "y", "z", "br" per il centro della spalla, e così via . Il "br" è sempre 1, al fine di separare le tre coordinate (x, y, z) di ogni parte del corpo.

Qui è l'originale (ristretto) di dati:

DATA.time.obs<-rbind(c(-0.06431,0.101546,2.990067,1,-0.091378,0.165703,3.029513,1,-0.090019,0.518603,3.022399,1,-0.042211,0.687271,2.987086,1,-0.231384,0.419869,2.953286,1,-0.299824,0.173991,2.882627,1,0.063367,0.399478,3.136306,1,0.134907,0.176191,3.159998,1), 
       c(-0.067185,0.102249,2.990185,1,-0.095083,0.166589,3.028688,1,-0.093098,0.519146,3.019775,1,-0.043808,0.687041,2.987671,1,-0.234622,0.417481,2.94581,1,-0.300324,0.169313,2.869782,1,0.056816,0.398384,3.135578,1,0.134536,0.180875,3.162843,1), 
       c(-0.069282,0.102964,2.989943,1,-0.098594,0.167465,3.027638,1,-0.097184,0.52169,3.019556,1,-0.046626,0.695406,2.989244,1,-0.23478,0.417057,2.943475,1,-0.300101,0.168628,2.860515,1,0.053793,0.395444,3.143226,1,0.134175,0.182816,3.172053,1), 
       c(-0.070924,0.102948,2.989369,1,-0.101156,0.167554,3.026474,1,-0.100244,0.522901,3.018919,1,-0.049834,0.696996,2.987933,1,-0.235301,0.416329,2.939331,1,-0.301339,0.170203,2.85497,1,0.04762,0.390872,3.142792,1,0.14041,0.186844,3.182172,1), 
       c(-0.071973,0.103372,2.988788,1,-0.103215,0.16776,3.025409,1,-0.102334,0.52281,3.019341,1,-0.051298,0.697003,2.991192,1,-0.235497,0.414859,2.935161,1,-0.297678,0.15788,2.833734,1,0.045973,0.386249,3.147609,1,0.14408,0.1916,3.204443,1), 
       c(-0.073223,0.104598,2.988132,1,-0.106597,0.168971,3.022554,1,-0.106778,0.522688,3.015138,1,-0.051867,0.697781,2.990767,1,-0.236137,0.414773,2.931317,1,-0.297552,0.153462,2.827027,1,0.039316,0.39146,3.166831,1,0.175061,0.214336,3.207459,1)) 

Per ciascun punto di tempo, si può creare una matrice in cui ogni riga sarà un punto del corpo, e le colonne sarà le coordinate:

# Single time point for analysis 
time.point<-1 
# Number of coordinates 
coordinates<-4 
# Number of body points 
body.points<-dim(DATA.time.obs)[2]/coordinates 

# Total time of gesture 
total.time<-dim(DATA.time.obs)[1] 

# Transform data for a single time. observation into a matrix 
DATA.matrix<-matrix(DATA.time.obs[1,],c(body.points,coordinates),byrow = TRUE) 
colnames(DATA.matrix)<-c("x","y","z","br") 
rownames(DATA.matrix)<-c("hip_center","spine","shoulder_center","head", 
         "left_shoulder","left_wrist","right_shoulder", 
         "right_wrist") 

Così, abbiamo, in ogni punto del tempo, una matrice come questo:

     x  y  z br 
hip_center  -0.064310 0.101546 2.990067 1 
spine   -0.091378 0.165703 3.029513 1 
shoulder_center -0.090019 0.518603 3.022399 1 
head   -0.042211 0.687271 2.987086 1 
left_shoulder -0.231384 0.419869 2.953286 1 
left_wrist  -0.299824 0.173991 2.882627 1 
right_shoulder 0.063367 0.399478 3.136306 1 
right_wrist  0.134907 0.176191 3.159998 1 

Ed ora abbiamo noi e rgl per tracciare i dati da questa matrice:

#install.packages("rgl") 
library(rgl) 

# INITIAL PLOT 

x<-unlist(DATA.matrix[,1]) 
y<-unlist(DATA.matrix[,2]) 
z<-unlist(DATA.matrix[,3]) 

# OPEN A BLANK 3D PLOT AND SET INITIAL NEUTRAL VIEWPOINT 
open3d() 
rgl.viewpoint(userMatrix=rotationMatrix(0,0,0,0)) 

# SET FIGURE POSITION 
# This is variable. It will depend on your dataset 
# I've found that for this specific dataset a rotation 
# of -0.7*pi on the Y axis works 

# You can also plot and select the best view with 
# your mouse. This selected view will be passed on 
# to the animation. 
U <- par3d("userMatrix") 
par3d(userMatrix = rotate3d(U, -0.7*pi, 0,1,0)) 

# PLOT POINTS 
points3d(x=x,y=y,z=z,size=6,col="blue") 
text3d(x=x,y=y,z=z,texts=1:8,adj=c(-0.1,1.5),cex=0.8) 

# You can also plot each body point name. 
# This might be helpful when you don't know the 
# initial orientation of your plot 

# text3d(x=x,y=y,z=z,texts=rownames(DATA.matrix), 
#  cex=0.6,adj=c(-0.1,1.5)) 

# Based on the plotted figure, connect the line segments 
CONNECTOR<-c(1,2,2,3,3,4,3,5,3,7,5,6,7,8) 
segments3d(x=x[CONNECTOR],y=y[CONNECTOR],z=z[CONNECTOR],col="red") 

Poi, abbiamo questo:

per creare un'animazione, siamo in grado di mettere tutto questo in una funzione e l'uso lapply.

movement.points<-function(DATA,time.point,CONNECTOR,body.points,coordinates){ 

    DATA.time<-DATA[time.point,] 

    DATA.time<-matrix(DATA.time,c(body.points,coordinates),byrow = TRUE) 

    x<-unlist(DATA.time[,1]) 
    y<-unlist(DATA.time[,2]) 
    z<-unlist(DATA.time[,3]) 

    # I used next3d instead of open3d because now I want R to plot 
    # several plots on top of our original, creating the animation 

    next3d(reuse=FALSE) 
    points3d(x=x,y=y,z=z,size=6,col="blue") 
    segments3d(x=c(x,x[CONNECTOR]),y=c(y,y[CONNECTOR]),z=c(z,z[CONNECTOR]),col="red") 
# You can control the "velocity" of the animation by changing the 
# parameter below. Smaller = faster 
    Sys.sleep(0.5) 
} 

So che questa soluzione non è elegante, ma funziona.