我正在尝试建立一个基于姿态估计的模型，该模型能够识别不正确的运动相对于预定义动作的姿势．比如做下蹲、引体向上、瑜伽等等其中，如果用户没有按照说明中给出的操作进行操作，则意味着我必须找出姿势中的这些点。
到目前为止我所尝试的:建立一个基于规则的逻辑，识别两个关节/线之间的方向和角度，并给出纠正
但问题是我们不能为动作序列中的所有帧编写规则。所以寻找一个更好的解决方案。
如果动作的时间和顺序不重要，这个想法可能行得通。这也假设你知道正在尝试什么动作(尽管这也可以修改为一种蛮力分类):
创建一种方法，以您描述的方式记录连续运动(索引关节的角度)。然后，为了训练一个新的动作，收集"黄金套装"。在这里，动作尽可能完美地执行5-10次(如果你能确保高质量的样本，我也会做得很好)。将这些集合组合起来(将它们连接起来，不要取平均值)。你可以把每个数据点想象成高维的数据点比如xyz但是有很多关节角。如果速度/优化是一个问题，您可能需要对这些数据进行排序以改进后续搜索。
这取决于你关心的关节，但如果一些关节比其他关节移动得多，你可能想要标准化每个关节的角度数据(即不是使用它们的原始值，而是将它们的原始值除以它们在运动中的总范围)。这样做的好处是，它将保持一个关节具有巨大的运动压倒另一个小得多，但这仍然是重要的。需要注意的是，要小心那些很少运动的关节，因为它们的归一化会显著增加噪音，所以你可能应该把任何低于运动范围的关节归零。
现在，当有人执行运动时，取用户数据的实时样本(关节角度，如果执行归一化，则将每个关节归一化，与黄金数据中相同)，并找到"最接近的"。点出你的金色组合样品。从最简单的意义上说，"亲密"。可以是高维距离估计。然后将实时数据与最接近的黄金数据进行比较，你可以告诉用户他们当前的姿势在哪些方面是不准确的。平方距离可以使用，因为它只是为了排名，所以你所需要做的就是找到每个维度的差异(angle1Difference, angle2Difference, angle3Difference，…)并将它们的平方相加:即distSq = a1D x a1D + a2D x a2D +a3D x a3D…
请注意，对于给定的数据点，您需要捕获所有您关心的关节在一起(独立的数据集意义不大，因为它可能允许正确的运动范围，但在错误的顺序或协调)