（个人）实时交互的太极拳学习系统创新实训第一周（一）

一、预期目标

我们要做的项目是 一个基于动捕和虚拟现实的实时交互的太极拳学习系统。

最终系统会包含学习、纠错、评估、总结等模块，可实现观看与展示、评分与回放、账户的建立与数据的存储等功能，利用无线VR头显与动作捕捉设备进行新颖又高效的太极拳学习。我们将会研究一个分配方案或原则，探求如何在学习系统中合理分配声音、图示等元素使得学习效率最高，用户体验最好。

二、目前进度

1、阅读论文

本周我收集并阅读了大量论文文献，希望能找到一个比较好的相似度匹配算法。

考察动作匹配的相似度，一般采用基于欧式距离的度量方法，度量n维空间中两个点之间的绝对距离，来计算两通道数据各个点之间的距离，从而决定两通道数据的相似程度。在阅读论文中又学习到了其他几种方法，简单列在下面。

①基于欧氏距离的度量方法要求两组动作序列在时间上一一对应，但对于两组时间序列不等长的动作就要用基于动态时间规整（DTW）的比对分析方法。该算法可以很好的解决不同长度时间序列间的比对问题，通过构建欧式距离矩阵，并利用规整函数寻找最短路径，从而能计算出两个不同长度的序列之间的最短距离。

②基于欧氏距离的度量方法是以标志点的位移为参考标准，不同高矮、胖瘦以及人体比例不同的待测人员，会出现模型本身位移上的偏差，而基于特征向量匹配的姿态分析方法是把动作相似性归结为物体间几何形状的相似性，由三个特征点确定一个特征平面，所以人体姿态的骨架主要由七个特征平面构成，人体运动的标准性分析可以简化为对同一个平面的边向量的相似性比较与平面间法向量相似性的比较。

2、动作捕捉

因为算法测试需要数据的支持，所以在整理论文的同时，我使用Noitom诺亦腾的Perception Legacy基于惯性的动作捕捉设备与Motion Builder捕捉了10次太极拳的前三式，即预备式、起势、野马分鬃。并在Maya中处理动捕数据，手动微调控制器、烘焙关键帧、删除冗余骨骼等，确保这些fbx文件可以被组员在UE4中进一步使用。

三、下周计划

①继续搜集、阅读和整理相关论文，辅助算法的实现。

②及时为算法测试提供动捕数据，并研究动捕的数据格式。

③学习UE4的使用，构想系统UI的开发。