FootGait3D

FootGait3D是一个多视角、高分辨率的脚踝表面点云数据集，用于步态分析。该数据集由复旦大学医学院、计算机科学和人工智能学院、信息工程系、南洋理工大学计算机科学与工程学院的研究人员共同创建。数据集包含8403个点云帧，来自46名受试者，使用定制的五相机深度传感系统捕捉。每个帧包括一个完整的五视图重建的脚和踝（作为地面真实值），以及仅来自四个、三个或两个视图的部分点云。该数据集旨在解决现实世界中步态数据集缺乏真实完整形状的问题，并用于评估和训练点云完成算法。FootGait3D为生物力学和足部建模研究提供了宝贵的测试平台，适用于临床步态分析、假肢设计和需要详细3D模型的机器人应用等领域。

FootGait3D is a multi-view, high-resolution ankle surface point cloud dataset for gait analysis. This dataset was co-created by researchers from the School of Medicine, School of Computer Science and Artificial Intelligence, and Department of Information Engineering of Fudan University, as well as the School of Computer Science and Engineering of Nanyang Technological University. The dataset contains 8403 point cloud frames from 46 subjects, captured using a custom five-camera depth sensing system. Each frame includes a complete five-view reconstructed foot and ankle as ground truth, alongside partial point clouds derived from only four, three, or two views. This dataset aims to address the shortage of real-world complete shapes in existing gait datasets, and is used for evaluating and training point cloud completion algorithms. FootGait3D provides a valuable testbed for biomechanics and foot modeling research, and is applicable to fields including clinical gait analysis, prosthetic design, and robotic applications that require detailed 3D models.

原始信息汇总

FootGait3D 数据集概述

基本信息

• 数据集名称: FootGait3D
• 许可证: CC BY-NC 4.0 (署名-非商业性使用)
• 数据规模: 100B < n < 1T

数据文件

• 数据分割: gt
• 数据格式: .ply 文件
• 数据路径: dataset/*/GT/[0-9]*.ply

搜集汇总

数据集介绍

构建方式

FootGait3D数据集通过定制化的五相机深度传感系统采集了46名受试者在自然步态下的高分辨率踝足表面点云数据。该系统由五个Structure Core深度传感器组成，其中四个水平布置以捕捉足部的背侧和侧面，第五个传感器置于透明步态板下方以捕捉足底表面。数据采集过程中，受试者以自选舒适速度赤足行走，确保足部与透明板充分接触。通过粗到精的配准程序，将多视角点云同步并融合到全局坐标系中，最终生成包含8,403帧点云的数据集，每帧均包含完整的五视角重建（作为真值）以及仅由四、三或两个视角获取的部分点云。

特点

FootGait3D数据集专注于步态过程中踝足区域的详细建模，提供了比现有步态数据集更精细的运动数据粒度。其独特之处在于提供了成对的完整与部分点云，专门设计用于评估不同遮挡水平和视角下的3D点云补全方法。数据集包含100,836帧点云数据和42,015张深度图，覆盖了从完整五视角到受限两视角的渐进式遮挡场景。每帧数据均经过严格的质量控制，确保表面重建精度低于2毫米均方根误差，为生物力学研究和计算机视觉算法提供了高度逼真的动态捕捉条件。

使用方法

FootGait3D数据集主要用于点云补全任务的算法开发和性能评估。研究人员可通过提供的多视角深度图和相机外参矩阵，训练和测试单模态（如PointTr、SnowflakeNet）或多模态（如SVDFormer、PointSea）补全网络。数据集的标准划分包含5,881帧训练集、841帧验证集和1,681帧测试集，支持对不同视角组合条件下的算法鲁棒性进行系统评估。使用过程中，输入点云可统一下采样至2,048个点，而高分辨率输出（16,384个点）可通过最远点采样降至2,048个点以保证评估公平性。该数据集特别适用于需要动态足部几何细节的生物力学分析、假肢设计和机器人应用场景。

背景与挑战

背景概述

FootGait3D数据集由复旦大学和香港中文大学的研究团队于2025年联合发布，旨在解决步态分析中足踝复杂结构动态捕捉的难题。该数据集聚焦于自然步态周期中的高分辨率足踝表面点云重建，通过定制五相机深度传感系统采集了46名受试者的8,403帧点云数据。不同于传统全身或下肢运动数据集，FootGait3D首次提供了多视角配对的完整与部分点云样本，填补了生物力学研究和3D点云补全算法在真实动态数据评估方面的空白。其创新性的透明步道设计实现了足底表面的完整捕捉，为临床步态分析、假肢设计和机器人学应用提供了重要基准。

当前挑战

FootGait3D面临的核心挑战体现在两个维度：在领域问题层面，传统运动捕捉系统难以处理足踝区域因摆动相遮挡导致的几何数据缺失，而现有合成数据集无法模拟真实步态中的非刚性形变和非均匀噪声；在构建过程中，多相机时序同步误差导致快速运动阶段的点云畸变，需通过人工筛选确保数据质量。此外，足底视角采集需克服透明步道的光学反射干扰，而动态步态中足部拓扑结构变化则对点云配准算法提出了更高要求。这些挑战使得该数据集成为检验点云补全算法在真实生物力学场景中鲁棒性的严格试金石。

常用场景

经典使用场景

FootGait3D数据集在步态分析领域具有重要应用价值，特别是在足踝复杂结构的三维建模和运动学研究中。该数据集通过多视角高分辨率点云捕捉自然步态下的足踝表面几何形态，为研究足部在动态运动中的形态变化提供了精确数据支持。其经典使用场景包括足踝运动学参数的精确测量、步态周期中足部接触相的几何特征分析，以及足部生物力学模型的验证与优化。

衍生相关工作

基于FootGait3D数据集，研究者们已开展多项创新性工作。在点云补全领域，衍生出了针对生物力学数据优化的新型网络架构，如改进的Transformer模型和生成对抗网络。在生物医学工程领域，该数据集促进了多段足部建模方法的发展，支持了基于真实运动数据的足部有限元分析。此外，还催生了多模态融合的足部运动分析系统，将点云数据与肌电、力学参数进行关联研究。

数据集最近研究

最新研究方向

FootGait3D数据集作为首个专注于步态周期中足踝复合体高分辨率点云数据的多视角资源，正在推动生物力学与计算机视觉交叉领域的突破性研究。当前前沿探索集中在三个维度：其一，基于多模态融合的深度学习算法优化，如SVDFormer和PointSea等架构通过整合深度图与点云特征，显著提升了动态形变组织的三维补全精度；其二，真实场景下的遮挡鲁棒性研究，该数据集提供的分级遮挡样本（2-5视角）为评估算法在临床常见视野受限场景的性能提供了标准化基准；其三，足部生物力学建模创新，高时空分辨率的动态表面几何数据使得足弓形变分析、跖骨关节运动学等精细研究成为可能。近期研究热点包括将该数据集应用于智能假肢设计中的个性化足部运动轨迹预测，以及作为数字孪生系统的关键输入用于虚拟康复训练系统开发。这些进展不仅填补了传统运动捕捉技术无法获取解剖学细节的空白，更为可解释AI在医疗机器人领域的应用奠定了数据基础。

相关研究论文

• A Multi-View High-Resolution Foot-Ankle Complex Point Cloud Dataset During Gait for Occlusion-Robust 3D Completion

  复旦大学 · 2025年