SkiPose
收藏资源简介：
该数据集使用惯性测量单元（IMU）捕捉滑雪者在真实动态环境中的运动数据，提供每个时间戳下多个解剖关键点的3D位置坐标和基于四元数的方向信息，支持高精度姿态重建和生物力学分析。数据包括10-20个解剖关键点，如脚踝、膝盖、肩膀和手腕等，每个关键点提供3D位置坐标和方向四元数。此外，数据集还包含通过视觉姿态估计管道处理的2D和3D人体姿态表示，支持多模态融合和直观可视化。
This dataset collects motion data of skiers in real-world dynamic environments using inertial measurement units (IMUs). It provides 3D positional coordinates and quaternion-based orientation information for multiple anatomical keypoints at each timestamp, facilitating high-precision pose reconstruction and biomechanical analysis. The dataset encompasses 10 to 20 anatomical keypoints, such as ankles, knees, shoulders, wrists and other relevant body parts, with 3D positional coordinates and orientation quaternions provided for each keypoint. Furthermore, the dataset also includes 2D and 3D human pose representations processed via a visual pose estimation pipeline, supporting multimodal fusion and intuitive visualization.
SkiPose 数据集概述
数据集简介
本数据集是使用惯性测量单元（IMU）采集的滑雪者动态运动的动作捕捉记录。每个样本均按时间顺序排列，并与特定的时间戳 t（单位：秒）相关联。
数据内容
- 关键点：每个时间戳包含 10–20 个解剖学关键点，代表主要关节或身体部位，例如脚踝、膝盖、肩膀和手腕。
- 数据格式：每个关键点在给定时间戳下提供两个组成部分：
- 3D 位置坐标：一个三元组
(x, y, z)，单位为米，表示关键点在三维空间中的空间位置。 - 方向四元数：一个归一化的四维向量
(q_w, q_x, q_y, q_z)，用于编码关键点的旋转姿态。四元数用于避免万向节锁，并实现平滑稳健的方向插值。归一化条件为：q_w^2 + q_x^2 + q_y^2 + q_z^2 ≈ 1。
- 3D 位置坐标：一个三元组
数据结构
数据按时间戳组织。每个时间步 t 的概念结构如下：
t | (x1, y1, z1), (q_w1, q_x1, q_y1, q_z1) | (x2, y2, z2), (q_w2, q_x2, q_y2, q_z2) | ...
t表示以秒为单位的时间戳。- 每个
|分隔同一时间戳下的单个关键点。 - 每个时间步（即每个
t块）构成时间序列中的一个顺序数据单元。
扩展姿态数据（2D / 3D）
除了基于 IMU 的 3D 位置和方向数据外，还使用基于视觉的姿态估计流程对收集的数据进行进一步处理，以获得 2D 和 3D 人体姿态表示。这支持多模态融合和更直观的可视化。
2D 姿态数据（AlphaPose）
使用 AlphaPose 对原始视频进行 2D 人体姿态估计，获得逐帧的 2D 关键点。相关结果存储在 Videos 文件夹中：
Videos/AlphaPose_output.mp4：一个将 2D 骨架叠加在原始视频上的视频。Videos/alphapose-results.json：存储每帧的 2D 关键点检测结果，通常包括图像平面中的关键点像素坐标(u, v)以及相应的检测置信度分数。该文件可用于 2D 姿态分析、与 IMU 数据对齐，或作为 3D 姿态提升模型（如 MotionBERT）的输入。
3D 姿态数据（MotionBERT）
基于 2D 姿态结果，应用 MotionBERT 重建 3D 人体姿态序列。输出同样存储在 Videos 文件夹中：
Videos/X3D.mp4：一个展示重建的 3D 骨架随时间演变的可视化视频，有助于直观理解滑雪运动的空间轨迹和节奏。Videos/X3D.npy：一个包含 3D 关节坐标序列的 NumPy 二进制文件。数据通常组织为形状类似于T × J × 3的张量：T：时间步（帧）数。J：关节数。3：每个关节的 3D 坐标(x, y, z)（单位可能是米或归一化单位，具体取决于代码/文档中的配置）。
数据融合与应用
通过结合 IMU 衍生的 3D 位置 + 四元数方向 与视觉衍生的 2D / 3D 姿态数据，研究人员可以：
- 执行多传感器融合（IMU + RGB 视频）。
- 比较基于传感器和基于视觉的姿态估计性能。
- 为滑雪动作识别、运动质量评估和性能分析构建更稳健的模型。
预期用途
本数据集专为以下领域的研究和开发而设计：
- 运动分析
- 姿态估计
- 生物力学与关节运动学
- 人类活动识别
- 伤害预防系统
- 运动表现分析与优化
通过为每个关键点提供 3D 位置 和 方向，以及 2D / 3D 姿态 的视觉流程输出，本数据集支持：
- 全身运动模式的详细分析。
- 在动态、真实的滑雪场景中评估算法。
- 训练和验证需要位置、旋转和基于视觉的姿态信息的机器学习模型。
