Senter for idrettsskadeforskning

Hovedinnhold på siden

Informasjon om prosjekttittel 'Laboratorievalidering av en modellbasert bilde-matchingsteknikk for rekonstruksjon av 3D bevegelse fra ukalibrerte 2D videosekvenser'

Laboratorievalidering av en modellbasert bilde-matchingsteknikk for rekonstruksjon av 3D bevegelse fra ukalibrerte 2D videosekvenser

Detaljer om prosjektet - kategori Detaljer om prosjektet - verdi
Prosjektstatus: Published
Prosjektleder: Tron Krosshaug
Veileder(e): Roald Bahr

Beskrivelse

Visuell analyse av kinematikk fra skadevideoer har vist seg å være en meget unøyaktig metode. Det er derfor behov for å utvikle nye metoder som er mer nøyaktige og mindre basert på subjektive vurderinger.

For å kunne gjøre mer omfattende biomekaniske analyser er det også ønskelig å utvikle en metode som kan produsere kontinuerlige estimater av leddvinkler og posisjoner. Et litteratursøk har vist at slike metoder var utviklet. Imidlertid viste disse seg å være uegnede for bruk i skadevideoer, ettersom de forutsatte f.eks. stillestående kamera, klær med fargekoder og liknende forenklinger for å fungere. I tillegg var automatisk rekonstruksjon prioritert på bekostning av nøyaktighet. Av denne grunn var det nødvendig å utvikle en ny metode for 3D rekonstruksjon av bevegelser i skadesituasjoner. Løsningen på problemet kan være å benytte en skjelettmodell som manuelt kan justeres slik at den matcher personen på videoen. Denne metoden baserer seg på en kommersielt tilgjengelig programvare Poser® 4 Pro Pack (Curious Labs, Inc., Santa Cruz, California, USA). I denne programvaren er det mulig å importere video fra opp til 4 videokamera. Man kan også lage modeller av f.eks. en håndballbane med eksakt posisjon av gulvmerking, reklameskilt, mål osv. Det finnes også kameramodeller som replikerer et reelt kamera ved at det kan flyttes i rommet, roteres samt endre brennvidde (”zoome”).

I matchingsprosessen er første steg å tilpasse modellen av bakgrunnen, slik at synsvinkelen blir korrekt. Dette foregår ved å justere hver av de 7 kameraparameterne (rotasjon om tre akser, forflytning langs tre akser samt zoom). Deretter tilpasses skjelettmodellen. Skjelettmodellen består av 21 segmenter (forfot, bakre fot, legg, lår, bekken, mage, bryst, nakke, hode, skulderbue, overarm, underarm og hånd). Alle leddene har tre frihetsgrader med unntak av sternoclavicular-, albue- og håndledd som har to frihetsgrader. I tillegg har bekkenet tre translasjonsfrihetsgrader som gjør oss i stand til å flytte skjelettmodellen rundt i rommet. Denne modellen tilpasses kroppsdimensjonene til personen som blir analysert ved å skalere de ulike segmentene på bakgrunn av antropometriske målinger. I de tilfellene der denne informasjonen ikke er tilgjengelig vil skalering av skjelettet bli en del av matchingsprosessen. Ulempen med en manuell matching er at den er svært tidkrevende ettersom det kreves en ny match for hvert eneste videobilde. Imidlertid inneholder Poser en funksjon som interpolerer bevegelsen mellom to tidspunkter, hvilket betraktelig reduserer behovet for manuelle justeringer.

For å validere metoden ble den sammenliknet med en gullstandard som i dette tilfellet var et 3D bevegelsesanalysesystem i biomekanikk-labben ved Norges idrettshøgskole. En forsøksperson, utstyrt med 33 refleksmarkører, gjorde jogging og finter som resulterte i totalt 7 matchinger for hver av de to bevegelsene (3 matchinger basert på kun ett kamera, 3 matchinger der to-og-to av kamerasekvensene ble kombinert og én matching der alle kameravinklene ble benyttet).

For å kunne sammenlikne resultatene fra Poser-videoanalysen med 3D-systemet var det nødvendig å ha lik definisjon av leddaksene. Disse beregningene ble gjort i programvaren Matlab. Her ble det også foretatt filtrering og beregning av leddsentre, treghetsparametere, massemidtpunkt, leddvinkler og andre viktige parametere.

Studien viste at det var mulig å rekonstruere bevegelsene i alle situasjonene. Det ble ikke funnet nevneverdige forskjeller mellom joggebevegelsen og den mer komplekse fintebevegelsen. Leddvinklene stemte godt overens for fleksjon/ekstensjon i både hofte og kne, men estimatene fra videoanalysen lå noe høyere for knefleksjon og hofteabduksjon. Interne/eksterne rotasjonsvinklerne varierte mest, men tatt i betraktning at hudbevegelse vil influere gullstandarden er det vanskelig å vite hvor nøyaktige estimatene reelt sett var.

Analyser av de enkelte segmentene viste at feilen i hoftevinkler hadde sin opprinnelse i matchingen av bekkenet. Dette er ikke overraskende ettersom bekkenets form gjør det betraktelig vanskeligere å vurdere orienteringen enn f.eks. lår og legg.

Hastighetene til massemidtpunktet ble klart bedre i de tilfellene der vinkelrette kameravinkler var tilgjengelige. Dersom vi kun har kamerasekvenser rett forfra og bakfra er det svært vanskelig å få gode estimater på hastighet i anterior-posterior retning. Da er mao. et kamera fra siden nødvendig.