Pose2Sim是一个开源 Python 工具包，专门做3D 无标记点运动分析（markerless kinematics）：只要用多部手机、摄像头或 GoPro 从不同角度拍几段视频，它就能自动完成 2D 姿态估计、多相机同步、标定、三角化、滤波，最后输出 OpenSim 格式的全身3D 关节角度（.mot 文件）。全程无需在身体上贴反光标记点，也无需昂贵的动捕工作室，本地运行、数据不出门。

一、为什么选 Pose2Sim？

传统标记点动捕系统价格高、搭建麻烦，且贴标记点会妨碍自然运动。Pose2Sim 用深度学习姿态估计替代了反光标记点：

• 🎯研究级精度：经同行评审研究验证，关节角度误差约 2–6°
• 📹任意相机：手机、网络摄像头、GoPro 均可，受试者可穿普通衣物
• 👥多人支持：可同时追踪多人并自动跨相机关联
• 🦴完整 3D 运动学：直接输出 OpenSim 骨架模型与关节角度，可继续做地面反作用力、肌肉分析、动画等

它的名字来源于 "OpenPose to OpenSim"——以 2D 关键点为输入，以 OpenSim 3D 关节角度为输出。

二、准备工作：5 分钟搭好环境

一键安装 Pose2Sim（uv 环境）

推荐使用 uv（快速、轻量）创建环境。以 Linux/macOS 为例：

# 安装 uv curl -LsSf https://astral.sh/uv/install.sh | sh # 创建并激活环境 uv venv ~/.venv/pose2sim --python 3.13 source ~/.venv/pose2sim/bin/activate # 安装 Pose2Sim uv pip install pose2sim --upgrade

💡 如需开发/编辑最新源码版本，可克隆后安装：git clone --depth 1 https://gitcode.com/gh_mirrors/po/pose2sim然后cd pose2sim && uv pip install -e .

用 Demo 项目当模板

仓库自带三个开箱即用的示例项目，包含视频、标定文件和配置文件：

把Demo_SinglePerson复制到你的工作目录，把要分析的视频放进videos/文件夹，然后编辑 Config.toml 的[project]部分：

所有参数都在Config.toml中有详尽注释，放心按需修改。

三、8 步流水线详解

整个流程就是依次调用 8 个函数（源码入口见 Pose2Sim.py），也可用一行Pose2Sim.runAll()全部跑完：

from Pose2Sim import Pose2Sim Pose2Sim.calibration() # 1. 相机标定 Pose2Sim.poseEstimation() # 2. 2D 姿态估计 Pose2Sim.synchronization() # 3. 多相机同步 Pose2Sim.personAssociation() # 4. 跨相机人员关联 Pose2Sim.triangulation() # 5. 3D 三角化 Pose2Sim.filtering() # 6. 3D 坐标滤波 Pose2Sim.markerAugmentation() # 7. 标记点增强 Pose2Sim.kinematics() # 8. OpenSim 运动学

进入项目文件夹后启动ipython，逐段运行即可。下面逐步讲解。

第 1 步：相机标定（calibration）

标定分两部分：内参（焦距、畸变等镜头属性，一台相机只需算一次）和外参（相机在空间中的位置与朝向，每次移动相机都要重算）。

有两种模式（由 calibration.py 实现）：

• calibration_type = 'convert'：导入现成标定文件（支持 Qualisys .qca.txt、Vicon .xcp、OpenCap .pickle、EasyMocap .yml 等，示例文件见 Demo_SinglePerson/calibration/Calib.qca.txt）
• calibration_type = 'calculate'：从零计算
  • 内参：用棋盘格或 ChArUco 板拍摄每部相机，交互界面中按Y接受检测、N丢弃、C手动修正
  • 外参：推荐scene方法——测量场景中 10 个以上已知坐标的点（地砖角、墙体线条等），在每路视频画面中点击对应位置

ChArUco 板选择要点：内参用角点多的小板（如 A4 尺寸 5×8），外参用大方格的板；行列数要不对称、四周留白边、板面平整、成像对焦清晰无反光。

📏 质量参考：内参重投影误差应接近或低于0.5 px，外参误差建议低于1 cm（最高不超过 2.5 cm）。

第 2 步：2D 姿态估计（poseEstimation）

默认使用集成在 Pose2Sim 内的RTMPose模型（通过 RTMLib），对每路视频逐帧检测 2D 关键点，输出 OpenPose 格式的 .json 文件（每帧一个，含坐标与置信度）。

常用[pose]参数：

也可以换用 DeepLabCut 自训模型、MediaPipe、AlphaPose 等，配套转换脚本在 Utilities/ 目录（如 DLC_to_OpenPose.py、Mediapipe_to_pose_or_trc.py）。

第 3 步：多相机同步（synchronization）

不同相机各自录制的视频时间轴往往有偏移，必须对齐后才能三角化。算法（synchronization.py）计算关键点的平均垂直速度，再搜索让各相机速度曲线相关性最大的时间偏移量。

💡 小技巧：拍摄时让受试者做一个快速上下挥手的动作，同步会又快又准。若相机原生同步（如通过快门/时间码），可直接跳过本步骤。

第 4 步：跨相机人员关联（personAssociation）

多人在场时，需要把每路视频里检测到的"人"对应到同一个人。Pose2Sim 通过测量各相机到关键点的 3D 射线交点误差来匹配（personAssociation.py），并能沿时间追踪 ID、处理遮挡。

• 单人场景（multi_person = false）：自动选择重投影误差最小的人
• 多人场景：调低min_affinity可更宽松地匹配；若关联错人则反向调整

第 5 步：3D 三角化（triangulation）

核心步骤（triangulation.py）：用多视角 2D 点做加权 DLT 三角化——每个点按其检测置信度加权，结果更稳健。内置三重保护机制：

1. 置信度低于likelihood_threshold_triangulation的 2D 点直接剔除
2. 重投影误差超过reproj_error_threshold_triangulation（15 px）时，逐台剔除相机重试
3. 剩余相机少于min_cameras_for_triangulation（2 台）则跳过该点

缺失帧自动插值。运行结束会输出每个关键点的平均重投影误差统计（像素 + 毫米）：

第 6 步：3D 坐标滤波（filtering）

三角化结果带有噪声，需滤波后再进 OpenSim（filtering.py）。可选 9 种滤波器，默认Butterworth 零相位低通（生物力学最常用），另有 Kalman、OneEuro、GCV 样条、中值滤波等。

第 7 步：标记点增强（markerAugmentation）

用 Stanford LSTM 模型（权重内置于 MarkerAugmenter/LSTM/）从 26 个关键点外推 47 个"虚拟标记点"，模拟传统标记点动捕的密度，对相机少于 4 部时收益最大。

⚠️ 要求：participant_height设置正确；.trc 中不能有未插值的缺失值；模型至少包含髋、膝、踝、脚跟、脚趾等 12 个腿部关键点（默认Body_with_feet满足）。

第 8 步：OpenSim 缩放与逆运动学（kinematics）

最后一步（kinematics.py）：把全身 OpenSim 肌肉骨骼模型自动缩放到受试者体型（无需静态标定帧），然后运行逆运动学（IK），输出生物力学上合理的全身 3D 关节角度。

骨骼长度恒定、关节角度受约束，这正是标记点方法难以做到的稳健性来源。模型与缩放/IK 配置文件都在 OpenSim_Setup/ 目录中提供。

⚡ 提速技巧：设use_simple_model = true（无肌肉、刚性脊柱），IK 速度快10 倍以上，对多数步态分析已足够。

四、跑完后你得到什么？

Pose2Sim_Project/ ├── Config.toml ├── videos/ # 原始视频 ├── calibration/ # Calib.toml（转换或计算得到的标定） ├── pose/ # 2D 姿态 .json ├── pose-sync/ # 同步后的 2D 姿态 ├── pose-3d/ # 3D 标记点轨迹 .trc（滤波前后） ├── kinematics/ # OpenSim 结果 │ ├── *_scaled.osim # 缩放后的个人模型 │ ├── *.mot # 全身关节角度（可用 Excel/OpenSim 打开） │ └── opensim_logs.txt └── logs.txt # 全流程详细日志

可视化方式：

• OpenSim GUI：File > Open Model打开.osim，File > Load Motion加载.mot，File > Preview Experimental Data预览.trc
• Blender 插件：Pose2Sim_Blender 插件可叠加视频、查看相机位置与三角化关键点
• 关节角度转动捕软件格式：make_bvh = true会额外导出 .bvh 文件

五、进阶玩法

🚀多人分析：复制 Demo_MultiPerson/，将multi_person设为true，然后：

from Pose2Sim import Pose2Sim Pose2Sim.runAll()

📦批量处理：Demo_Batch/ 展示"根配置 + 每试验配置"的两级结构——全局参数写在根Config.toml，单个试验可只覆盖差异参数。

🛠扩展工具：仓库还附带 20 多个独立脚本（坐标格式转换、步态事件检测、人脸打码、标定文件互转等），见 Pose2Sim/Utilities/：

⚡速度不够？按顺序尝试：GPU 加速 →display_detection = false+parallel_workers_pose = 'auto'→det_frequency = 100→mode = 'lightweight'→use_simple_model = true。作者实测这些组合可把流水线提速10–20 倍，且基本不损失精度。

六、常见问题速查

总结：装好 Pose2Sim → 拷贝 Demo 项目放入视频 → 改Config.toml→ 依次（或一次性runAll()）跑完 8 步，你就能得到研究级的 3D 关节角度数据。从第一帧视频到步态分析，全程免费、开源、本地运行——这就是无标记点运动分析的完整答案。