1. Trang chủ
  2. » Luận Văn - Báo Cáo

Nhận dạng hình trạng người từ nhiều KINECT

63 2 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 63
Dung lượng 1,67 MB

Nội dung

Nhận dạng hình trạng người từ nhiều KINECT Nhận dạng hình trạng người từ nhiều KINECT Nhận dạng hình trạng người từ nhiều KINECT luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - Nguyễn Văn Long NHẬN DẠNG HÌNH TRẠNG NGƯỜI TỪ NHIỀU KINECT Chuyên ngành: Kỹ thuật điều khiển tự động hóa LUẬN VĂN THẠC SĨ KHOA HỌC KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Lê Thị Lan Hà Nội – 2016 i CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Nguyễn Văn Long Đề tài luận văn: Nhận dạng hình trạng người từ nhiều Kinect Chuyên ngành: Kỹ thuật điều khiển tự động hóa Mã số SV: CAC16048 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 31/10/2016 với nội dung sau: Chỉnh sửa lại tồn lỗi tả luận văn Chỉnh sửa lại cấu trúc luận văn, theo đó, chương (Tổng Quan) gộp vào phần mở đầu, chương (Kết Luận) chuyển thành mục kết luận kiến nghị Nội dung luận văn cịn lại chương Bổ xung lý chọn thuật tốn SVM để phân loại hình trạng thể - trang 23 Bổ xung giá trị cụ thể đặc trưng định đặc trưng thuộc phân lớp – trang 32, 33, 34 Bổ xung trình huấn luyện tham số huấn luyện thuật toán SVM, lý lựa chọn tham số - trang 39, 40 Ngày 24 tháng 11 năm 2016 Giáo viên hướng dẫn Tác giả luận văn Nguyễn Văn Long TS Lê Thị Lan CHỦ TỊCH HỘI ĐỒNG PGS.TSKH Trần Hoài Linh ii LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu trích dẫn có nguồn gốc Các kết trình bày luận án trung thực chưa cơng bố cơng trình khác Tác giả luận án Nguyễn Văn Long iii LỜI CẢM ƠN Lời đầu tiên, xin gửi lời cảm ơn sâu sắc chân thành tới TS Lê Thị Lan, người tận tình hướng dẫn, bảo động viên tơi suốt q trình nghiên cứu viết luận án để tơi hồn thành luận án Xin chân thành cảm ơn bạn, anh, chị Viện nghiên cứu Quốc tế MICA, Trường Đại học Bách Khoa Hà Nội, tạo điều kiện giúp đỡ trình thực luận án Cuối xin bày tỏ lịng biết ơn sâu sắc tới gia đình người bạn động viên, chia sẻ, ủng hộ chỗ dựa tinh thần giúp tập trung nghiên cứu hồn thành luận án Nguyễn Văn Long iv MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU .7 CHƯƠNG I TỔNG QUAN VỀ NHẬN DẠNG HÌNH TRẠNG NGƯỜI…………9 1.1 Nhận dạng hình trạng người từ camera màu 10 1.2 Nhận dạng hình trạng người từ Kinect 14 1.3 Kết luận 21 1.4 Mơ hình đề xuất 21 CHƯƠNG II NHẬN DẠNG HÌNH TRẠNG NGƯỜI TỪ NHIỀU KINECT 25 2.1 Giới thiệu chung 25 2.2 Thu Thập liệu .26 2.3 Đồng liệu .27 2.3.1 Đồng liệu thời gian 27 2.3.2 Đồng liệu không gian 28 2.3.3 Kết đồng liệu 31 2.4 Trích chọn đặc trưng .32 2.5 Mơ hình nhận dạng 35 2.5.1 Giới thiệu thuật toán SVM 35 2.5.2 Hệ thống huấn luyện nhận dạng hình trạng người .37 CHƯƠNG III THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 38 3.1 Xây dựng chương trình thực nghiệm 38 3.1.1 Module thu thập giữ liệu 38 3.1.2 Module huấn luyện, nhận dạng hình trạng người 39 3.1.3 Module hiển thị kết 40 3.2 Xây dựng sở liệu thực nghiệm 41 3.2.1 Thiết lập môi trường thu thập sở liệu .41 3.2.2 Tiến hành thu thập sở liệu 42 3.2.3 Lưu trữ sở liệu 47 3.2.4 Đồng sở liệu 48 3.3 Độ đo đánh giá 49 3.4 Kết thử nghiệm 50 3.4.1 Kết thử nghiệm từ Kinect 51 3.4.2 Kết thử nghiệm từ hai Kinect 53 3.4.3 Nhận xét 54 KẾT LUẬN VÀ KIẾN NGHỊ 56 TÀI LIỆU THAM KHẢO 58 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT LVQ Learning Vector Quantization PCA Principal Component Analysis RGB Red Green Blue SDK Software Development Kit SURF Speeded-Up Robust Features SVM Support Vector Machine DANH MỤC CÁC BẢNG Bảng 2.1 Các đặc trưng cho huấn luyện nhận dạng hình trạng người 34 Bảng 3.1 Bảng thu thập mẫu liệu hình trạng người 47 Bảng 3.2 Tổng hợp thu thập mẫu liệu hình trạng người .47 Bảng 3.3 Số lượng mẫu cho huấn luyện 50 Bảng 3.4 Số lượng mẫu cho kiểm nghiệm phương pháp nhận dạng .51 Bảng 3.5 Kết nhận dạng hình trạng từ Kinect 52 Bảng 3.6 Kết nhận dạng hình trạng từ hai Kinect .54 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Mơ hình hóa thể dựa vào đường bao theo [3] 10 Hình 1.2 Hình chiếu ngang dọc thể theo [3] 11 Hình 1.3 Hình chiếu tương ứng với hình thái thể theo [3] 11 Hình 1.4 Theo dõi người dựa lọc hạt theo [1] .12 Hình 1.5 Các hình trạng người nhận dạng điều kiện khác [1]13 Hình 1.6 Nhận dạng hình trạng người dựa vào đực trưng SURF [6] 14 Hình 1.7 Cấu tạo Kinect phiên 2.0 15 Hình 1.8 Các khớp xương cung cấp Kinect phiên 2.0 .16 Hình 1.9 Sơ đồ nhận dạng hình trạng người từ ảnh độ sâu [9] 17 Hình 1.10 Hình bao thể thừ ảnh chiều sâu Kinect theo [9] 17 Hình 1.11 Hình chiếu trọng tâm hình thái quỳ gối theo [9] 18 Hình 1.12 Các khớp xương quan trọng định hình thái thể 19 Hình 1.13 Kết thực nghiệm phương pháp nhận dạng dựa khớp xương [5] 20 Hình 1.14 Đồng liệu từ nhiều Kinect cho việc dạy múa theo [8] 21 Hình 1.15 Hai Kinect đặt vng góc với .23 Hình 1.16 Hệ thống nhận dạng hình trạng đề xuất 24 Hình 2.1 Hệ tọa độ Kinect 25 Hình 2.2 Sơ đồ kết nối hệ thống sưa tập liệu từ Kinect 26 Hình 2.3 Mơ q trình đồng liệu theo thời gian 28 Hình 2.4 Chuyển đổi tọa độ phép quay quanh trục Y 30 Hình 2.5 Các khớp xương chứa thông tin nhận dạng 35 Hình 2.6 Mơ phân lớp thuật tốn SVM dựa vào siêu phẳng (a)-có nhiều cách để phân lớp liệu, (b)-phân lớp liệu dựa vào siêu phẳng có khoảng cách lề cực đại 36 Hình 2.7 Hệ thống huấn luyện nhận dạng hình trạng người sử dụng SVM 37 Hình 3.1 Dữ liệu đầu vào cho huấn luyện mơ hình SVM 40 Hình 3.2 Module hiển thị kết 41 Hình 3.3 Phịng thu thập liệu trung tâm MICA .42 Hình 3.4 Thu thập liệu cho hình trạng đứng với hướng nhìn khác .43 Hình 3.5 Thu thập liệu cho hình trạng cúi với hướng nhìn khác 44 Hình 3.6 Thu thập liệu cho hình trạng ngồi với hướng nhìn khác 45 Hình 3.7 Thu thập liệu cho hình trạng nằm với hướng nhìn khác .46 Hình 3.8 Cấu trúc thư mục lưu trữ liệu khớp xương Kinect 48 Hình 3.9 Cấu trúc thư mục lưu trữ liệu đồng khớp xương hai Kinect 49 Hình 3.10 Chương trình nhận dạng hình trạng người Kinect 52 Hình 3.11 Trường hợp nhận dạng sai dùng Kinect 53 Hình 3.12 Chương trình nhận dạng hình trạng người với hai Kinect 54 Hình 3.6 Thu thập liệu cho hình trạng ngồi với hướng nhìn khác - Hình trạng nằm: Hình trạng nằm lấy với hướng nhìn khác Kinect tương tự hình trạng đứng, nhiên Kinect chi thu thập thông tin khớp xương hình trạng nằm khớp xương theo dõi trước Do vậy, để thu thập liệu cho hình trạng này, người yêu cầu lấy mẫu cần phải đứng thẳng để hai Kinect phát được, sau chuyển sang hình trạng nằm 45 Hình 3.7 Thu thập liệu cho hình trạng nằm với hướng nhìn khác Kết việc thu thập liệu Kinect cho người tổng hợp bảng sau: Đứng (số mẫu) Cúi (số mẫu) Ngồi (số mẫu) Nằm (số mẫu) 00 50 50 50 50 450 50 50 50 50 900 50 50 50 50 1350 50 50 50 50 1800 50 50 50 50 2250 50 50 50 50 Hình trạng Hướng nhìn 46 2700 50 50 50 50 3150 50 50 50 50 Tổng số mẫu 400 400 400 400 1600 Bảng 3.1 Bảng thu thập mẫu liệu hình trạng người Có tổng cộng người tham gia lấy mẫu, số mẫu liệu thu cho Kinect tổng hợp qua bảng sau: Đứng (số mẫu) Cúi (số mẫu) Ngồi (số mẫu) Nằm (số mẫu) Người thứ 400 400 400 400 Người thứ hai 400 400 400 400 Người thứ ba 400 400 400 400 Người thứ tư 400 400 400 400 Tổng số mẫu 1600 1600 1600 1600 Hình trạng Người 6400 Bảng 3.2 Tổng hợp thu thập mẫu liệu hình trạng người 3.2.3 Lưu trữ sở liệu Để thuận tiện cho việc tính tốn, kiểm tra sử dụng lại, sở liệu hình trạng lưu theo cấu trúc sau: - Dữ liệu từ Kinect lưu làm thư mục, người tham gia lấy mẫu lưu tương ứng với thư mục Kinect - Với thư mục người tham gia lấy mẫu, ta tạo thư mục tưng ứng với hình trạng thể: đứng, cúi, ngồi nằm - Trong thư mục chứa hình trạng, ta chia làm thư mục con: thư mục chứa ảnh màu, thư mục chứa ảnh khớp xương 47 - Trong thư mục chứa ảnh màu thư mục chứa khớp xương, ta có thư mục nhỏ khác tương ứng với góc nhìn Kinect người lấy mẫu Hình ảnh màu ảnh khớp xương lưu thư mục - Dữ liệu khớp xương Kinect ghi lại dạng file txt lưu thư mục hướng nhìn khác ảnh khớp xương Trong có, dịng đầu ghi thơng tin timestamp, Các dòng tiếp theo, dòng chữa tên khớp xương theo quy ước, trạng thái theo dõi (tracking) khớp xương tọa độ x, y, z khớp xương Các tham số tách dấu chấm phẩy Hình 3.8 Cấu trúc thư mục lưu trữ liệu khớp xương Kinect 3.2.4 Đồng sở liệu Việc đồng sở liệu nhằm mục đích phục vụ cho việc huấn luyện nhận dạng sau Dữ liệu đồng khớp xương thư mục có cấu trúc tương tự việc lưu trữ liệu từ Kinect, điểm khác biệt liệu hai Kinect chập làm Ta tạo thư mục lưu trữ liệu đồng tương ứng với góc nhìn hình trạng người 48 Để thuận tiện cho việc hiển thị kết sau này, liệu file đồng đánh dấu khóa có dạng (góc nhìn)_(timestamp), theo sau hàng liên tiếp chứa số thứ tự khớp xương, trạng thái khớp xương tọa độ theo trục X, Y, Z khớp xương Các file ảnh màu, ảnh khớp xương tương ứng với góc nhìn mốc thời gian đồng chuyển thành dạng (góc nhìn)_(timestamp).jpg lưu trữ thư mục ảnh tương ứng Hình 3.9 Cấu trúc thư mục lưu trữ liệu đồng khớp xương hai Kinect 3.3 Độ đo đánh giá Để đánh giá khả nhận dạng hệ thống, ta sử dụng độ đo tỉ lệ nhận dạng tổng số mẫu nhận dạng Một độ đo khác thường sử dụng tỉ lệ nhận dạng lỗi (False Alarm Rate) Tỉ lệ nhận dạng = Số mẫu nhận dạng Tổng số mẫu nhận dạng Tỉ lệ nhận dạng lỗi = − tỉ lệ nhận dạng 49 Trong đề tài ta đánh giá hệ thống thông qua tỉ lệ nhận dạng Một hệ thống có tỉ lệ nhận dạng cao hệ thống đánh giá tốt 3.4 Kết thử nghiệm Mục tiêu đề tài xây dựng hệ thống nhận dạng hình trạng người từ nhiều Kinect, nhiên, để đánh giá hiệu phương pháp nhận dạng hình trạng người từ nhiều Kinect, ta thử nghiệm phương pháp nhận dạng Kinect Để đánh giá kết nhận dạng, ta chia tập liệu thu thập thành hai phần, phần cho huấn luyện mơ hình nhận dạng phần cho kiểm thử kết Đối với phần liệu cho huấn luyện, ta lấy liệu từ người với hướng nhìn khác Mỗi hướng nhìn ta lấy 25 mẫu tổng số 50 mẫu thu thập để làm sở liệu huấn luyện Kết việc lấy mẫu cho huấn luyện mô tả bảng sau: Đứng (số mẫu) Cúi (số mẫu) Ngồi (số mẫu) Nằm (số mẫu) 00 75 75 75 75 450 75 75 75 75 900 75 75 75 75 1350 75 75 75 75 1800 75 75 75 75 2250 75 75 75 75 2700 75 75 75 75 3150 75 75 75 75 Tổng số mẫu 600 600 600 600 Hình trạng Hướng nhìn 2400 Bảng 3.3 Số lượng mẫu cho huấn luyện Đối với phần liệu cho kiểm nghiệm kết nhận dạng, với hướng nhìn ta lấy 15 mẫu nhận dạng cho người tham gia lấy mẫu (các mẫu không trùng 50 với mẫu chọn cho việc huấn luyện), có người tham gia lấy mẫu, có tổng cộng 1920 mẫu cho việc kiểm nghiệm Kết lấy mẫu kiểm nghiệm mô tả bảng sau: Đứng (số mẫu) Cúi (số mẫu) Ngồi (số mẫu) Nằm (số mẫu) 00 60 60 60 60 450 60 60 60 60 900 60 60 60 60 1350 60 60 60 60 1800 60 60 60 60 2250 60 60 60 60 2700 60 60 60 60 3150 60 60 60 60 Tổng số mẫu 480 480 480 480 Hình trạng Hướng nhìn 1920 Bảng 3.4 Số lượng mẫu cho kiểm nghiệm phương pháp nhận dạng 3.4.1 Kết thử nghiệm từ Kinect Ta tiến hành áp dụng mơ hình huấn luyện vào nhận dạng hình trạng từ Kinect Vì vai trị Kinect nhau, nên ta áp dụng với Kinect thứ Số mẫu lấy cho việc kiểm thử kết nhận dạng 1920 mẫu lấy từ Kinect thứ nhất, với hướng nhìn ta lấy 60 mẫu số mẫu cho hình trạng 480 bảng 3.4 Thực kiểm nghiệm toàn mẫu ta có kết bảng sau: 51 Hình trạng Hướng nhìn 00 Đứng Cúi Ngồi Nằm (số mẫu nhận (số mẫu nhận (số mẫu nhận (số mẫu nhận dạng đúng) dạng đúng) dạng đúng) dạng đúng) 58 (96.7%) (6.7%) 50 (83.3%) 48 (80.0%) 450 55 (91.7%) 12 (20.0%) 22 (36.7%) 52 (86.6%) 900 51 (85.0%) 41 (68.3%) 18 (30.0%) 60 (100%) 1350 53 (88.3%) (13.3%) 13 (21.7%) 51 (85.0%) 1800 57 (95.0%) (5.0%) (15.0%) 54 (90.0%) 2250 51 (85.0%) (15.0%) 11 (18.3%) 53 (88.3%) 2700 48 (80.0%) 39 (65.0%) 19 (31.7%) 58 (96.7%) 3150 50 (83.3%) 13 (21.7%) 24 (40%) 55 (91.1%) Kết 423 (88.1%) 129 (26.9%) 166 (34.6%) 431 (89.8%) 1149 (59.8%) Bảng 3.5 Kết nhận dạng hình trạng từ Kinect Hình 3.10 Chương trình nhận dạng hình trạng người Kinect 52 Hình 3.11 Trường hợp nhận dạng sai dùng Kinect 3.4.2 Kết thử nghiệm từ hai Kinect Việc kiểm nghiệm kết nhận dạng hình trạng người từ hai Kinect tương tự việc kiểm nghiệm kết nhận dạng từ Kinect, điểm khác biệt thông tin khớp xương trường hợp kết đồng khớp xương từ hai Kinect Tiến hành kiểm nghiệm với 1920 mẫu mơ tả bảng 3.4 ta có kết sau: Hình trạng Hướng nhìn 00 Đứng Cúi Ngồi Nằm (số mẫu nhận (số mẫu nhận (số mẫu nhận (số mẫu nhận dạng đúng) dạng đúng) dạng đúng) dạng đúng) 60 (100%) 43 (71.7%) 47 (78.3%) 58 (96.7%) 450 57 (95.0%) 30 (50.0%) 31 (51.7%) 59 (98.3%) 900 59 (98.3%) 41 (68.3%) 42 (70.0%) 60 (100%) 1350 58 (96.7%) 18 (30.0%) 31 (51.7%) 58 (96.7%) 1800 58 (96.7%) 44 (73.3%) 38 (63.3%) 57 (95.0%) 2250 56 (93.3%) 16 (26.7%) 13 (21.7%) 57 (95.0%) 2700 58 (96.7%) 39 (65.0%) 44 (73.3%) 59 (98.3%) 53 3150 57 (95.0%) 23 (38.3%) 17 (28.3%) 58 (96.7%) Kết nhận 463 (96.5%) 254 (52.9%) 263 (54.8%) 466 (97.1%) dạng 1446 (75.3%) Bảng 3.6 Kết nhận dạng hình trạng từ hai Kinect Hình 3.12 Chương trình nhận dạng hình trạng người với hai Kinect 3.4.3 Nhận xét Với mơ hình nhận dạng hình trạng người đề tài, hệ thống sau xây dựng xong có khả nhận dạng bốn hình trạng thể từ hướng nhìn khác Kết thực nghiệm cho thấy hình trạng đứng nằm, mơ hình nhận dạng cho kết tốt (88.1% hình trạng đứng 89.8% hình trạng nằm trường hợp sử dụng Kinect) Các hình trạng cúi ngồi có độ nhiễu cao hơn, tỉ lệ nhận dạng thấp (26.9% cho hình trạng cúi 34.6% cho hình trạng ngồi trường hợp xử dụng Kinect) 54 Trong trường hợp sử dụng hai Kinect, hình trạng đứng nằm nhận dạng gần tuyệt đối hướng nhìn khác Hình trạng cúi ngồi cải thiện đáng kể so với sử dụng Kinect, nhiên kết chưa cao so với mong đợi Kết nhận dạng hình trạng cúi ngồi chưa cao phần khớp xương bị che khuất (do thành ghế che khuất với trường hợp quay lưng lại Kinect), Kinect đưa thông tin khớp xương trạng thái suy diễn, ảnh hưởng tới mơ hình huấn luyện nhận dạng hệ thống 55 KẾT LUẬN VÀ KIẾN NGHỊ Để tài nghiên cứu phương pháp nhận dạng hình trạng người có sẵn Việt Nam giới, từ đưa mơ hình nhận dạng hình trạng người dựa mơ hình SVM với liệu đầu vào thông tin khớp xương cung cấp từ hai Kinect Hệ thống được xây dựng đề tài có khả nhận dạng hình trạng thể người đứng, cúi, ngồi nằm từ góc nhìn Kinect Kết thực nghiệm cho thấy trạng thái đứng nằm nhận dạng với tỉ lệ xác cao (trung bình 89% dùng Kinect 96.8% dùng hai Kinect) đó, hình trạng cúi ngồi lại nhận dạng với tỉ lệ tương đối thấp (trung bình 30.75% dùng Kinect 53.85% dùng hai Kinect) việc sử dụng hai Kinect để nhận dạng hình trạng thể cho kết cao so với việc nhận dạng từ Kinect (kết nhận dạng trung bình cho tồn hình trạng sử dụng hai Kinect 75.3%, Kinect 59.8%) Tuy vậy, kết áp dụng tốt thực tế ứng dụng khơng địi hỏi q khắt khe độ xác trình nhận dạng ứng dụng địi hỏi độ xác cao trạng thái đứng trạng thái nằm Mục đích việc xây dựng tốn nhận dạng hình trạng người nhằm đưa tốn nhận dạng hình trạng vào ứng dụng thực tế, nơi địi hỏi việc nhận dạng phải có độ xác cao, hoạt động với thời gian thực điều kiện môi trường thông thường Do vậy, từ nghiên cứu kết thực nghiệm đề tài, số hướng sau phát triển tiếp: - Kết hợp phương pháp nhận dạng hình trạng người từ ảnh mầu với phương pháp nhận dạng hình trạng từ nhiều Kinect đề tài Việc kết hợp nhiều phương pháp nhận dạng tận dụng ưu điểm phương pháp Đồng thời ta áp dụng phương pháp xử lý song song, phân tán cho phương pháp nhằm đáp ứng yêu cầu xử lý thời gian thực 56 - Nhận dạng hình trạng người từ chuỗi khung hình thay ảnh rời rạc Khi khung hình khơng chứa thơng tin nhận dạng, ta nội suy trạng thái trước dựa vào lịch sử 57 TÀI LIỆU THAM KHẢO Chella, A., H Dindo, et al (2006) People Tracking and Posture Recognition for Human-Robot Interaction, International Workshop on Vision Based HumanRobot Interaction Palermo, Italy COHEN, I and H LI, Inference of Human Postures by Classification of 3D Human Body Shape, in IEEE International Workshop on Analysisand Modeling of Faces and Gestures, ICCV 20 03 2003 Haritaoglu, I., D Harwood, et al (1998) Ghost: A Human Body Part Labeling System Using Silhouettes International Conference on Pattern Recognition Hristijan Gjoreski, Matjaž Gams, Activity/Posture Recognition Using Wearable Sensors Placed On Different Body Locations, Department of Intelligent Systems Jožef Stefan Institute, Slovenia Le Thi Lan, Nguyen Minh Quoc, Nguyen Thi Thanh Mai (2013), Human posture recognition using human skeleton provided by Kinect, 2013 International Conference on Computing, Management and Telecommunications (ComManTel) Nguyễn Thị Thanh Mai (2013), Nghiên cứu xây dựng giải thuật nhận dạng hình trạng người ứng dụng cho việc xây dựng phịng điều trị thơng minh, Luận văn thạc sĩ khoa học trường Đại học Bách Khoa Hà Nội Mo, H.-C., J.-J Leou, and C.-S Lin, Human Behavior Analysis Using Multiple 2D Features andMulticategory Support Vector Machine, in MVA2009 IAPR Conference on Machine Vision Applications 2009: Yokohama, JAPAN Seongmin Baek and Myunggyu Kim, Dance Experience System Using Multiple Kinects, International Journal of Future Computer and Communication, Vol 4, No 1, February 2015 Wen-June Wang et al, Human Posture Recognition Based on Image Captured by Kinect Sensor, International Journal of Advance Robotics Systems, 15 December 2015 58 10 ZHAO, H and Z LIU, Recognizing Human Activities Using Non-linear SVM Decision Tree Journal of Computational Information Systems, 2011 7(7): p 2461-2468 59 ... nhận liệu, đồng liệu từ nhiều Kinect, chương trình nhận dạng hình trạng người - Cơ sở liệu hình trạng người CHƯƠNG I TỔNG QUAN VỀ NHẬN DẠNG HÌNH TRẠNG NGƯỜI Nhận dạng hình trạng người toán phổ biến... mơ hình nhận dạng hình trạng người dựa vào nhiều 21 Kinect, mục đích giảm thiểu thiếu xót việc nhận dạng hình trạng người từ Kinect Bằng việc sử dụng nhiều Kinect, ta có nhiều hình ảnh thể từ. .. CÁC HÌNH VẼ MỞ ĐẦU .7 CHƯƠNG I TỔNG QUAN VỀ NHẬN DẠNG HÌNH TRẠNG NGƯỜI…………9 1.1 Nhận dạng hình trạng người từ camera màu 10 1.2 Nhận dạng hình trạng người từ Kinect

Ngày đăng: 15/02/2021, 19:54

w