Submitted by Marcos Samuel (msamjunior@gmail.com) on 2017-02-06T14:27:48Z
No. of bitstreams: 1
Dissertação_Thalisson Nobre Santos.pdf: 11550499 bytes, checksum: 61a92c44ea5ebd2cbb3f843e1d6d4092 (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-02-06T15:01:35Z (GMT) No. of bitstreams: 1
Dissertação_Thalisson Nobre Santos.pdf: 11550499 bytes, checksum: 61a92c44ea5ebd2cbb3f843e1d6d4092 (MD5) / Made available in DSpace on 2017-02-06T15:01:35Z (GMT). No. of bitstreams: 1
Dissertação_Thalisson Nobre Santos.pdf: 11550499 bytes, checksum: 61a92c44ea5ebd2cbb3f843e1d6d4092 (MD5) / As interfaces naturais têm demonstrado uma grande importância na interação entre o homem e a máquina, viabilizando desde jogos eletrônicos até a reabilitação de pacientes submetidos a fisioterapia. O rastreamento da mão por câmeras permite implementar tais interfaces, explorando os gestos humanos para controlar algum sistema computadorizado sem a necessidade de contato físico. O método proposto neste trabalho visa detectar e rastrear as mãos utilizando dados de profundidade. Uma vez que tais dados não produzem quantidade suficiente de pontos de interesse (pontos chaves) para a detecção da mão, foi proposto um algoritmo denominado Volume da Normal para exceder a descrição das características presentes nestas imagens, sendo baseado no cálculo do volume do vetor normal de cada pixel atribuindo valores arbitrários para o tamanho deste vetor. O rastreamento da mão é baseado na análise de descritores locais da imagem de profundidade (processada pela Transformada da Distância Euclidiana) e de um conjunto de imagens da mão após aplicação do Volume da Normal, utilizando para isto o algoritmo Oriented FAST and Rotated BRIEF. Um procedimento para a criação de um modelo cinemático da mão foi proposto como estágio inicial para um possível rastreamento contínuo dos dedos numa pesquisa posterior. Ao final, a detecção da mão foi executada a uma velocidade de 7,9 quadros por segundo, alcançando uma taxa de detecção média para detecção de poses do conjunto de treinamento igual a 36,4% e 38,15% para poses variadas. Para detecção de gestos realizados a partir do conjunto de treinamento foi alcançada uma taxa média de 21,94%. Para cenários onde há presença de objetos semelhantes à mão, o detector apresentou uma taxa de precisão igual a 14,72% com um desvio padrão de 3,82%.
| Identifer | oai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/21327 |
| Date | 16 December 2015 |
| Creators | Santos, Thalisson Nobre |
| Contributors | Oliveira, Luciano Rebouças de, Oliveira, Luciano Rebouças de, Pamplona Segundo, Maurício, Ângelo, Michele Fúlvia |
| Publisher | Instituto de Matemática. Departamento de Mecatrônica., Mestrado em Mecatrônica, UFBA, brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds