Return to search

Detecção e rastreamento da mão utilizando dados de profundidade

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%.

Identiferoai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/21327
Date16 December 2015
CreatorsSantos, Thalisson Nobre
ContributorsOliveira, Luciano Rebouças de, Oliveira, Luciano Rebouças de, Pamplona Segundo, Maurício, Ângelo, Michele Fúlvia
PublisherInstituto de Matemática. Departamento de Mecatrônica., Mestrado em Mecatrônica, UFBA, brasil
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0016 seconds