Deteção e caraterização de pose humana

• Autor(a) principal: Rodrigues, Nelson Ricardo Pereira
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/11110/1403
• topic: Processamento de Imagem; Visão por Computador; Inteligência Artificial; Machine Learning; Deep Learning; Veículos Autónomos; Pose Humana

Os veículos autónomos estão a introduzir-se cada vez mais no nosso quotidiano e, com estes surge a necessidade de monitorizar todos os ocupantes do mesmo. Pretende-se detetar a presença de humanos e a respetiva postura corporal, nomeadamente a localização espacial das articulações do esqueleto no espaço tridimensional, a partir de imagens captadas com câmaras ToF colocadas no interior do veículo. Pretende-se assim criar uma solução de monitorização com recurso a câmaras Time of Flight (ToF), obtendo assim uma imagem de profundidade do interior do veículo. Desta forma deverá ser possível determinar a posição e postura de cada ocupante do veículo, através de algoritmos. As câmaras ToF têm uma grande vantagem em relação às RGB-D, a sua imunidade à presença de luz. Para que seja possível desenvolver esta dissertação é necessário fazer um estudo sobre os conceitos mais básicos de inteligência artificial. No ramo da inteligência artifical existem algoritmos de análise capazes de determinar com muita eficácia vários tipos de objetos, a partir de imagens RGB e também imagens ToF. Alguns algoritmos tradicionais recorrem a métodos de Machine Learning (ML) clássicos. Grande parte dos algoritmos mais recentes estão desenvolvidos com técnicas baseadas em Deep Learning (DL). Ainda relativamente ao DL irão ser referidas algumas das frameworks existentes atualmente. Também neste estudo inicial será referido alguns datasets para deteção de objetos e pessoas, assim como alguns dos métodos existentes para deteção de pose humana. Após este estudo foi necessário fazer um plano de trabalho, onde estão descritos todos os requesitos que este sistema necessita de possuir. Relativamente à parte de implementação deste métodos, foram selecionados vários tipos de algoritmos com metodologias diferentes. De seguida foram feitas as seleções do dataset e da framework a utilizar, de forma a ser possível desenvolver uma rede neuronal profunda para treinar o dataset selecionado, e fazer a validação dos algoritmos Os resultados obtidos assim como a discussão dos métodos, serão obtidos durante a fase de testes. Para determinar a eficácia dos algoritmos serão descritas as métricas de avaliação para cada método e será selecionado um método hibrido (discriminativo e generativo) e um método discriminativo