Human In-place action recognition using combination of kinect data streams
| العنوان بلغة أخرى: |
التعرف على حركة الإنسان المكانية من خلال دمج البيانات الملتقطة عن طريق جهاز مايكروسوفت كينيكت |
|---|---|
| المؤلف الرئيسي: | Al Shammari, Mashaan Awad (Author) |
| مؤلفين آخرين: | Ahmed, Adel Fadhl (Advisor) |
| التاريخ الميلادي: |
2015
|
| موقع: | الظهران |
| الصفحات: | 1 - 149 |
| رقم MD: | 738042 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة الملك فهد للبترول والمعادن |
| الكلية: | عمادة الدراسات العليا |
| الدولة: | السعودية |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
الناشر لهذه المادة لم يسمح بإتاحتها. |
| المستخلص: |
تستخدم تقنية التعرف على حركة الإنسان في تطبيقات عدة، من أهمها: التطبيقات الطبية وتطبيقات الحاسوب التفاعلي. تقديم مايكروسوفت لجهاز كينيكت ساهم بشكل كبير في تطور هذا المجال البحثي. حركة الإنسان يجب أن تظهر في مساحة محدودة لكي يتم التعرف عليها عن طريق كينيكت. طريقة عمل كينيكت مناسبة للتعرف على حركة الإنسان المكانية التي لا تتطلب التحرك لمسافات طويلة. في هذا البحث، عملنا على التعرف على بعض الحركات المكانية مثل: القفز والركل. في السابق كان التعرف على حركة الإنسان يتم عن طريق تحليل لقطات الفيديو الملونة أو البعدية. لكن هذه اللقطات تعاني من بعض الصعوبات عند استخدامها لوصف حركة الإنسان، مثل: لون الملابس في اللقطات الملونة أو تداخل أعضاء الجسم في اللقطات البعدية، البرمجيات المرفقة مع الإصدار الثاني من جهاز مايكروسوفت كينيكت تقدم معلومات قيمة، مثل: اللقطات الملونة واللقطات البعدية ومؤشر الجسم والإحداثيات الثلاثية لبعض مفاصل الجسم. في هذه الأطروحة استخدمنا اللقطات البعدية لتقسيم الحركة المكانية واستخدمنا مؤشر الجسم لإزالة الخلفية عن الجسم. وللتعرف على الحركة استخرجنا من الإحداثيات الثلاثية لبعض مفاصل الجسم ثلاثة أنواع من السمات هي: الانحراف المعياري والمسافة الإقليدية بالإضافة إلى بعض المقاييس المبنية على تحويل المويجات المنفصلة. النتائج المخبرية أظهرت تحسنا في أداء خوارزمية التعرف بعد تطبيق سمات مستخرجة من الإحداثيات الثلاثية لمفاصل الجسم مقارنة باستخدام الإحداثيات الثلاثية لمفاصل الجسم كسمات مباشرة. أيضا من المشاكل التي تواجه تقنية التعرف على حركة الإنسان هي الحاجة إلى كمية كبيرة من بيانات الحركة. تسجيل هذه البيانات الحركية باستخدام أشخاص حقيقيين يزيد من صعوبة العملية بسبب الحاجة إلى التواصل مع الشخص بالإضافة إلى شرح تفاصيل الحركة له. كهدف إضافي لهذه الأطروحة، درسنا إمكانية تدريب خوارزمية التعرف على بيانات حركية اصطناعية ومن ثم اختبارها على بيانات حركية حقيقية لتوفير الوقت والجهد. التجارب التي قمنا بها أظهرت أن خوارزمية التعرف التي تم تدريبها على بيانات حركية اصطناعية تمكنت من التعرف على بيانات حركية حقيقية بنسبة تعرف تجاوزت 90% وهو ما يدعم هدفنا الثاني. |
|---|
عناصر مشابهة
-
Human Action Recognition in Videos Using an Effective Combined Method
بواسطة: Sahan, Ali Mohammed منشور: (2016) -
Motion Editing Using Combined Partial Motion Clips
بواسطة: Al Ghreimil, Nadia منشور: (2003) -
Sign Language Recognition Using Kinect Technology With C#
بواسطة: Alfifi, Yousef H. منشور: (2013) -
An enhanced classifier for authentication in Keystroke dynamics using experimental data
بواسطة: Al Rahmani, Abdullah Osamah منشور: (2014) -
Longitudinal Data Analysis Analysis Using the Mixture Transition Distribution Model
بواسطة: Takia, Al Biomy Awad Awad منشور: (2009)
