Reconhecimento de Tipos de Movimento Humano baseados no método GMM.

Transcrição

1 Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP 438 São Carlos, SP, Brasil. CEP Tel.: 0055(16) , Fax: (16) (1) : cristhg@sel.eesc.usp.br. 1- Introdução O reconhecimento de movimento humano através de sistemas de visão computacional oferece um novo tipo de comunicação homem-máquina. Na literatura, são descritas técnicas de reconhecimento de movimentos humanos, baseadas em semelhança, comunicação entre máquinas e outros campos. Há algumas maneiras de classificar trabalhos em identificação de movimentos humanos [1-2]. Estes podem ainda ser classificados em modelos baseados em métodos, sejam eles bidimendionais ou tridimensionais, e métodos baseados na aparência. A maioria destes métodos é baseada em modelos e propõe uma estimativa ou sobreposição de posturas humanas. Como sempre, métodos baseados em modelos geralmente necessitam de um grande custo computacional para a estimativa da pose humana, ou necessita de algumas considerações tal que a cor da pele seja conhecida, a fim de reduzir este custo computacional. Por outro lado, há ainda o método baseado na aparência para reconhecimento de movimento humano, que não utiliza estimativa da pose. Neste caso, o reconhecimento de movimento pertence a um tipo de problema de reconhecimento padrão. A técnica HMM (Hidden Markov Model) [3] é uma delas. Entretanto, uma dificuldade do método é construir este algoritmo manualmente.

2 A técnica proposta neste trabalho é a identificação do movimento humano através do cálculo do centro de massa da imagem das pessoas, utilizando o algoritmo GMM (Gaussian Mixture Model) [4]. O GMM é utilizado para modelar diferentes classes ou gêneros de movmento, como uma função de probabilidade(fdp), utilizando uma combinação de FDPs moderadas, ou seja, uma mistura. Os parâmetros do conjunto são ajustados e este processo é iterativo. Após este processo, os GMMs resultantes são usados para determinar as probabilidades de um movimento pertencer a uma das classes. Calculando-se o deslocamento do centro de massa da pessoa que está se movendo e sua velocidade, pode-se determinar o tipo de movimento analisado. Esta análise exigiu a interpretação do usuário, uma vez que são estabelecidos valores para os tipos de movimento em questão, ou seja, por exemplo, no movimento caminhada, estabeleceu-se uma velocidade máxima de tolerância no sentido horizontal, v x = 2m/s. Para valores de v x maiores que este, atribui-se o movimento correr. Da mesma forma, os valores da velocidade vertical v y maiores que 0,2m/s indicam que o movimento realizado é o abaixamento. 2-Metodologia utilizada O material utilizado para o desenvolvimento deste trabalho foi o apresentado na tabela I: Tabela I- Material utilizado Câmera CCD Toshiba modelo IK-64WDA 1 PC 200 GB de memória Software VirtualDub Software Microsoft Visual C++ Software Matlab 7.0 Placa de aquisição Pinnacle

3 Na figura 1 a seguir, pode ser visto um diagrama esquemático do algoritmo do processamento das imagens. Figura 1- Algoritmo para processamento das imagens de movimento utilizando o modelo GMM. Foram escolhidos 3 tipos de movimento, caminhada, corrida e abaixando-se, executados por 5 pessoas, os quais foram capturados por uma câmera CCD, à taxa de 25 frames /segundo,cujas dimensões eram 320x240 pixels. Estas imagens foram submetidas a este procedimento anteriormente citado, cujos resultados são apresentados a seguir. 3- Resultados As imagens foram selecionadas, e então processadas, separadas em frames, e posteriormente submetidas à aplicação do modelo GMM, etapa onde o background é extraído, como mostrado na figura 2 a seguir.

4 (a) Foreground movimento abaixando-se pixels pixels (b) Figura 2. (a) Frame de um filme: movimento: abaixando-se; (b) extração do background. A partir da extração do background dos frames das imagens capturadas, estas imagens do foreground foram utilizadas para implementação onde gerou-se um algoritmo para o cálculo do centro de massa dos indivíduos. Este cálculo foi feito para frames consecutivos, de tal forma que foi possível calcular a velocidade do centro de massa dos indivíduos, nos sentidos vertical e horizontal.

5 A partir desta análise, é possível determinar o tipo de movimento que o indivíduo realizou; se o centro de massa se move significativamente somente no sentido vertical, este está abaixandose ou levantando-se; se há grande variação de movimento do centro de massa somente no sentido horizontal, e este está se movendo em trajetória aproximadamente retilínea, então está se deslocando em linha reta, que é o caso do movimento caminhada. Na figura 3, são vistos os gráficos do deslocamento do centro de massa em função do tempo nos sentidos vertical(a) e horizontal(b) Deslocamento Y do centro de massa(m) em função do tempo(s) Deslocamento Y do centro de massa(m) tempo(s) 3.5 Deslocamento de X do centro de massa(m)em funçao do tempo(s) 3 deslocamento X do centro de massa(m) tempo(s) Figura 3- Deslocamento do centro de massa em função do tempo nos sentidos: (a) vertical e (b) horizontal.

6 Conclusões A partir dos resultados obtidos através dos gráficos de velocidade do centro de massa nos sentidos vertical e horizontal, é possível fazer uma análise do tipo de movimento realizado pelos indivíduos, com grandes porcentagens de acerto, isto porque estes tipos de movimento são relativamente simples, já que na caminhada e corrida, a velocidade deve ter valor significativo somente no sentido horizontal; enquanto que, no movimento de abaixar-se, a velocidade deve ser predominante no sentido vertical, e a velocidade no outro sentido deve ser muito pequena, o que foi observado nos experimentos. Na tabela II podem ser vistos os resultados das análises dos diferentes tipos de movimentos dos indivíduos observados: Tabela II Tipo de Movimento Caminhada 1,355 m/s 0,017m/s* Corrida 2,588 m/s 0,041 m/s* Agachamento m/s* 0,458 m/s v x *Isto se deve às oscilações naturais do centro de massa dos indivíduos no momento da troca de apoios próprio do movimento. Conclui-se que o uso deste algoritmo para reconhecer estes tipos de movimento pode ser indicado, com grande possibilidade de acerto, já que pela determinação das velocidades v x e v y pôde-se determinar que tipos de movimento foram realizados com 100% de acerto, estabelecendo-se valores de referência para as mesmas de acordo com o movimento. Além de ser um método de alta confiabilidade, por ser determinado através de estatísticas. Bibliografia [1]-J.K. Aggarval and Q.Cai, Human motion analysis : A review, Comput. Visi. Image underst.,vol73,no 3, pp , Mar [2]-D.M. Gavrila, The visual analysis of human movement: A survey, Comput. Visi. Image underst.,vol73,no 1, pp 82-98, Jan [3]-J. Yamato, J. Ohya, and K. Ishii, Recognizing human action in timesequencial images using Hidden Markov Model, Proc. IEEE Conf on Computer Vision and Pattern Recognition, pp , Jun [4]-D.X.Zhou,H.Zhang, 2D shape measurement of multiple moving objects by GMM background modeling and optical flow Image Analysis and Recognition Lecture Notes in Computer Science 3656: ,2005. v y

7