Author(s):
Andersson, Virgínia Ortiz
Date: 2020
Origin: Oasisbr
Subject(s): CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Computação; Aprendizado de máquina; Antropometria; Caminhar humano; K-nearest neighbor; Support vector machines; Biometrics; Gait; Anthropometrics; Machine learning; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Computação; Computação; Aprendizado de máquina; Aprendizado de máquina; Antropometria; Antropometria; Caminhar humano; Caminhar humano; K-nearest neighbor; K-nearest neighbor; Support vector machines; Support vector machines; Biometrics; Biometrics; Gait; Gait; Anthropometrics; Anthropometrics; Machine learning; Machine learning
Description
Submitted by Aline Batista (alinehb.ufpel@gmail.com) on 2020-12-22T10:31:47Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Virginia_Ortiz_Andersson.pdf: 5849628 bytes, checksum: 57d6b4a3a8d55120f79633c43ff57b15 (MD5)
Approved for entry into archive by Aline Batista (alinehb.ufpel@gmail.com) on 2020-12-22T10:42:47Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Virginia_Ortiz_Andersson.pdf: 5849628 bytes, checksum: 57d6b4a3a8d55120f79633c43ff57b15 (MD5)
Made available in DSpace on 2020-12-22T10:42:47Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Virginia_Ortiz_Andersson.pdf: 5849628 bytes, checksum: 57d6b4a3a8d55120f79633c43ff57b15 (MD5) Previous issue date: 2014
Sem bolsa
O presente trabalho mostra o resultado da aplicação de algoritmos de aprendizado de máquina para classificar indivíduos através de atributos antropométricos e do caminhar humano, obtidos com o auxílio do sensor Microsoft Kinect como alternativa para obtenção de um modelo do corpo humano durante o caminhar. Para investigar o uso do Kinect nessa tarefa, é apresentada a metodologia aplicada na utilização das posições em 3D das principais articulações rastreadas pelo sensor, ou o “esqueleto”, de 140 indivíduos capturados para este trabalho caminhando em frente ao Kinect. A partir desses pontos foram obtidos atributos antropométricos e do caminhar humano. É explorada a classificação levando em conta o número de indivíduos, o número de quadros necessários para a classificação por antropometria, e o número de ciclos de caminhar capturados para uma acurácia satisfatória utilizando atributos do caminhar humano. Os resultados obtidos são comparados com o número de exemplos classificados corretamente fornecidos em trabalhos estado-da-arte, e mostram que a metodologia proposta apresenta resultados superiores, ou semelhantes, aos fornecidos nos trabalhos referenciados. Finalmente, alguns experimentos adicionais também são apresentados, como a classificação por gênero (feminino e masculino) e por índice de massa corporal.
The present work shows the result of applying machine learning algorithms to classify individuals by anthropometric attributes and human gait obtained with the help of Microsoft Kinect sensor as an alternative to obtaining a model of the human body during walking. To investigate the use of Kinect in this task, the methodology applied in the use of 3D positions of the major joints tracked by the sensor, or the “skeleton” of 140 individuals captured for this work, walking in front of the Kinect is presented. From these 3D points, human gait and anthropometric parameters were obtained. It explored the classification taking into account the number of individuals, the number of frames required for classification by anthropometry, and the number of gait cycles captured towards a satisfactory accuracy using attributes of human gait. The results obtained are compared with the number of correctly classified instances provided in works state-of-art, and show that the proposed methodology provides superior or similar results to those provided in the referenced work. Finally, additional experiments are also presented, such as sorting by gender (male and female) and body mass index.
