کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6939383 1449970 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hybrid framework for automatic joint detection of human poses in depth frames
ترجمه فارسی عنوان
یک چارچوب هیبرید برای تشخیص خودکار مفصل انسان در فریم عمق
کلمات کلیدی
تشخیص انسان، تشخیص مشترک مدل بدن انسان، ویژگی های زمین شناسی
ترجمه چکیده
تشخیص زودرس انسان موضوع تحقیق فعال بوده و مطالعات بسیاری برای حل مسائل مختلف در این موضوع انجام شده است. با این حال، روش های بسیار کمی برای تشخیص مفاصل در بدن انسان پیشنهاد شده است. در این مقاله، ما یک چارچوب ترکیبی جدید برای شناسایی اتصالات به صورت خودکار با استفاده از دوربین عمودی پیشنهاد کردیم. در روش پیشنهادی، مفاصل به دو دسته تقسیم می شوند: مفاصل ضمنی و مفاصل غالب. مفاصل نامنظم، مفاصل در لگن است، مانند گردن و شانه. مفاصل غالب عبارتند از آرنج و زانو. در چارچوب هیبریدی ما پیشنهاد شده است، از یک مدل اسکلت شل برای قرار دادن مفاصل ضمنی استفاده شده است و روش داده کاوی برای تشخیص اتصالات غالب استفاده شده است. برجسته کار پیشنهادی این است که ویژگی های جغرافیایی بدن انسان برای ساخت مدل اسکلت و تشخیص مفاصل استفاده می شود. برای ارزیابی کار ما، آزمایش ها بر روی مجموعه داده های ثبت شده توسط مایکروسافت کینکت انجام می شود و در مقایسه با روش های پیشرفته. نتایج نشان می دهد که کار پیشنهادی می تواند نتیجه های ثابت و دقیق تشخیص مفاصل را ارائه کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یک چارچوب هیبرید برای تشخیص خودکار مفصل انسان در فریم عمق
چکیده انگلیسی
Human pose detection has been an active research topic, and many studies have been done to address different problems in the topic. However, very few methods are proposed to detect joints in the human body. In this paper, we proposed a novel hybrid framework to detect joints automatically by using depth camera. In the proposed method, joints are categorized into two classes: implicit joints and dominant joints. Implicit joints are the joints on the torso, such as neck and shoulders. Dominant joints include elbows and knees. In the hybrid framework we proposed, a loose skeleton model is used to locate implicit joints, and data-driven method is applied to detect dominant joints. The highlight of the proposed work is that geodesic features of the human body are used to build the skeleton model and detect joints. To evaluate our work, experiments are conducted on the dataset recorded by a Microsoft Kinect and compared with state-of-art methods. The results demonstrate that the proposed work can deliver stable and accurate detection results of joints.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 77, May 2018, Pages 216-225
نویسندگان
, , ,