2d Human Motion Estimation Modeling For Classification

Penganggaran pergerakan manusia ialah pendekatan untuk menganggarkan aktiviti pergerakan daripada postur badan statik; diterokai secara meluas melalui pergerakan gaya berjalan, analisis berasaskan bayang, berasaskan biomekanik atau berasaskan imej untuk tujuan rakaman pergerakan, pengecaman, dan...

Full description

Saved in:
Bibliographic Details
Main Author: Chan, Choon Kit
Format: Thesis
Language:English
Published: 2016
Subjects:
Online Access:http://eprints.usm.my/41655/1/2d_Human_Motion_Estimation_Modeling_For_Classification.pdf
Tags: Add Tag
No Tags, Be the first to tag this record!
id my-usm-ep.41655
record_format uketd_dc
institution Universiti Sains Malaysia
collection USM Institutional Repository
language English
topic T Technology
TJ181-210 Mechanical movements
spellingShingle T Technology
TJ181-210 Mechanical movements
Chan, Choon Kit
2d Human Motion Estimation Modeling For Classification
description Penganggaran pergerakan manusia ialah pendekatan untuk menganggarkan aktiviti pergerakan daripada postur badan statik; diterokai secara meluas melalui pergerakan gaya berjalan, analisis berasaskan bayang, berasaskan biomekanik atau berasaskan imej untuk tujuan rakaman pergerakan, pengecaman, dan pengawasan melalui pemerhatian. Pergerakan manusia selalunya dirakamkan melalui sistem Berasaskan-Penanda (BP) dan Tanpa-Penanda (TP) dengan sebuah atau beberapa buah kamera. Pergerakan-pergerakan ini biasanya dianalisis dalam posisi 3-Dimensi (3D) atau 2-Dimensi (2D) dengan melibatkan lokasi dan orientasi sendi-sendi tubuh. Walau bagaimanapun, disebabkan kerumitan data pergerakan berdimensi tinggi, kajian ini memfokuskan pergerakan 2D manusia. Model kayu 2D yang telah dibangunkan kurang berkeupayaan untuk mengenal pasti lokasi sendi tubuh. Selain itu, tiada penyelidik yang pernah mempertimbangkan pelarasan toleransi dalam penganggaran pergerakan manusia. Oleh itu, tujuan utama kajian ini ialah membangunkan sebuah model penganggaran kayu 2D dengan toleransi ralat untuk mewakili pergerakan manusia untuk analisis pengelasan. Model penganggaran kayu 2D dibangunkan daripada tiga segmen asas tubuh: Tulang Belakang (TB), Atas Tubuh (AT) dan Bawah Tubuh (BT). Dengan pertimbangan keupayaan regangan segmen-segmen tubuh ketika melakukan aktiviti yang berbeza, model toleransi dihasilkan daripada purata bezaan pekali penyesuaian polinomial yang dihitung pada jujukan langkah masa. Mengintegrasikan koordinat langkah masa yang sedia ada dengan model toleransi ini secara berulang-ulang menghasilkan anggaran koordinat sendi tubuh pada jujukan langkah masa yang seterusnya. Model yang dibangunkan ini diuji pada (i) pergerakan asas BP: berjalan, berlari, melompat; dan pergerakan sukan BP: menumbuk, bermain pedang dan taichi daripada pangkalan data CMU; dan (ii) pergerakan asas TP: berjalan, berlari, melompat daripada YouTube; dan pergerakan sukan TP: pergerakan Yoga kanak-kanak, kunci kaki dan gaya unta secara rakaman eksperimen. Transformasi data dimulakan dengan pengambilan gambar data video kepada imej pegun diikuti oleh transformasi imej kepada data koordinat. Penghapusan data bersama imputasi regresi dijalankan untuk membaik pulih data yang hilang akibat oklusi dan segmen tubuh yang tersembunyi. Model penganggaran pergerakan untuk pertimbangan toleransi ini dilaksanakan dengan tiga kaedah penganggaran pergerakan 2D: IVE-SAT, AVE-SAT dan AVE-TAT. Model penganggaran kayu 2D ini dinilai atas analisis padanan dan ketepatan pengelasan dengan menggunakan pengelas Lazy. Dapatan kajian menunjukkan bahawa model penganggaran kayu 2D dengan AVE-TAT ini menghasilkan ketepatan padanan sehingga 66.67% dan ketepatan pengelasan melebihi 90% bagi semua kategori pergerakan. Model yang dibangunkan ini mempunyai kelebihan atas keupayaannya untuk menganggarkan pergerakan manusia secara spesifik dengan pelarasan toleransi ralat yang menyerupai regangan segmen tubuh sepanjang keseluruhan aktiviti. Hasil kajian ini berjaya membuktikan bahawa model penganggaran kayu 2D dengan AVETAT yang dicadangkan ini ialah pendekatan yang boleh dilaksanakan untuk membezakan ciri-ciri pelbagai pergerakan manusia untuk pengelasan. ________________________________________________________________________________________________________________________ Human motion estimation is an approach to predict motion activities from static body postures; widely explored from gait motion, silhouette-based, biomechanical-based or image-based analyses for motion capture, recognition and vision surveillance purposes. Human motion is often captured via Marker-Based (MB) and Marker-Less (ML) system by using single or multiple cameras. These motions are commonly analyzed in 3-Dimensional (3D) or 2-Dimensional (2D) positioning involving location and orientations of body joints. Nevertheless, owing to the complexity of high dimensionality motion data, this study has focused on the 2D human motion. Existing developed 2D stick figures could hardly point the exact body joint location. Besides, no researchers have considered the tolerance adjustment for human motion estimation. Therefore, the main goal of this study is to develop a 2D stick estimation model with error tolerance to represent human motions for classification analysis. The 2D stick estimation model is developed from three fundamental body segments: Backbone (BB), Upper Body (UB) and Lower Body (LB). Considering the capability of body segments’ stretches while performing different activities, tolerance model is derived from the average deviations of polynomial fitting coefficients evaluated at sequential time steps. Integrating the precedent time-step coordinates with the tolerance model iteratively yield the estimated body joint coordinates at subsequent time step. The developed model is tested on (i) MB basic motions: walking, running, jumping and MB sports motions: punching, sword playing and taichi from CMU database and (ii) ML basic motions: walking, running, jumping from YouTube and ML sports motions: Yoga motion of child’s, leg lock and camel pose from experimental captures. Data transformation is initiated to snapshot the video data into still images followed by image transformations into coordinate data. Data elimination cum regression imputation is carried out to treat missing data found from occlusion and hidden body segments. The motion estimation model for tolerance consideration is performed on three 2D motion estimation techniques: IVE-SAT, AVE-SAT and AVE-TAT. The 2D stick estimation model is judged on matching analysis and classification accuracies using Lazy classifiers. Findings show that the developed 2D stick estimation model by AVE-TAT resulted in best matching accuracy up to 66.67% and classification accuracies above 90% for all motion categories. The developed model has the advantage over its ability to estimate human motions specifically with error tolerance adjustment resembling the body segment stretches throughout the entire activity. The study outcomes successfully imply that the proposed 2D stick estimation model with AVE-TAT is a feasible approach in distinguishing characteristics of different human motions for classifications.
format Thesis
qualification_name Doctor of Philosophy (PhD.)
qualification_level Doctorate
author Chan, Choon Kit
author_facet Chan, Choon Kit
author_sort Chan, Choon Kit
title 2d Human Motion Estimation Modeling For Classification
title_short 2d Human Motion Estimation Modeling For Classification
title_full 2d Human Motion Estimation Modeling For Classification
title_fullStr 2d Human Motion Estimation Modeling For Classification
title_full_unstemmed 2d Human Motion Estimation Modeling For Classification
title_sort 2d human motion estimation modeling for classification
granting_institution Universiti Sains Malaysia
granting_department Pusat Pengajian Kejuruteraan Mekanikal
publishDate 2016
url http://eprints.usm.my/41655/1/2d_Human_Motion_Estimation_Modeling_For_Classification.pdf
_version_ 1747820950463709184
spelling my-usm-ep.416552018-09-03T08:12:01Z 2d Human Motion Estimation Modeling For Classification 2016-04 Chan, Choon Kit T Technology TJ181-210 Mechanical movements Penganggaran pergerakan manusia ialah pendekatan untuk menganggarkan aktiviti pergerakan daripada postur badan statik; diterokai secara meluas melalui pergerakan gaya berjalan, analisis berasaskan bayang, berasaskan biomekanik atau berasaskan imej untuk tujuan rakaman pergerakan, pengecaman, dan pengawasan melalui pemerhatian. Pergerakan manusia selalunya dirakamkan melalui sistem Berasaskan-Penanda (BP) dan Tanpa-Penanda (TP) dengan sebuah atau beberapa buah kamera. Pergerakan-pergerakan ini biasanya dianalisis dalam posisi 3-Dimensi (3D) atau 2-Dimensi (2D) dengan melibatkan lokasi dan orientasi sendi-sendi tubuh. Walau bagaimanapun, disebabkan kerumitan data pergerakan berdimensi tinggi, kajian ini memfokuskan pergerakan 2D manusia. Model kayu 2D yang telah dibangunkan kurang berkeupayaan untuk mengenal pasti lokasi sendi tubuh. Selain itu, tiada penyelidik yang pernah mempertimbangkan pelarasan toleransi dalam penganggaran pergerakan manusia. Oleh itu, tujuan utama kajian ini ialah membangunkan sebuah model penganggaran kayu 2D dengan toleransi ralat untuk mewakili pergerakan manusia untuk analisis pengelasan. Model penganggaran kayu 2D dibangunkan daripada tiga segmen asas tubuh: Tulang Belakang (TB), Atas Tubuh (AT) dan Bawah Tubuh (BT). Dengan pertimbangan keupayaan regangan segmen-segmen tubuh ketika melakukan aktiviti yang berbeza, model toleransi dihasilkan daripada purata bezaan pekali penyesuaian polinomial yang dihitung pada jujukan langkah masa. Mengintegrasikan koordinat langkah masa yang sedia ada dengan model toleransi ini secara berulang-ulang menghasilkan anggaran koordinat sendi tubuh pada jujukan langkah masa yang seterusnya. Model yang dibangunkan ini diuji pada (i) pergerakan asas BP: berjalan, berlari, melompat; dan pergerakan sukan BP: menumbuk, bermain pedang dan taichi daripada pangkalan data CMU; dan (ii) pergerakan asas TP: berjalan, berlari, melompat daripada YouTube; dan pergerakan sukan TP: pergerakan Yoga kanak-kanak, kunci kaki dan gaya unta secara rakaman eksperimen. Transformasi data dimulakan dengan pengambilan gambar data video kepada imej pegun diikuti oleh transformasi imej kepada data koordinat. Penghapusan data bersama imputasi regresi dijalankan untuk membaik pulih data yang hilang akibat oklusi dan segmen tubuh yang tersembunyi. Model penganggaran pergerakan untuk pertimbangan toleransi ini dilaksanakan dengan tiga kaedah penganggaran pergerakan 2D: IVE-SAT, AVE-SAT dan AVE-TAT. Model penganggaran kayu 2D ini dinilai atas analisis padanan dan ketepatan pengelasan dengan menggunakan pengelas Lazy. Dapatan kajian menunjukkan bahawa model penganggaran kayu 2D dengan AVE-TAT ini menghasilkan ketepatan padanan sehingga 66.67% dan ketepatan pengelasan melebihi 90% bagi semua kategori pergerakan. Model yang dibangunkan ini mempunyai kelebihan atas keupayaannya untuk menganggarkan pergerakan manusia secara spesifik dengan pelarasan toleransi ralat yang menyerupai regangan segmen tubuh sepanjang keseluruhan aktiviti. Hasil kajian ini berjaya membuktikan bahawa model penganggaran kayu 2D dengan AVETAT yang dicadangkan ini ialah pendekatan yang boleh dilaksanakan untuk membezakan ciri-ciri pelbagai pergerakan manusia untuk pengelasan. ________________________________________________________________________________________________________________________ Human motion estimation is an approach to predict motion activities from static body postures; widely explored from gait motion, silhouette-based, biomechanical-based or image-based analyses for motion capture, recognition and vision surveillance purposes. Human motion is often captured via Marker-Based (MB) and Marker-Less (ML) system by using single or multiple cameras. These motions are commonly analyzed in 3-Dimensional (3D) or 2-Dimensional (2D) positioning involving location and orientations of body joints. Nevertheless, owing to the complexity of high dimensionality motion data, this study has focused on the 2D human motion. Existing developed 2D stick figures could hardly point the exact body joint location. Besides, no researchers have considered the tolerance adjustment for human motion estimation. Therefore, the main goal of this study is to develop a 2D stick estimation model with error tolerance to represent human motions for classification analysis. The 2D stick estimation model is developed from three fundamental body segments: Backbone (BB), Upper Body (UB) and Lower Body (LB). Considering the capability of body segments’ stretches while performing different activities, tolerance model is derived from the average deviations of polynomial fitting coefficients evaluated at sequential time steps. Integrating the precedent time-step coordinates with the tolerance model iteratively yield the estimated body joint coordinates at subsequent time step. The developed model is tested on (i) MB basic motions: walking, running, jumping and MB sports motions: punching, sword playing and taichi from CMU database and (ii) ML basic motions: walking, running, jumping from YouTube and ML sports motions: Yoga motion of child’s, leg lock and camel pose from experimental captures. Data transformation is initiated to snapshot the video data into still images followed by image transformations into coordinate data. Data elimination cum regression imputation is carried out to treat missing data found from occlusion and hidden body segments. The motion estimation model for tolerance consideration is performed on three 2D motion estimation techniques: IVE-SAT, AVE-SAT and AVE-TAT. The 2D stick estimation model is judged on matching analysis and classification accuracies using Lazy classifiers. Findings show that the developed 2D stick estimation model by AVE-TAT resulted in best matching accuracy up to 66.67% and classification accuracies above 90% for all motion categories. The developed model has the advantage over its ability to estimate human motions specifically with error tolerance adjustment resembling the body segment stretches throughout the entire activity. The study outcomes successfully imply that the proposed 2D stick estimation model with AVE-TAT is a feasible approach in distinguishing characteristics of different human motions for classifications. 2016-04 Thesis http://eprints.usm.my/41655/ http://eprints.usm.my/41655/1/2d_Human_Motion_Estimation_Modeling_For_Classification.pdf application/pdf en public phd doctoral Universiti Sains Malaysia Pusat Pengajian Kejuruteraan Mekanikal