Segmentació de mans en imatges de profunditat
En aquest document es tracta un mètode de detecció de mans en imatges de profunditat. Consisteix en la classificació dels píxels d'una imatge segons la seva probabilitat de pertànyer a una mà. Per cada píxel es calculen una sèrie de característiques simples i s'obté la seva predicció amb u...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/110806 |
| Acceso en línea: | http://hdl.handle.net/10609/110806 |
| Access Level: | acceso abierto |
| Palabra clave: | randomized decision forests tiempo real imágenes de profundidad interacción persona-ordenador temps real imatges de profunditat segmentació de mans interacció persona-ordinador real time depth information hands segmentation human-computer interaction Artificial intelligence -- TFM Intel·ligència artificial -- TFM Inteligencia artificial -- TFM |
| Sumario: | En aquest document es tracta un mètode de detecció de mans en imatges de profunditat. Consisteix en la classificació dels píxels d'una imatge segons la seva probabilitat de pertànyer a una mà. Per cada píxel es calculen una sèrie de característiques simples i s'obté la seva predicció amb un classificador tipus Random Forest. Amb aquest procés s'aconsegueix realitzar les prediccions de les imatges en temps real. L'objectiu del treball és presentar els detalls del seu funcionament i analitzar-lo. A més, a mesura que es vagin detectant problemes, s'aniran suggerint solucions que seran aplicades per anar millorant el model. Dues de les problemàtiques detectades són: un comportament incorrecte al detectar mans en un entorn no controlat i la confusió dels exemples de cares i de mans. Una de les solucions ha estat la creació d'un dataset en un entorn no controlat, i un altre ha estat afegir un major percentatge d'exemples negatius de cares al conjunt d'entrenament. Amb el canvi de dataset s'ha aconseguit una millora notable dels resultats en el nou entorn. En canvi amb l'addició dels exemples negatius no s'ha aconseguit gaire variació. Així i tot, el comportament final del classificador és excel·lent, normalment els casos en què falla són a causa de problemes inherents del mètode, són exemples negatius en els quals les característiques prenen els mateixos valors que els positius. |
|---|