Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject

64 5. Evaluierung
Die Zeitoptimierung selbst wurde auf den drei Streams 01, 02 und 03 mit einer
Population von 20 Individuen durchgeführt. Für jedes Individuum wurde die Fitness
neun Mal berechnet. Der Verlauf der mittleren Fitness ist in der unteren
rechten Grafik dargestellt:
200
180
Parameter
Mittelwert
Anz. Partikel 749,09 ± 47,56
Anz. Meanshift 1,27 ± 0,55
Kernel Skal. 5,06 ± 1,34
Qualitaet + Zeitconstraint
160
140
120
100
80
5 10 15 20 25 30 35 40 45 50 55 60
Generation
Beste Konfiguration in Generation 59
Mittlerer Fehler: 111,85 [mm + s]
Wie auch bei der Qualitätsoptimierung anhand der drei Streams wird hier eine
Einzelevaluation für jeden Stream durchgeführt. In Tabelle 5.3 wurden für jeden
Stream 30 Wiederholungen der Posturschätzung durchgeführt und dabei sowohl
die Qualität der Postur als auch die benötigte mittlere Zeit für die Schätzung einer
Postur aufgetragen. Zum Vergleich sind ebenfalls die qualitativen Ergebnisse aus
Tabelle 5.2 dargestellt und um die Messung der Laufzeit erweitert. Die Laufzeit
(in Sekunden) gibt an, wie lange das Body-Tracking-System im Mittel für die
Schätzung einer Postur in einem Frame benötigt.
Qualitätskriterium
+ Zeitconstraint
Substream Fehler [mm] Zeit [s] Fehler [mm] Zeit [s]
andre A 01 94,43 ± 14,22 4,46 ± 0,01 83,62 ± 12,57 1,97 ± 0,01
andre A 02 193,83 ± 32,41 4,50 ± 0,02 196,55 ± 21,21 1,98 ± 0,01
andre A 03 200,48 ± 123,18 4,46 ± 0,02 204,97 ± 141,64 1,98 ± 0,01
Tabelle 5.3: Evaluierung der zeitoptimierten Parameterkonfiguration im Vergleich mit den
qualitätsoptimierten Ergebnissen. Für jeden Stream wurde die Konfiguration 30 Mal ausgewertet
und 30 Mal die Laufzeit gemessen.
Die Ergebnisse der Optimierung mit dem Zeitconstraint sind recht überraschend:
Bei gleichbleibender Qualität der Postur kann die Zeit für die Schätzung einer
Körperpostur in einem Frame um mehr als die Hälfte verringert werden. Dies
scheint dadurch möglich, dass der Skalierungsfaktor für den Epanechnikov-Kernel
mit zunehmender Wertsteigerung die fehlenden Stützstellen der Posturhypothesen
(Partikel) und gleichzeitig die schwindende Anzahl der Meanshift-Iterationen
kompensieren kann.
5.5 Parameter für den HumanEva-Datensatz
Im Anschluss sollen die Parameter des Body-Tracking-Systems an eine neue Szene
angepasst werden, für die noch keine Konfiguration existiert. Wie bei der Optimierung
der Parameter für den BiZiDa-Datensatz werden auch hier drei Streams