Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.5. Parameter für den HumanEva-Datensatz 65<br />
gewählt (siehe Abbildung 5.7), deren erwarteter Schwierigkeitsgrad in Bezug auf<br />
<strong>die</strong> Erkennung der Postur unterschiedlich ist.<br />
a) b) c)<br />
Abbildung 5.7: Gesten in verschiedenen Substreams des HumanEva-Datensatzes. (a) Kinnhaken<br />
/ Stream 04. (b) Boxen / Stream 05. (c) Winken / Stream 06.<br />
Für <strong>die</strong> <strong>Optimierung</strong> wurden <strong>die</strong> Sigma- und <strong>die</strong> Importance-Parameter gewählt,<br />
da deren Variation bei den BiZiDa-Streams zu einer signifikanten Verbesserung<br />
der Qualität der erkannten Posturen geführt haben. Die Anzahl der Partikel wurde<br />
auf 1000 und <strong>die</strong> Anzahl der Meanshift-Iterationen auf 3 gesetzt. Die Population<br />
bestand aus 50 Individuen, wobei der Fitnesswert für jedes Individuum neun<br />
Mal berechnet wurde. Das Ergebnis der <strong>Optimierung</strong> sieht wie folgt aus:<br />
Parameter<br />
Mittelwert<br />
Sigma Edge 1,43 ± 0,50<br />
Sigma Ridge 1,52 ± 0,44<br />
Sigma Mean 248,97 ± 75,60<br />
Sigma Plateau 78,15 ± 26,65<br />
Sigma Skin 2,80 ± 0,70<br />
Edge Import. 4,62 ± 1,23<br />
Ridge Import. 5,05 ± 1,17<br />
Mean Import. 5,79 ± 1,41<br />
Skin Import. 4,40 ± 1,75<br />
Fehler [mm]<br />
290<br />
280<br />
270<br />
260<br />
250<br />
240<br />
230<br />
220<br />
210<br />
200<br />
190<br />
10 20 30 40 50 60<br />
Generation<br />
Beste Konfiguration in Generation 42<br />
Mittlerer Fehler: 222,22 [mm]<br />
Die Population konvergiert sehr langsam gegen ein Optimum in den Gütemaß.<br />
Die Höhe der Standardabweichung bei dem Sigma-Plateau-Parameter lässt hier<br />
<strong>die</strong> Schlussfolgerung zu, dass <strong>die</strong>se Population entweder noch nicht vollständig<br />
konvergiert ist oder dass <strong>die</strong>ser Parameter keinen Einfluss auf <strong>die</strong> Qualität der<br />
Posturschätzungen hat.<br />
In Tabelle 5.4 werden <strong>die</strong> euklidischen Fehler der Marker in der Postur für jeden<br />
der drei HumanEva-Streams präsentiert. Dass <strong>die</strong> Fehlerwerte für <strong>die</strong> ersten<br />
beiden Streams relativ hoch sind, ist nicht weiter verwunderlich: Die Testperson<br />
führt in <strong>die</strong>sen Szenen Bewegungen aus, <strong>die</strong> direkt auf <strong>die</strong> Kamera gerichtet<br />
sind und somit eine Posturschätzung erschwert wird. Ungewöhnlich ist dagegen<br />
<strong>die</strong> geringe Streuung der Fehler, <strong>die</strong> unter einem Zentimeter liegt. Und das obwohl<br />
<strong>die</strong> Person weiter von der Kamera entfernt steht, als der Proband in den<br />
BiZiDa-Streams.
Change language