Jahresbericht informatik 2009 - KIT – Fakultät für Informatik

Institut für Anthropomatik
Nachwuchsgruppenleiterin: A. Wörner (F)
Sekretariat: Dr. D. Gambichler
Akadem. Mitarbeiter: T. Feldmann (F), H. Kühne (F),
S. Schulz (ab 01.06.2009)
AutoTiP: Bewegungsanalyse
Institut für Anthropomatik
Forschungsbereich
Menschliche
Bewegungsanalyse
(H. Kühne, A. Wörner)
Das Hauptziel des Bereichs Bewegungsanalyse im Projekt AutoTiP ist der Entwurf von
Algorithmen für die Auswertung von Bewegungsinformationen aus Bildfolgen, welche die
Grundlage für Anwendungen in der Bewegungserkennung und der Synthese bildet.
Ein Schwerpunkt im Jahr 2009 im Bereich der videobasierten Rekonstruktion und Analyse
von Bewegungen war das Clustering von rigiden Elementen aus 3D-Bewegungspunkten.
Hierzu wurden menschliche Bewegungen mit Hilfe eines Stereo-Kamerasystems aufgezeichnet
und entsprechende Merkmalspunkte im 3D-Raum rekonstruiert und verfolgt. Ziel
ist es, rigide bewegende Elemente innerhalb der Punktwolke zu identifizieren, die z.B.
Köperteilen wie Ober- und Unterarmen, Kopf oder Torso zugeordnet werden können. Für
das Clustering der entsprechenden Teilmengen wurden dabei Merkmale wie Lage,
Geschwindigkeit oder Abstandsvarianz genutzt. Die entsprechenden Cluster können im
Folgenden dazu verwendet werden eine Modellstruktur zu erstellen und somit die aktuelle
Pose zu schätzen, anderseits können die Bewegungen der einzelnen Teile gelernt und
zur Bewegungserkennung verwendet werden.
Ein weiterer Schwerpunkt war die Erweiterung des bisherigen Bewegungserkennungssystems
von marker- auf video-basierte Eingabewerte. Hierbei sollten die in der Erkennung
bereits bewährten Algorithmen und Komponenten zur HMM-basierten Bewegungserkennung
möglichst beibehalten werden und die zu lernenden und zu erkennenden
Merkmalsvektoren von Gelenkwinkeln auf videobasierte Daten erweitert werden. Um
Bewegungen mit Hilfe von Videos zu erfassen, wurden optical flow (Optischem Fluss)
Histogramme verwendet und ein System implementiert, das globale, gewichtete
Histogramme aus Videosequenzen erzeugt. Diese Histogramme stellen einen alternativen
Eingabevektor für die HMM-Bewegungserkennung dar.
Das Verfahren wurde in Kooperation mit dem Cognitive Systems Lab (CSL) und dem
Institut für Sport und Sportwissenschaft (IfSS) evaluiert. Zur Validierung wurden verschiedene
Küchenbewegungen parallel mit Vicon und Videokameras aufgezeichnet und die
Erkennungsrate auf beiden Datensätzen miteinander verglichen. Es zeigt sich dabei, dass
die Erkennungsleistung mit globalen, gewichteten optischen Fluss-Histogrammen mit der
bisherigen marker-basierten Erkennung vergleichbar ist und unter guten Bedingungen sogar
bessere Resultate liefern kann.
277
3