| Summary: | 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.
|
|---|