عطیه السادات میرمعینی

تاریخ انتشار : Publish : نسخه قابل چاپ Print


 

دانشکده  مهندسی

گروه آموزشی  کامپیوتر

اطلاعیه دفاع از طرح پیشنهادی پایان نامه کارشناسی ارشد در رشته مهندسی کامپیوتر

عنوان:

تشخیص و تخمین موقعیت مفاصل از دست رفته در داده های اسکلتی سنسور کینکت و بررسی ناهنجاری های اسکلتی عضلانی

 

استاد راهنما:

جناب آقای دکتر حسن ختن لو

 

اساتید ممتحن:

جناب آقای دکتر محرم منصوری زاده

جناب آقای دکتر مهدی سخایی  نیا

 

پژوهشگر:

عطیه السادات میرمعینی

تاریخ دفاع:

شنبه 23/10/96 ساعت 16

مکان:

سمینار 2 (سالن مهندس مرحوم خانمحمدی)

 

 

 

 

 

BU-Ali Sina University

 

Faculty of Engineering

 

Department of Computer Engineering

 

Thesis submitted for Master of Science in computer Engineering-Artificial Intelligence

 

Title:

Detect and Estimate The Lost Position in The Skeletal Joints Kinect Sensor Data and Musculoskeletal Abnormalities Classification

 

                                                                 Supervisor:

Dr.Hassan Khotanlou

 

Judges:

Dr.Muharram Mansoorizadeh

Dr.Mahdi Sakhaei Nia

 

Author:

 Atiye Sadat Mirmoini

 

Defence Date : 13 January 2018

چكيده:

   امروزه محیط هاي هوشمند و سیستم هاي کنترلی با توجه به پتانسیل خود در بهبود کیفیت زندگی انسان یکی از محبوب ترین حوزه هاي تحقیقاتی بشمار می آیند. برنامه های کاربردی مانند تحلیل رفتار انسانی و نظارت ارگونومی در محیط کار به صورت خودکار درآمده اند، در نتیجه بهبود رفاه افراد با حداقل هزینه در حال اجرا می باشد. مسئله ی اصلی محیط های هوشمند درک فعالیتی است که کاربر انجام می دهد تا بتوانند پشتیبانی مناسبی را ارائه دهند. یکی از ابزار هایی که در این زمینه از تحقیقات بسیار مورد توجه قرار گرفته است حسگر کینکت می باشد. علاقه مندی به حسگر کینکت به دلیل قیمت پایین و طیف گسترده ای از کاربردهایی که به همراه دارند در حال افزایش می باشد. این ابزارها با بهره گیری از دادگان اسکلتی و بدون استفاده از نشانگرها وضعیت قرارگیری بدن انسان را برآورد می کنند. مطالعات اخیر نشان داده است که مسدود شدن نواحی مختلف بدن انسان با دیگر اشیا و یا حرکت سریع مقابل کینکت منجر به برآورد ناصحیحی از موقعیت مفاصل می شود که نتیجه ی آن آنالیز غیر دقیق و هشدارهای نادرست در سیستم های نظارتی بهره گیرنده از اطلاعات کینکت می باشد. در این پژوهش دو گام اساسی برای حل چالش موجود در نظر گرفته شده است. در گام اول راهکاری بر مبنای مدل های اندازه گیری جهت تعیین درجه ی اعتبار مفاصل استخراج شده از کینکت ارائه شده است که به عنوان ویژگی اثر گذار به همراه موقعیت مفاصل در کلاس بند بیشینه-حاشیه در نظر گرفته می شود. در گام دوم براساس میزان اعتبار هریک از مفاصل تصمیم گیری می شود و مفاصل از دست رفته( با اعتبار کم ) تشخیص داده می شوند سپس با استفاده از الگوریتم های بخش بندی بدن انسان مبتنی بر شبکه یادگیری عمیق، اعتبار بخشی مفاصل صورت می گیرد. نتایج حاصل از بررسی های انجام شده نشان می دهند انتخاب ویژگی های مناسب در گام اول جهت مقایسه فریم های متوالی نسبت به روش موجود بهبود قابل توجهی در دقت کلاس بند دارد، همچنین گام دوم نیز با اعمال اعتبار بخشی به دادگان تاثیر بسزایی بر دقت متدهایی دارد که از دادگان اسکلتی حسگر کینکت به عنوان ویژگی های ورودی به سیستم بهره می برند.

 

 

Abstract

      Today, intelligent environments and control systems with regard to their potential in improving human life quality are one of the most popular research areas, such as human behavior analysis and regulatory monitoring in the workplace, thus improving the welfare of individuals with minimal cost. The main problem of intelligent environments is the understanding of the activity that the user performs to provide appropriate support. One of the tools that has been addressed in this field is the Kinect sensor. The interest in the sensor is increasing due to low price and wide range of applications that accompany them. These tools are estimated by using the skeletal database without using the markers of the human body. Recent studies have shown that the closure of different human body areas with other objects or movements in front of Kinect results in an estimate of the joint position of the joint, which is the result of an inaccurate analysis and false alerts in the control system of the receiver. In this study, two basic steps are considered to solve the challenge. In the first step, a solution is proposed based on the measurement model for determining the degree of joint validity derived from Kinect, which is considered as a feature of the influence effect along with the joint position in the classification. In the second step, according to the validity of each of the joints, the decision is determined and the joints are lost from missing (with low credit), then with the use of human body segmentation algorithms based on a deep learning network. The results presented in the survey show that the choice of appropriate attributes in the first step is to compare the sequence frames compared to the existing method, as well as the second step with the application of the component to the effect of the system.

 

 

مشخصات فردی

 

نام و نام خانوادگی:

عطیه السادات میرمعینی

 

تاریخ تولد:

69/08/29

 

ایمیل:

atiye.mirmoini@gmail.com

a.mirmoini94@basu.ac.ir

 

 

 

 

مهارت های اولیه

· مسلط به برنامه نویسی MATLAB

· آشنا به برنامه نویسی با زبان C++ و کتابخانه OpenCV

· توانایی مطالعه و درک مقالات به زبان انگلیسی

· توانایی انجام کار تیمی، برنامه ریزی و مدیریت پروژه

· علاقه مند به امور پژوهشی

 

مهارت های تخصصی

· آشنا به الگوریتم های قطعه بندی و بهبود تصویر

· آشنا به الگوریتم های دسته بندی و خوشه بندی داده

· آشنا به الگوریتم های استخراج ویژگی) محلی، سراسری (از تصاویر

 

سطح آشنایی با زبان انگلیسی

مکالمه : متوسط    خواندن : بسیار خوب      درک مطلب: بسیار خوب      نوشتن : خوب