WWW.MASH.DOBROTA.BIZ
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - онлайн публикации
 


«(филиал) ФГБОУ ВПО Владимирский Возможность использования государственный методов определения позы университет имени человека в системе «Умный дом» А.Г. и Н.Г. Столетовых, г. Муром. УДК 004.58 В ...»

75

С.П. ФОМИН Муромский институт

(филиал) ФГБОУ ВПО

"Владимирский

Возможность использования

государственный

методов определения позы университет имени

человека в системе «Умный дом» А.Г. и Н.Г. Столетовых",

г. Муром .

УДК 004.58

В работе отражена потребность в

автоматическом распознавании

изображений положения тела человека для

улучшения эффективности системы

«Умного Дома». Рассмотрены алгоритмы

аналоги, выявлены их достоинства и недостатки. Произведен системный анализ .

Введение Современный человек использует множество устройств, которые упрощают жизненные процессы, делают их более комфортными, а так же экономят время. По исследованиям в среднем около 1 часа в день человек тратит на выполнение бытовых операций, таких как включение света, открывание штор и так далее. Система автоматизации дома позволит сэкономить это время .

Одним из наиболее перспективных направлений развития систем «Умного дома» является внедрение системы технического зрения. Данная технология имеет огромный потенциал по развитию взаимодействия всевозможных систем с человеком. Одной из перспективных направлений для автоматизации систем «Умного дома», является распознавание поз человека с помощью систем технического зрения .

Согласно определениям Лабунской [2] и Ушакова [3], «позирование» является статическим положением человеческого тела, элементарной единицей пространственного поведения человека, характеризующейся определенным положением корпуса, головы и конечностей по отношению друг к другу .



Следовательно, определяя пространственные характеристики корпуса и конечностей тела, можно взаимодействовать с системами «Умного дома», а так же заключить выводы о его потребностях и даже о психическом состоянии личности. Извлечение данной информации в автоматическом режиме и её объективное описание в виде, доступном для автоматизации систем «Умного дома» является актуальной научной темой. Для решения данной задачи необходимо создание автоматизированной системы регистрации и описания позирования человека, для распознавания известных поз и реакции на них необходимых систем .

Функциональность системы «Умный дом Большинство систем «Умный дом» основаны на событийнодейственной модели, которая включает в себя такие сущности как правила, событи

–  –  –

В представленной схеме правило устанавливает связь между происходящими событиями и действиями системы. К примеру при срабатывании датчика движения в помещении вызывается действие включения освещения. К одному событию может быть привязано несколько действий. Также могут быть комбинированные события, если на улице темно и холодно, то нужно включить подогрев пола и не открывать жалюзи .

Существует потребность определения положения человека в пространстве, а именно три состояния: сидячее, стоячее, лежачее .

Это дополнительная информация, которая поможет системе в принятии решения. Даже если система не является экспертной, количество вариантов вызова действия увеличивается в 3 раза, что позволяет более точно принимать решение управления и как следствие экономить энергию. В Таблице 1 приведен простой пример логики обработки событий. Рассмотрено 5 помещений с ориентацией на действия связанные с электропотреблением, приведены действия включения, действия на выключение не приведены, но подразумеваются .

Рис. 2. Схема квартиры из трех комнат .





На Рисунке 2 представлена схема типовой квартиры. В каждом из помещений установлены датчики присутствия, движения, освещение и подогрев пола управляется системой или устанавливается вручную .

Для того чтобы определить положение тела человека в помещении, а также его координаты, необходимо использовать алгоритмы определения поз человека в видео-потоке или готовые решения для идентификации поз и жестов человека в пространстве .

–  –  –

Системы распознавания человека в пространстве На рынке отечественных и зарубежных предложений появляются технологии способные частично решить задачу определения позы человека в пространстве .

Viziware Данная система является коммерческой разработкой отечественной фирмы СКЗ. Технология позволяет распознавать человеческие жесты, отслеживает объекты, оценивая их положение и скорость в режиме реального времени. Две видеокамеры работают аналогично глазам человека, вычисляя расстояния до объектов[2] .

Достоинства:

1. Регулируемая рабочая дистанция - от 20 см до 10 м

2. Неограниченное количество устройств в одной комнате и низкое энергопотребление

3. Работоспособность на движущихся объектах: система фильтрует собственное движение и постоянно калибрует камеры

4. Распознавание объектов без использования маркеров

Недостатки:

1. Не распознает позы человека

2. Данная технология является коммерческой разработкой WiSee Команда разработчиков создала прототип системы, которая использует сигнал Wi-Fi для идентификации жеста человека .

Данная технология позволяет осуществлять такие действия как выключения света в соседней комнате, или изменения громкости проигрывателя. Все, что нужно от пользователя, сделать определенный жест, понятный WiSee. Для распознавания жеста отслеживается изменение уровня сигнала беспроводной сети роутера, ноутбука, смартфона и прочих подключенных к Wi-Fi сети устройств. Система основана на допплеровском смещении .

Небольшие изменения сигнала беспроводной сети, вызываемые движением человека, улавливаются, анализируются, и переводятся в понятные для управляемых устройств сигналы. Прототип показал эффективность в 94% проверок. Т.е. 94% жестов разработчиков, заложенные в систему, были распознаны правильно. Тестирование проводилось в квартире с двумя комнатами .

Достоинства:

1. Простота внедрения и установки;

2. Эффективно распознает жесты;

3. Зона локализации зависит от мощности устройств и легко масштабируется .

Недостатки:

1. Не распознает позы человека,

2. Слабо применима к многоквартирным домам,

3. Чувствительна к другим Wi-Fi устройствам не использующие данную систему SensFloor Немецкое изобретение, относящееся к разряду умный дом, призвано помочь пожилым людям для обеспечении безопасности, ведь именно они, а также те, кто в своё время пережил травму того или иного рода, часто подвергаются риску упасть и получить перелом. Данная технология состоит из большого количество сенсоров встроенных в пол жилища .

Достоинства:

1. Высокая точность распознавания падения человека

2. Относительная простота реализации Недостатки

1. Почти не распознает позы человека, кроме одной

2. Не распознает жесты

3. Сложна в установке Все эти технологии имеют свои достоинства и недостатки, но не решают в полной мере поставленную задачу. Поэтому требуется создать собственную .

Методы определения позы человека в видеопотоке Методы решения задачи обнаружения человека можно условно разделить на несколько классов:

2D без использования предопределенной модели человеческого тела;

2D с использованием заданной модели человеческого тела;

3D c использованием информации от нескольких источников изображения (камер) для формирования пространственной модели сцены .

Рассмотрим более подробно вторую группу, т.к. именно такие методы ориентированы на определения позы и положения человека в сцене, а в рассматриваемой системе стереокамеры используются крайне редко .

Алгоритмы данного типа используют априорное знание о представлении изображения человеческой фигуры в 2D-проекции для сегментации изображения, выделения фигуры и отдельных частей тела. В связи с тем, что при произвольных движениях возникают проблемы, связанные с искажениями информации .

Рис. 3. Сегментация человеческой фигуры .

2D-проволочная модель фигуры с ленточным покрытием из-за взаимных перекрытий, изменений ракурса и частичным выходом за границы кадра, многие системы ограничивают допустимую изменчивость в пределах заранее сформулированной модели поведения человека в кадре .

Выделение силуэта начинается с выделения частей тела в последовательности - ноги, тело, голова, руки. Ноги и тело чаще всего являются наиболее стабильными элементами изображения и за редким исключением наименее подвижными (или имеют ограниченный тип движения), поэтому они наиболее удобны для первоначальной привязки модели тела .

Пример использования ленточной модели для сегментации и выделения человеческого тела приведен на Рисунке 5. Модель человеческого тела составлена из пяти U-образных лент, туловища, системы точек связи и центров масс, и ряда структурных ограничений таких, как определение опорных элементов. В дополнение к модели тела используется система описаний изображений специфических поз, например, вид человека на коленях, бегущий человек и т. д .

В то же время могут использоваться модели описывающие характер движения человека во временной развертке. На Рисунке 6 представлены характеристики движения в 3D-пространстве XYT, на основании которых выделяются и отслеживаются силуэты людей на стационарном фоне .

Система для обнаружения человека на изображении "Pfinder" обнаруживает и сопровождает силуэт, используя "капельную" модель тела. Каждая "капля" статистически описывается системой пространственных x,y и цветовых Y,U,V параметров, имеющих нормальное распределение, и соответствует какой-либо части человеческой фигуры (руки, голова, ноги, рубашка, штаны). Также создается статистическая модель сцены, в которой каждому пикселу присваивается определенная вероятность, исходя из предположения о нормальности распределения в пространстве цветов. Модель сцены используется для определения областей, в которых значения пикселов отличаются от ожидаемых .

Рис. 4. Определение человека используя «капельную» модель тела .

Рис. 5. Ленточная аппроксимация и выделение частей тела .

Рис. 6. Обнаружение и трассировка силуэта с помощью капельной модели человека системой "Pfinder" .

Выделение и сегментация человеческого тела происходит в процессе построения капельной модели с использованием эвристического анализа для замещения элементов изображения "каплями", соответствующими отдельным частям тела (Рисунок 6) .

Рис. 7. Распознавание человека используя проволочно-шарнирную модель .

Кроме 2D-моделей человеческого тела многие алгоритмы обнаружения человека и сегментации тела используют заранее сформированную 3D-модель. В отличие от аналогичных моделей, используемых в компьютерной графике, для обнаружения и сегментации человеческой фигуры используются более схематичные и упрощенные 3D-модели. В качестве моделей могут быть использованы проволочные или шарнирные модели, модели составленные из цилиндров различных длин и диаметров, или триангулированные модели поверхности тела .

Использование 3D-моделей позволяет более точно определить позу, соответствующую данной 2D-проекции. В качестве условия окончания поиска принимается состояние модели, имеющее минимальное отличие соответствующей 2D-проекции от исходного изображения. Методы обнаружения человеческой фигуры имеют существенный недостаток, связанный с большими затратами вычислительных ресурсов на выбор положения, допустимой позы и согласования модели с исходным изображением .

Заключение Определение требований к подсистеме автоматического распознавания позиций человека в системе «Умный дом»:

Система должна быть максимально стабильна и работать без сбоев .

Система должна быть легко масштабируема .

Система должна быть полностью безопасна .

Система должна быть цельна и самодостаточна Система должна иметь возможность обучения Для работы в «реальном времени» разработка должна быть максимально производительна, время обработки одного кадра не должно занимать более 100-200 мс[3] .

При распознавании человека и его поз, для высокой производительности одним из главных факторов является наличие качественного сенсора. Сенсор регистрируемой системы должен уметь моделировать скелет человека, получать координаты опорных элементов скелета, обладать бесконтактностью. В таком случае данные о состоянии позы человека могут быть использованы при принятии решения .

Литература

1. Князев Б.А. Исследование и разработка мультиагентного аппаратнопрограммного комплекса распознавания позы человека.: ФГБОУ ВПО, 2013. с 523-538 .

2. Система Viziware, [Электронный ресурс]. Режим доступа:

http://www.comvisionsys.ru/product/viziware/, Дата доступа:25.11.2014 .

3. P. Turaga, R. Chellapa, V. S. Subrahmanian, and O. Udrea. Machine recognition of human activities: A survey. IEEE Transactions on Circuits and Systems for Video Technology, 18(11):1473–1488, 2008 .

4. J. K. Aggarwal and M. S. Ryoo. Human activity analysis: A review. In ACM Computing Surveys, 2011 .

5. V. Kellokumpu, M. Pietikainen, and J. Heikkila. Human activity recognition using sequences of postures. In Proc IAPR Conf. Machine Vision Applications, pages 570-573, 2005 .

6. J. Goles, Inside the race to hack the Kinect, New Scientist, vol. 208, no .

2789, p.22, December 2010 .

7. Microsoft Corporation, “Kinect for Xbox 360-Xbox.com”, [Электронный ресурс]. Режим доступа: http://www.xbox.com/en-GB/kinect/, Дата доступа:24.11.2014 .

8. Канунова Е.Е. Методы и алгоритмы реставрации изображений архивных тестовых документов [Текст] / Е. Е. Канунова, А. А. Орлов, С. С. Сыдыков. // Мир, Москва, 2006. С. 135 .

9. Орлов А.А. Алгоритмы обработки снимков промышленных изделий [Текст] / Орлов А.А., Антонов Л.В. // Современные проблемы науки и образования. 2012. № 6. С. 97 .

10. Орлов А.А. Комплексный анализ систем мониторинга оборудования на производственных предприятиях [Текст] / Орлов А.А., Астафьев А.В., Провоторов А.В. // Алгоритмы, методы и системы обработки данных. 2010. № 11. С. 131Орлов А.А. Компьютерный рентгенографический анализ качества сварных соединений и выделение линейчатых объектов на них [Текст] // Автоматизация и современные технологии. 2009. № 6. С. 3-6 .

13. Орлов А.А. Реализация системы обработки изображений линейчатых объектов [Текст] // Программные продукты и системы. 2007. № 4. С. 61 .

14. Орлов А.А. Системный анализ методов маркировки промышленных изделий [Текст] / Орлов А.А., Провоторов А.В., Астафьев А.В. // Алгоритмы, методы и системы обработки данных. 2010. № 15. С. 136-140 .

15. Орлов А.А. Технология сравнения и идентификации растровых изображений линий [Текст] / Орлов А.А., Ермаков А.А. // Программные продукты и системы. 2007. № 1. С. 68 .

16. Еремеев С.В., Андрианов Д.Е., Баринов А.Е., Титов Д.В. Алгоритмы поиска объектов по пространственным характеристикам в задачах муниципальных ГИС//Известия юго-западного государственного университета.2012. №2. С .

37-41.




Похожие работы:

«ПРОТОКОЛ заседания Комитета по литейному и кузнечно-прессовому производствам на тему: "Разработка Стратегии развития литейной отрасли в России" г. Москва, Технопарк 6 сентября 2017 г. (территория Инновационного центра "Сколково"), Большой бульвар, 42, корп. 1 № ФИО Должность п/п ПЕТРОВ Председатель Комитета по литей...»

«2019 РУКОВОДСТВО Меры безопасности Устройство снегохода ПО ЭКСПЛУАТАЦИИ Техническое обслуживание REX 2 ПРЕДОСТЕРЕЖЕНИЕ Внимательно прочитайте настоящее Руководство. Оно содержит важную информацию, касающуюся безопасности. Минимальный возраст водителя: 16 лет. Бе...»

«ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ НАУЧНО-ПРОИЗВОДСТВЕННЫЙ ЦЕНТР "КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ" ДАТЧИК КОНТРОЛЯ ФАЗ ДКФ-3i модификация 1 ТЕХНИЧЕСКОЕ ОПИСАНИЕ И ПАСПОРТ ЦЕНСОР.155.ТО Пермь 2010 СОДЕРЖАНИЕ 1 НАЗНАЧЕНИЕ 2 УСТРОЙСТВО И РАБОТА ИЗДЕЛИЯ 3 ПОРЯДОК МОНТАЖА И НАСТРОЙКИ ИЗДЕЛ...»

«Высокоэффективные технологические процессы в ОМД INFLUENCE OF THE SPEED IN SIMULATION OF THE PROFILE WORKPIECE FORMING PROCESS BY BENDING WITH STRETCHING IN THE HOT STATE E.A. Panferova The influence of...»

«ТОКАРНО-ВИНТОРЕЗНЫЙ GH-1640ZXСТАНОК GH-2280ZX GB Operating Instructions D Gebrauchsanleitung F Mode demploi RUS Инструкция по эксплуатации WMH Tool Group AG Bahnstrasse 24, CH-8603 Schwerzenbach www.wmhtoolgroup.ch; info@wmhtoolgroup.ch Tel +41 (0...»

«Государственное образовательное учреждение среднего профессионального образования "Полысаевский индустриальный техникум" Ефремова Лариса Владимировна, мастер производственного обучения Общие сведения Год Общий ПедагогиПедагогичесрождения трудовой ческий стаж кий стаж в стаж учрежде...»

«ISSN 1998-4812 Вестник Башкирского университета. 2015. Т. 20. №1 339 УДК 908 НАЧАЛО ГОРНОЗАВОДСКОГО ПРЕДПРИНИМАТЕЛЬСТВА МАСАЛОВЫХ НА ЮЖНОМ УРАЛЕ © Н. М. Кулбахтин*, Ф. Ф. Чингизов Башкирский государственный университет Россия, Республика Башкортостан, 450076 г. Уфа, ул. Заки Валиди, 3...»

«ХОЛОДНЫЙ АЛЕКСЕЙ АНДРЕЕВИЧ ПОВЫШЕНИЕ СОПРОТИВЛЕНИЯ ВОДОРОДНОМУ РАСТРЕСКИВАНИЮ ЛИСТОВ ИЗ ТРУБНЫХ СТАЛЕЙ НА ОСНОВЕ УПРАВЛЕНИЯ СТРУКТУРООБРАЗОВАНИЕМ В ЦЕНТРАЛЬНОЙ СЕГРЕГАЦИОННОЙ ЗОНЕ ПРИ ТЕРМОМЕХАНИЧЕСКОЙ ОБРАБОТКЕ 05.16.01 – "Металловедение и термическая обработка металлов и сплавов" ДИССЕРТАЦИЯ на соискание...»







 
2019 www.mash.dobrota.biz - «Бесплатная электронная библиотека - онлайн публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.