Advertisement

Erkennung von Körperbewegungsmustern durch Automaten

  • Kyungeun Cho
  • Hyungje Cho
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

In den letzten Jahren ist das Interesse an der automatischen Erkennung von Körperbewegungen auf der Basis optischer Information ganz erheblich gestiegen. Die Vielfalt der Einsatzmöglichkeiten beweist, daß es sich nicht nur um das Interesse einer kleinen Schar von Experten handelt, z.B.: Ganganalyse, automatische Kommentierung von Sequenzen in Video-Datenbanken, die die Bewegungen von Menschen beinhalten [Cle95], drahtlose Mensch-Maschine-Schnittstellen für Virtual- Reality-Anwendungen [Bec97], Überwachungs-systeme, Interpretation von Zeichensprachen [Bra96][Sut96] und Choreographie von Tanz und Ballett [Cam95]. Für die automatische Erkennung der Körperbewegungen in Videobildern müssen mehrere Phasen durchgeführt werden: Initiale Detektion einer Person, Verfolgen der Person, Segmentierung des Körpers, Extrahierung der einzelnen Körperteile und Erkennung der Körperbewegungsmuster. Es sind schon mehrere Systeme in speziellen Gebieten entwickelt worden, die die Körperbewegungen erkennen können, z.B. Sensei [Bec97], ARGo [Bra96], First Sight [Leu95] usw. Zur Klassifikationsmethode von Bewegungsmustern wurden Phase Space Methode [Cam95], HMM (Hidden Markov Model) [Bec97][Bra96], Dynamic Time Warping [Gav95], Template Matching [Sut96] usw. angewendet. Der Schwerpunkt dieses Beitrags liegt auf der Klassifikationsmethode von Körperbewegungsmustern mit dem Ziel, die nonverbalen Körpersignale zu erkennen. Eine Körperbewegung enthält gleichzeitig mehrere Körperteilbewegungen mit verschiedenen Bewegungsvektoren.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Bec97] D.A. Becker, „Sensei: A Real-Time Recognition, Feedback and Training System for T’ai Chi Gestures“, MIT Media Lab Perceptual Computing Group TR 426Google Scholar
  2. Ben89] G. Bente, „Facilities for the graphical computer animation of head and body movements“, Behavior Research Methods, Instruments amp Computers, S.455–462Google Scholar
  3. [Bra96]
    A. Braffort, ARGO: An Architecture for Sign Language Recognition and Interpretation“, Proc. of Gesture Workshop 1996, pp. 17–30Google Scholar
  4. [Cam95]
    L. Campbell, A. Bobick, „Recognition of Human Body Motion Using Phase Space Constraints “, MIT Media Lab Perceptual Computing Group TR 309, 1995Google Scholar
  5. [Cle95]
    E. Clergue, M. Goldberg, N. Madrane, B. Merialdo, „Automatic Face and Gestual Recognition for Video Indexing“, Int’l Workshop on Automatic Face-and Gesture-Recognition, 1995, pp. 110–115Google Scholar
  6. [Fre81]
    S. Frey, H.P. Hirsbrunner, J. Pool amp W. Daw, „Das Berner System zur Untersuchung nonverbaler Interaktion: I. Die Erhebung des Rohdatenprotokolls“, in P. Winkler ( Hrsg. ), Methoden der Analyse von Face-to-Face-Situationen, S. 203–236Google Scholar
  7. [Gav95]
    D.M. Gavrila, L.S. Davis, „3-D Model-based recognition of human movement by dynamic time warping“, Computer Vision Lab., Univ. of MarylandGoogle Scholar
  8. [Leu95]
    M.K. Leung, Y. Yang, „First Sight: A Human Body Outline Labeling System“, IEEE Pattern Analysis and Machine Intelligence 17(4), April, pp. 359–377Google Scholar
  9. [Mun98]
    O. Munkelt, C. Ridder, D. Hansel, W. Hafner, „A model driven 3D image interpretation system applied to person detection in video images“, 14’th Int’l Conf. on Pattern Recognition 1998, acceptedGoogle Scholar
  10. [Sut96]
    A. Sutherland, „Real-time Video-based Recognition of Sign Language Gestures using Guided Template Matching“, Gesture Workshop 1996, pp. 31–38Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1998

Authors and Affiliations

  • Kyungeun Cho
    • 1
    • 2
  • Hyungje Cho
    • 1
  1. 1.Department of Computer Engineering, Computer Vision LaboratoryDongguk UniversitySeoulKorea
  2. 2.Institut für Medizinische SoziologieUniversität RegensburgRegensburgGermany

Personalised recommendations