Human Activity Recognition con telecamere di profondità

Zagnoli, Andrea (2017) Human Activity Recognition con telecamere di profondità. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [LM-DM270] - Cesena
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (1MB)

Abstract

Lo studio presentato in questa Tesi si propone di elaborare, implementare e testare un algoritmo di Human Activity Recognition (HAR) basato su telecamere di profondità. Per HAR si intende quel settore del machine learning che mira a studiare tecniche che, tramite l’acquisizione di informazioni da sorgenti di diverso tipo, permettano ad una macchina di apprendere in modo autonomo un metodo di classificazione delle attività umane. In particolare l’algoritmo proposto sfrutta la tecnologia delle telecamere di profondità (il sensore utilizzato è il Microsoft Kinect) che a differenza delle tradizionali telecamere a colori proiettano un campo di luce infrarossa e, in base a come questa viene riflessa dagli oggetti nella stanza, è in grado di calcolare la distanza tra il sensore e l’oggetto. L’algoritmo implementato in ambiente .NET, è stato testato su due dataset raccolti dal Computer Science Department, Cornell University e su un nuovo dataset raccolto contestualmente a questo studio. I risultati sperimentali confermano l’efficacia dell’algoritmo su tutte le azioni raccolte nei diversi dataset.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Zagnoli, Andrea
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
human activity recognition,machine learning,computer vision,microsoft,Kinect,depth camera,smart environment,artificial intelligence,intelligenza artificiale,visione artificiale
Data di discussione della Tesi
16 Marzo 2017
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^