[Back]

T. Hahn:
"Event-Driven 3D Vision for Human Activity Analysis in Context of Dance and Fitness Training of Elderly People";
Supervisor: H. Kaufmann; 188/2, 2011.

Over the last years many implementations concerning the recognition of human motion have
been developed. In doing so different systems for human motion detection reaching from recognition
of simple gestures to more dynamic complex motions have been invented. The application
area of these systems is thereby wide spread from input for Human Computer Interaction to human
motion analysis in the field of rehabilitation exercises or sports. Systems that are designed
for elderly people are becoming more important, especially in the physical training application
area. This is because the population is tending to live to an older age and there will be more and
more elderly people in the near future.
In this thesis a system for recognition of human motion in the area of dance and fitness training
for elderly people is introduced. This module within the EU project Silvergame [SJSB09] is
thereby intended to help elderly people to keep their level of health as well as to gain a higher
fitness level so that they can stay healthy to an older age. With the system the users can then be
encouraged to move more by performing the dance which they see on their home TV screen. In
doing so such a dance consists of different human activities which the system recognizes. Furthermore,
it also provides some sort of feedback via the given output device. As the input device,
a novel event-driven 3D vision sensor, developed at the AIT Austrian Institute of Technology is
used in this approach. What is special in this case is that only data is transferred if an intensity
change in the field of view is detected. Therefore, less data then with ordinary video systems
is generated. Another difference worth mentioning is that this information is communicated
not frame-based but pixel wise. Keeping this constraint in mind and based on the information
transferred from this sensor, elementary features that are used as input for classification are obtained.
Through a detailed research of the literature about the up-to-date classification methods,
the most promising technique and features for the motion detection system were chosen. This
thesis thereby shows the performance of the designed application and points out the opportunity
for further employments. Though it was significant how the chosen classification method can be
used for the obtained features from the received data. Additionally first performance measurements
were done. For this first implementation MATLAB was chosen as the main platform and
further applications shall be based on this gained knowledge.
For experimentation with the implemented algorithm a database including 580 samples with
8 different activities from 15 individuals, using the 3D sensor, was recorded. To obtain representative
experimentation results a cross validation was applied and different settings were used
to compare the results. Additionally, test sessions were done on different data sets and for the
best results the training and evaluation time was recorded to point out the possibility of real-time
usage. The best results thereby reached an average correct recognition rate of around 96 %.

Im Bereich der menschlichen Gesten- beziehungsweise Bewegungserkennung wurden in den
letzten Jahren einige wertvolle Ansätze entwickelt, wobei die Komplexität dieser Systeme von
der Erkennung von einfachen Gesten bis zu komplexeren dynamischen Bewegungen, im Bereich
der Computerinteraktion oder Rehabilitationsübungen reichen kann. Dabei werden vor
allem Systeme die zum physischen Training für ältere Personen dienen immer interessanter, da
die Bevölkerung immer älter wird und daher es in nicht allzu ferner Zukunft viel mehr ältere
Personen, als heutzutage, geben wird.
Diese Diplomarbeit beschäftigt sich nun mit der Entwicklung von Algorithmen zur Erkennung
von Bewegungen von Tanz- und Fitnessübungen für ältere Personen. Dabei soll das Modul
im EU Projekt Silvergame [SJSB09] vor allem dafür sorgen dass diese Personen ihre Fitness
beziehungsweise Beweglichkeit auch im höheren Alter halten oder sogar verbessern. Um dies
erreichen zu können werden die Nutzer dazu animiert vor ihrem TV Gerät gewisse Figuren und
ganze Tänze nach zu tanzen, und Feedback über die Ausführung gegeben werden. Als Eingabegerät
für das System soll dabei ein neuartiger event basierter 3D Sensor, welcher am AIT,
Austrian Institute of Technology, entwickelt wurde, dienen. Ein wesentlich Unterschied zu anderen
videobasierten Systemen ist, dass der Sensor nur Änderungen anhand von der Helligkeit
in dem Sichtfeld aufzeichnet und so weniger Daten übertragen werden. Jedes Pixel ist autark
und überträgt über ein Bussystem die Daten asynchron. Aus den Daten werden dann grundlegende
Features für die zur Erkennung verwendete Klassifizierungsmethode extrahiert. Mittels
einer die Literaturrecherche werden die heute verwendeten Methoden zur Bewegungserkennung
analysiert und die vielversprechendste Methode ausgewählt. Diese Methode soll danach, in Matlab
als Entwicklungsumgebung implementiert werden, und mit Hilfe der Daten und der daraus
berechneten Features evaluiert werden. Dabei sollen bei der Berechnung der Evaluierung neben
der Berechnung der Erkennungsrate auch erste Laufzeiten analysiert werden.
Für eine Evaluierung wurde ein Beispieltanz, welcher sich in 8 unterschiedliche Aktivitäten
gliedert, ausgewählt. Während Testaufnahmen wurde 580 Beispielen der 8 Aktivitäten von 15
unterschiedlichen Personen mit dem 3D Sensor aufgezeichnet und in einer Datenbank gespeichert.
Mittels verschiedener Parameter wurde danach eine Kreuzvalidierung mit den implementierten
Algorithmen durchgeführt. Dabei erreichten die besten Ergebnisse eine durchschnittliche
Erkennungsrate von ungefähr 96%.