High performance moves recognition and sequence segmentation based on key poses filtering

Cláudio Márcio de Souza Vicente

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/ESBF-ACXMEX

Type:	Dissertação de Mestrado
Title:	High performance moves recognition and sequence segmentation based on key poses filtering
Authors:	Cláudio Márcio de Souza Vicente
First Advisor:	Leonardo Barbosa e Oliveira
First Co-advisor:	Erickson Rangel do Nascimento
First Referee:	Erickson Rangel do Nascimento
Second Referee:	Adriano César Machado Pereira
Third Referee:	Maicon Rodrigues Albuquerque
metadata.dc.contributor.referee4:	Thales Miranda de Almeida Vieira
Abstract:	Em uma sociedade em que o interesse nos esportes aumenta a cada dia, não é surpresa que as pessoas invistam cada vez uma parcela maior dos seus recursos em atividades esportivas. Quando consideramos a prática esportiva profissional, o nível de investimento é consideravelmente maior, já que são detalhes que determinam quem vai estar no topo do pódio. Na busca de melhorar o desempenho dos atletas, uma das áreas que tem atraído o interesse de pesquisadores e onde ganhos de desempenho dos atletas têm sido alcançados é a área de análise do movimento humano. Nessa dissertação é apresentada uma metodologia de reconhecimento e segmentação de uma sequência de golpes em esportes de alto desempenho baseado em key poses. Quando comparados com gestos humanos realizados no dia a dia, golpes em esporte de alto desempenho são mais rápidos e apresentam baixa variação intra-classe, o que produz um conjunto de características ambíguo e com ruído. Para predizer a classe a qual pertence cada quadro de uma gravação do treinamento de um atleta, nossa abordagem combina uma estratégia robusta de filtragem de quadros compostos por poses discriminantes (key poses) com o método probabilístico de reconhecimento de padrões Latent-Dynamic Conditional Random Fields. A metodologia foi avaliada utilizando sequências de treinamento de Taekwondo não-segmentadas. Os resultados experimentais indicam que nossa metodologia apresenta melhor desempenho quando comparado com o método de reconhecimento de padrões Decision Forest, além de ser mais eficiente com relação ao tempo de processamento para reconhecimento dos golpes. Nossa taxa de reconhecimento média foi de 74.72% enquanto o método Decision Forests alcançou 58.29%. Os experimentos também mostram que a nossa metodologia é capaz de reconhecer e segmentar golpes realizados em altas velocidades, como os chutes circulares de Taekwondo (roundhouse kicks), que podem alcançar velocidades de até 26 m/s.
Abstract:	In high performance sports, moves are faster and have low inter-class variability, which produce noisy features and ambiguity. In this work we present a discriminative key pose-based approach for moves recognition and segmentation of training sequences for high performance sports. Our approach combines a robust filtering strategy to select frames composed of discriminative poses (key poses) and the discriminative Latent-Dynamic Conditional Random Fields (LDCRF) model to predict a label for each frame from the training sequence. We evaluate our approach on unsegmented sequences of Taekwondo training. Experimental results indicate that our methodology outperforms the Decision Forests method in terms of efficiency and accuracy. Our average recognition rate was equal to 74.72% while Decision Forests achieves 58.29%. The experiments also show that our approach was able to recognize and segment high speed moves like roundhouse kicks, which can reach peak linear speeds up to 26 m/s.
Subject:	Reconhecimento de padrões x Visão por computador Computação Reconhecimento de padrões
language:	Inglês
Publisher:	Universidade Federal de Minas Gerais
Publisher Initials:	UFMG
Rights:	Acesso Aberto
URI:	http://hdl.handle.net/1843/ESBF-ACXMEX
Issue Date:	25-Feb-2016
Appears in Collections:	Dissertações de Mestrado

Files in This Item:

File	Description	Size	Format
claudiomarciovicente.pdf		2.26 MB	Adobe PDF	View/Open

Show full item record