Uma proposta para a classificação de ações humanas baseada nas carcterísticas do movimento e em redes neurais artificiais

Abstract

A recente revolução tecnológica ocorrida nas últimas décadas nos proporcionou a disponibilização de computadores com grande capacidade de armazenamento e processamento. Além disso, também temos ao nosso alcance câmeras de vídeo com alta qualidade de captura de imagens. Este cenário nos permite criar, armazenar e distribuir grande quantidade de vídeos. Diversas áreas da sociedade, tais como, vigilância, controle de tráfego e entretenimento, tem demandado o desenvolvimento de novas técnicas e metodologias automatizadas de análise de vídeos, as quais são independentes da avaliação humana ou de buscas exaustivas pelos arquivos de vídeo. Aplicações naturais para estas áreas podem incluir: reconhecimento baseado em movimento, navegação veicular, vigilância automatizada, monitoramento de fluxo de veículos e pedestres, controle de qualidade em fábricas, indexação de vídeos e iteração homem-máquina. Neste trabalho propomos uma metodologia para o reconhecimento de ações humanas executadas em sequências de imagens usando Visão Computacional e Inteligência Computacional. Na etapa de Visão Computacional utilizamos uma combinação de duas técnicas de análise de movimento: Histograma de Fluxo Óptico Orientado e Análise de Contorno de Objetos. Na etapa de Inteligência Computacional nós utilizamos um Mapa-Auto Organizável (SOM, do inglês Self-Organizing Map) otimizado através da rede de Aprendizado por Quantização Vetorial (LVQ, do inglês Learning Vector Quantization). Testamos a metodologia proposta com uma base de dados que contém diferentes tipos de ações humanas. Por meio dos resultados obtidos e comparando-os com outras propostas encontradas na literatura, demonstramos a utilidade e a robustez da técnica. _______________________________________________________________________________ ABSTRACT

The technology evolution that we experienced over the last decades increased the availability of computers with high processing and storage capacity, and video cameras with high quality image capture. It made it easier to create, store and upload videos. Considering this scenario, the areas such as surveillance, traffic control and entertainment deal with increasingly high amounts of video information, and require the development of new methodologies and techniques for video analysis. The increase in the overall amount of available video has set a requirement for simpler video analysis, independent of human evaluation and exhaustive searches. Natural applications of automatic video analysis include: motion based recognition, vehicle navigation, surveillance automation, pedestrian and vehicle flow monitoring, quality control in factories, video indexing and man-machine interaction. In this work we develop and test a method for recognition of human actions in sequence of images using Computer Vision and Computational Intelligence. The Computer Vision stage is a combination of two motion analysis techniques: Histogram of Oriented Optical Flow and Object Contour Analysis. For the Computational Intelligence stage we use a Self-Organizing Map (SOM) optimized through Learning Vector Quantization (LVQ). We test the proposed method against a database with different kinds of human actions. From the results and comparing it to other proposals in the literature, we show the usefulness and robustness of this method.