Daniel Rengifo Almanza, Andrés Felipe Calvo Salcedo, Carlos Alberto Henao Baena
El reconocimiento automático de actividades físicas humanas es una tarea importante en aplicaciones de visión por computador. Los enfoques robustos que utilizan unos o varios sensores generalmente vinculan características redundantes que consumen recursos computaciones y tiempo de cómputo durante el proceso de clasificación de subactividades. En este artículo se explora la reducción de dimensión para el reconocimiento de actividades y movimientos primitivos humanos fusionando datos provenientes de sensores de profundidad visual Kinect, sensores inerciales IMUs y electrodos de registro electromiográfico (EMGs). También se enseña un estudio comparativo donde se evalúa diferentes técnicas de reducción de características del estado arte, se analiza el comportamiento en base al desempeño en el reconocimiento de actividades física y el tiempo de cómputo de los métodos bajo estudio. Los resultados muestran que, metodologías del estado de arte pueden tener un menor costo temporal a la hora de su implementación sin afectar considerablemente el desempeño al reconocer la actividad.
Automatic recognition of human activities is an important task in computer vision applications. Robust approaches using one or more sensors generally link redundant features that consume computing resources and computation time during the sub-activity classification process. This article explores dimension reduction for recognizing human activities and primitive movements by merging data from Kinect visual depth sensors, IMUs inertial sensors, and electrodes of electromyographic record (EMGs). It shows a comparative study where the different techniques of reduction of state of the art are evaluated characteristics; behavior is analyzed based on performance in recognition of activities and computation time of the methods under study. The results show that state-of-the-art methodologies could have a lower temporary cost when implementing them without significantly affecting performance when recognizing the activity.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados