Cattura del movimento senza marcatori mediante iterative closest point e particle filter

Markerless human motion capture and recognition from one or more cameras is a research field, recently emerged, which aims to recognize the pose of a person at a given time from a video sequence, without the aid of special equipment. The inherent difficulty of the task requires specific techniques. In this thesis we have developed a tracking algorithm, that follows the various limbs during the execution of an action, based on Iterative Closest Point, to which were added position and angle contraints for every element of the model, and a step of filtering using particle filter in order to improve pose estimation. In particular, we evaluated the impact of the constrains and particle filters on the accuracy of Iterative Closest Point applied to articulated models. The Iterative Closest Point algorithm is a method that allows to align two point clouds in three dimensions, and is widely used in cases where you need to fit a model to experimental data. The particle filters are a class of stochastic filters which describe the evolution of a dynamic system as a sequence of probability distributions, and are able to handle non-Gaussian distributions and non-linear dynamical systems. The resulting algorithm has proven sufficiently accurate in most of the test sequences. Furthermore, the algorithm has proven very fast and also allows execution times compatible with real-time without appreciable loss of accuracy.

La cattura e l'interpretazione del movimento umano senza marcatori da una o più telecamere è un campo di ricerca, emerso recentemente, che ha come obiettivo il riconoscimento della posa di una persona in un dato istante da una sequenza video, senza l'ausilio di speciali attrezzature. L'inerente difficoltà del compito richiede tecniche specifiche. In questa tesi abbiamo sviluppato un algoritmo di inseguimento dei diversi arti nell'esecuzione di un'azione basato su Iterative Closest Point, al quale sono stati aggiunti vincoli sulla posizione e l'orientamento degli elementi del modello, e un passo di filtraggio mediante particle filter allo scopo di migliorare la stima della posa. In particolare, abbiamo valutato l'impatto dell'introduzione dei vincoli e dei particle filter sull'accuratezza di Iterative Closest Point applicato a modelli articolati. L'algoritmo Iterative Closest Point è una tecnica che permette di allineare due nuvole di punti in tre dimensioni, ed è largamente usato nei casi in cui è necessario combaciare un modello a dati sperimentali. I particle filter sono una classe di filtri stocastici, che descrivono quindi l'evoluzione di un sistema dinamico come una successione di distribuzioni di probabilità, e sono in grado di gestire distribuzioni non gaussiane e sistemi dinamici non lineari. L'algoritmo finale si è dimostrato sufficientemente accurato nella maggior parte delle sequenze di test. L'algoritmo si è dimostrato inoltre molto veloce e permette di ottenere tempi di elaborazione compatibili con il tempo reale senza perdite apprezzabili di accuratezza.