Human pose estimation based in Deep Learning techniques from Multi-view Environments

Vintimilla,  Boris X., Director; Sappa, Angel D., Co-Director

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Doctorado en Ciencias Computacionales Aplicadas
→
Ver ítem

dc.contributor.advisor	Charco Aguirre, Jorge
dc.contributor.author	Vintimilla, Boris X., Director
dc.contributor.author	Sappa, Angel D., Co-Director
dc.creator	ESPOL
dc.date.accessioned	2023-06-30T15:58:20Z
dc.date.available	2023-06-30T15:58:20Z
dc.date.issued	2023
dc.identifier.citation	Charco Aguirre, J. (2023). Human pose estimation based in Deep Learning techniques from Multi-view Environments. [Tesis]. ESPOL. FIEC. .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/57657
dc.description	Esta tesis presenta una serie de técnicas basadas en CNN aplicadas a imágenes para abordar los problemas de estimación de la pose de la cámara y del cuerpo humano a partir de entornos multivistas. Para la estimación de la pose de la cámara, se han propuesto dos enfoques basados en la arquitectura siamesa para estimar los parámetros extrínsecos de la pose de la cámara. El primer enfoque toma como entrada un conjunto de pares de imágenes reales, que deben tener un solapamiento mínimo para asegurar que los pares de imágenes tienen características comunes. Sin embargo, debido a los pocos conjuntos de datos de imágenes reales disponibles para la estimación de la pose de la cámara en escenarios multivista, se propone un segundo enfoque. Este consiste en una estrategia de adaptación del dominio, que incluye la generación de diferentes escenarios virtuales mediante un software especial desimulación3D.La estrategia se utiliza para aprovechar la transferencia del conocimiento aprendido de estos escenarios virtuales a los escenarios del mundo real. Para el problema de estimación de la postura del cuerpo humano, también se proponen dos enfoques. El primero, una arquitectura basada en una red neuronal convolucional, que aprovecha los parámetros extrínsecos estimados para establecer la relación entre las diferentes cámaras en el esquema multivista. Esto ha permitido estimar la pose del cuerpo humano utilizando información de diferentes puntos de vista, y así, resolver el desafiante problema de la auto-oclusión en la estimación de la pose humana debido a la pose natural del cuerpo. También se ha propuesto un segundo enfoque para el problema de la estimación de la pose del cuerpo humano. Este utiliza módulos de atención para detectar las articulaciones del cuerpo. Sin embargo, a diferencia del primer enfoque, este nuevo enfoque no tiene encuenta los parámetros extrínsecos entre las diferentes cámaras del esquema multivista, sino que se utiliza la posición y la orientación de los huesos del cuerpo humano como información adicional para abordar el problema de la auto-oclusión de las articulaciones del cuerpo humano. La precisión de estas estimaciones es importante para evitar posibles falsas alarmas en los sistemas de análisis del comportamiento de las ciudades inteligentes, así como en aplicaciones de fisioterapia y asistencia para el desplazamiento seguro de personas mayores, entre otras.
dc.format	application/pdf
dc.format.extent	124 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Redes neuronales convolucionales
dc.subject	ambientes de múltiplesvístas
dc.subject	arquitecturas siamesas
dc.subject	Pose relativa de la cámara
dc.subject	Calibración de cámaras
dc.title	Human pose estimation based in Deep Learning techniques from Multi-view Environments
dc.type	Doctor in Applied Computer Science.
dc.identifier.codigoespol	T-113330
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral