Animando Humanos Virtuais

Apresentação em tema: "Animando Humanos Virtuais"— Transcrição da apresentação:

1 Animando Humanos Virtuais
UNISINOS - PUC/RS RBV - Rede Brasileira de Visualização / FINEP HP Brasil Animando Humanos Virtuais em Tempo-Real usando Visão Computacional e Redes Neurais Nelson F. Souza Jr. Thiago Kehl Fernando S. Osório Cláudio R. Jung Soraia R. Musse Apresentado por: Prof. Dr. Fernando S. OSÓRIO - PPG Computação Aplicada / Unisinos 1 30 May 2007

2 Agenda Motivação / Histórico Objetivos > Interface Homem-Máquina
> Visão Geral do Projeto Visão Computacional > Reconhecimento de Posturas > Extração de Atributos > Aprendizado e Classificação Neural (ANN) > Resultados: Rede Neural Simulação com Humanos Virtuais > Modelos de Comportamento (ações) Arquitetura do Sistema Conclusões e Perspectivas 2 30 May 2007

3 1. Motivação / Histórico SVR 2000 3 30 May 2007

4 IHC - Interface Homem-Máquina
2. Objetivos IHC - Interface Homem-Máquina Interface usando dispositivos diferentes... Convencionais => Teclado, Mouse, Joystick Novos dispositivos => Interação Gestual - Uso de data-gloves - Uso de sensores de movimento (encoders, acelerômetros) - Uso de câmeras Diferencial: - Custo - Facilidade de uso / Simplicidade da Interação 4 30 May 2007

5 Simulação com Humanos Virtuais
2. Objetivos Visão Computacional Pré-processar imagens de posturas de mãos coletadas através de uma Webcam Construir um classificador capaz de identificar tais posturas Simulação com Humanos Virtuais Servir como entrada para sistemas de simulação de comportamento de humanos virtuais em ambientes povoados Definir para cada classe de postura uma ação selecionada dentro de uma série de comportamentos estruturados 5 30 May 2007

6 Simulação com Humanos Virtuais
2. Objetivos Visão Computacional Pré-processar imagens de posturas de mãos coletadas através de uma Webcam Construir um classificador capaz de identificar tais posturas Simulação com Humanos Virtuais Servir como entrada para sistemas de simulação de comportamento de humanos virtuais em ambientes povoados Definir para cada classe de postura uma ação selecionada dentro de uma série de comportamentos estruturados 6 30 May 2007

7 Simulação com Humanos Virtuais
2. Objetivos - Visão Geral do Projeto Visão Computacional Simulação com Humanos Virtuais WebCam: Processamento de Imagens Rede Neural: Treino / Uso na classificação Ações: Grupos de Humanos Virtuais 7 30 May 2007

8 Aplicação de multidões
2. Objetivos - Visão Geral do Projeto Integração: Aquisição das Imagens, Classificação, Ações Matlab Aquisição, procesamento e medidas Treinamento RNA [SNNS/C++] Classificador [C++] Aplicação de multidões de humanos virtuais [C++] = Sockets e Memória Compartilhada 8 30 May 2007

9 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Posturas escolhidas para utilização no experimento 5 dedos (mão aberta) 0 dedos (mão fechada) 1 dedo (indicador) 1 dedo (polegar) 2 dedos (v – vitória) 1 dedo (mínimo) 9 30 May 2007

10 Posturas Gestos 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Posturas escolhidas para utilização no experimento 5 dedos (mão aberta) 0 dedos (mão fechada) 1 dedo (indicador) 1 dedo (polegar) 2 dedos (v – vitória) 1 dedo (mínimo) Posturas Gestos 10 30 May 2007

11 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Posturas escolhidas para utilização no experimento 5 dedos (mão aberta) 0 dedos (mão fechada) 1 dedo (indicador) 1 dedo (polegar) 2 dedos (v – vitória) 1 dedo (mínimo) Aquisição das imagens: - Aquisição das imagens a partir da Webcam - Pré-processamento das imagens no MATLAB - A limiarização e segmentação das imagens - Extração das referência (métricas/atributos) 11 30 May 2007

12 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Exemplo de extração de atributos: (a) Intensidade do canal azul. (b) Resultado da binarização. (c) Resultado do fechamento morfológico. (d) Imagem binária final restrita ou bounding box. Aquisição das imagens: - Aquisição das imagens a partir da Webcam - Pré-processamento das imagens no MATLAB - A limiarização e segmentação das imagens - Extração das referência (métricas/atributos) 12 30 May 2007

13 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens - Histograma Vertical - Histograma Horizontal - Densidade de P/B - Alternância de P/B - Bounding Box Aquisição das imagens: - Aquisição das imagens a partir da Webcam - Pré-processamento das imagens no MATLAB - A limiarização e segmentação das imagens - Extração das referência (métricas/atributos) 13 30 May 2007

14 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Histograma Horizontal Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens - Histograma Vertical - Histograma Horizontal - Densidade de P/B - Alternância de P/B - Bounding Box Aquisição das imagens: - Aquisição das imagens a partir da Webcam - Pré-processamento das imagens no MATLAB - A limiarização e segmentação das imagens - Extração das referência (métricas/atributos) 14 30 May 2007

15 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Histograma Vertical Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens - Histograma Vertical - Histograma Horizontal - Densidade de P/B - Alternância de P/B - Bounding Box Aquisição das imagens: - Aquisição das imagens a partir da Webcam - Pré-processamento das imagens no MATLAB - A limiarização e segmentação das imagens - Extração das referência (métricas/atributos) 15 30 May 2007

16 3. Visão Computacional Entradas adotadas: Atributos das imagens
3.1 Reconhecimento de Posturas 3.2 Extração de Atributos 3.3 Aprendizado e Classificação Neural (ANN) 3.4 Resultados: Rede Neural Entradas adotadas: Atributos das imagens 10 projeções verticais 10 projeções horizontais Dimensões da largura e altura do bounding box Base de treinamento e teste/validação do classificador: 22 entradas e 1 saída (a sua respectiva classe (1 dentre as 6 posturas) 600 exemplos (imagens) de treino (70%) e 180 de validação (30%) 70 exemplos de cada classe = 70 x 6 = 420 exemplos na base de treino Rede Neural: (22 Input, 22 Hidden, 6 Output) Aprendizado: RProp (Resilent Propagation ~ BackProp acelerado) Softwares: JavaNNS SNNS Analyze SNNS2C 16 30 May 2007

17 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação 3.4 Resultados: Rede Neural Taxa média de acertos - aprendizado : 99,95% Taxa média de erro - abaixo de 0,05%. Taxa de acertos (treino/teste): muito próxima a 100% 17 30 May 2007

18 3. Visão Computacional 3.1 Reconhecimento de Posturas
3.2 Extração de Atributos 3.3 Aprendizado e Classificação 3.4 Resultados: Rede Neural Taxa média de acertos - aprendizado : 99,95% Taxa média de erro - abaixo de 0,05%. Taxa de acertos (treino/teste): muito próxima a 100% 18 30 May 2007

19 Simulação de grupos - "Crowds" Aplicação de simulação militar:
4. Simulação com Humanos Virtuais Simulação de grupos - "Crowds" Aplicação de simulação militar: - Formação: Linha, Quadrado, Divisão de grupo, Junção - Agrupamento: Denso, Esparso Comando das tropas através de gestos - Reconhecimento de posturas - Associação da postura às ações 19 30 May 2007

20 5. Arquitetura do Sistema
Exportação da rede com o melhor resultado Utilização do SNNS2C para exportar a rede que apresentou o melhor resultado dentre todos os testes Integração das aplicações via sockets e memória compartilhada Aquisição da Imagem Pré-Processamento: extração de atributos Classificação com a rede (snns2c) Classe identificada gera código da ação Geração das ações => Animação do Humanos Virtuais 20 30 May 2007

21 Tópicos abordados: Trabalhos Futuros: 6. Conclusões e Perspectivas
- Interface Humano-Computador - Aprendizado e Reconhecimento de Posturas - Aplicação em Tempo Real - Visão Computacional - Simulação de Humanos Virtuais Trabalhos Futuros: - Reconhecimento de GESTOS (dinâmica do movimento) - Explorar mais o uso de interfaces gestuais Trabalhos relacionados... A tool for teaching musical metrics based on computer vision - CGI2007 Rodrigo Schramm e Claudio Jung 21 30 May 2007

22 Proc. Imagens / Visualização 3D
22 30 May 2007