TY - GEN A1 - Gedat, Egbert A1 - Fechner, Pascal A1 - Fiebelkorn, Richard A1 - Vandenhouten, Jan A1 - Vandenhouten, Ralf T1 - Image recognition of multi-perspective data for intelligent analysis of gestures and actions T2 - Wissenschaftliche Beiträge 2018 N2 - The BERMUDA project started in January 2015 and was successfully completed after less than three years in August 2017. A technical set-up and an image processing and analysis software were developed to record and evaluate multi-perspective videos. Based on two cameras, positioned relatively far from one another with tilted axes, synchronized videos were recorded in the laboratory and in real life. The evaluation comprised the background elimination, the body part classification, the clustering, the assignment to persons and eventually the reconstruction of the skeletons. Based on the skeletons, machine learning techniques were developed to recognize the poses of the persons and next for the actions performed. It was, for example, possible to detect the action of a punch, which is relevant in security issues, with a precision of 51.3 % and a recall of 60.6 %. N2 - Das Projekt BERMUDA konnte im Januar 2015 begonnen und nach knapp drei Jahren im August 2017 erfolgreich abgeschlossen werden. Es wurden ein technischer Aufbau und eine Bildverarbeitungs- und Analysesoftware entwickelt, mit denen sich multiperspektivische Videos aufzeichnen und auswerten lassen. Basierend auf zwei in größerem Abstand gewinkelt positionierten Kameras wurden synchrone Videos sowohl im Labor als auch in realen Umgebungen aufgenommen. Die Auswertung umfasst die Hintergrundeliminierung, die Körperteilklassifikation, ein Clustering, die Zuordnung zu Personen und schließlich die Rekonstruktion der Skelette. Ausgehend von den Skeletten wurden Methoden des maschinellen Lernens zur Erkennung der Haltungen und darauf aufbauend zur Gestenerkennung entwickelt. Beispielhaft konnte die im Sicherheitskontext relevante Handlung des Schlagens mit einer Genauigkeit von 51,3 % und einer Trefferquote von 60,6 % erkannt werden. Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:526-opus4-10230 SN - 0949-8214 VL - 22 SP - 25 EP - 30 ER - TY - GEN A1 - Gedat, Egbert A1 - Fechner, Pascal A1 - Fiebelkorn, Richard A1 - Vandenhouten, Ralf T1 - Szenenanalyse und Unterscheidung der Skelette mehrerer Menschen in digitalen Bildern mit Graphentheorie durch eine k-kürzeste-disjunkte-Wege-Suche T2 - Wissenschaftliche Beiträge 2017 N2 - Das Erkennen von Personen auf Fotos und in Videos geschieht in aktuellen Klassifizierungsverfahren durch die Zuordnung eines Köperteils zu jedem Pixel. Anschließend werden die gefundenen Körperteile zu Skeletten zusammengefasst. Im Falle mehrerer abgebildeter Personen ergibt sich das Problem der Zuordnung der Körperteile zu den verschiedenen Skeletten. Es wurde in dieser Arbeit ein auf dem Suurballe-Algorithmus basierendes graphentheoretisches Verfahren entwickelt, das diese Aufgabe löst. Aufbauend auf im Wesentlichen abstandsabhängigen Kantengewichten wird eine k-kürzeste-disjunkte-Wege-Suche durchgeführt. Unter Einbezug von möglicherweise fehlenden Körperteilen durch Unsichtbar-Knoten und automatisches Aussortieren zu viel gefundener Körperteile werden so die k-optimalen Skelette gefunden. Die Methode wurde an idealisierten computergenerierten Bildern mit einer Trefferquote von 100 % gefundener Personen getestet. Ein Test mit realen Bilddaten lieferte eine Trefferquote von 71,7 %. N2 - Recognition of humans on photos and in videos is done per current classification procedures by assigning a body part to each pixel. The body parts thus allocated are subsequently ordered into skeletons. In the case the images indicate that multiple humans are present, the problem arises of assigning the body parts to different skeletons. A Suurballe algorithm-based method developed by us solves this task. By mainly relying on distance-related edge weights, a k shortest disjoint paths search is performed. Accounting for possibly missing body parts by invisible-nodes and automatically sorting out redundant body parts, the optimal k skeletons are found. The method was tested with computer-generated data, yielding a rate of 100 % persons detected. A test with real-world images yielded a recall ratio of 71.7 %. Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:526-opus4-9394 SN - 0949-8214 VL - 21 SP - 31 EP - 35 ER -