HRDepthNet: Depth Image-Based Marker-Less Tracking of Body Joints.
HRDepthNet: Depth Image-Based Marker-Less Tracking of Body Joints.
复制标题
DOI：
10.3390/s21041356
复制
发表时间：
2021-02-14
期刊：
影响因子：
--
通讯作者：
Fudickar S
中科院分区：
文献类型：
--
作者：
Büker LC;Zuber F;Hein A;Fudickar S
随着诸如HRNet和OpenPose等彩色图像中关节位置检测方法的可用，尽管深度图像相对于彩色图像具有对光变化或颜色和纹理不变性的鲁棒性等优点，但对于深度图像的相应方法的考虑是有限的。相应地，我们引入了高分辨率深度网络(HRDepthNet)，这是一种机器学习驱动的方法，可以在纯深度图像中检测人体关节(身体、头部和上下肢)。HRDepthNet为深度图像重新训练原始HRNet。因此，创建一个保存深度(和RGB)图像的数据集，这些图像记录了受试者进行计时开始和开始测试--一种既定的老年评估--的图像。这些图像是手动注释的RGB图像。使用该数据集进行了训练和评估。在精度评估方面，通过Coco的评估指标对人体关节的检测进行了评估，结果表明，基于深度图像的模型比在相应RGB图像上训练和应用的HRNet获得了更好的结果。另一项位置误差评估显示，x轴、y轴和z轴的中位数偏差分别为1.619 cm、2.342 cm和2.4cm.
With approaches for the detection of joint positions in color images such as HRNet and OpenPose being available, consideration of corresponding approaches for depth images is limited even though depth images have several advantages over color images like robustness to light variation or color- and texture invariance. Correspondingly, we introduce High- Resolution Depth Net (HRDepthNet)—a machine learning driven approach to detect human joints (body, head, and upper and lower extremities) in purely depth images. HRDepthNet retrains the original HRNet for depth images. Therefore, a dataset is created holding depth (and RGB) images recorded with subjects conducting the timed up and go test—an established geriatric assessment. The images were manually annotated RGB images. The training and evaluation were conducted with this dataset. For accuracy evaluation, detection of body joints was evaluated via COCO’s evaluation metrics and indicated that the resulting depth image-based model achieved better results than the HRNet trained and applied on corresponding RGB images. An additional evaluation of the position errors showed a median deviation of 1.619 cm (x-axis), 2.342 cm (y-axis) and 2.4 cm (z-axis).
登录
查看更多内容
影响因子：
2.2
作者：
Eltoukhy, Moataz;Kuenze, Christopher;Signorile, Joseph
通讯作者：
Signorile, Joseph
影响因子：
6.3
作者：
Jung, Hee-Won;Roh, Hyunchul;Park, Jihong
通讯作者：
Park, Jihong
影响因子：
3.9
作者：
Hellmers, Sandra;Fudickar, Sebastian;Hein, Andreas
通讯作者：
Hein, Andreas
DOI：
10.3390/s18103310
发表时间：
2018-10-02
期刊：
Sensors (Basel, Switzerland)
影响因子：
--
作者：
Hellmers S;Izadpanah B;Dasenbrock L;Diekmann R;Bauer JM;Hein A;Fudickar S
通讯作者：
Fudickar S
影响因子：
6.2
作者：
Wei, Xiaolin;Zhang, Peizhao;Chai, Jinxiang
通讯作者：
Chai, Jinxiang