Erkennung von Körperbewegungsmustern durch Automaten

Zusammenfassung

In den letzten Jahren ist das Interesse an der automatischen Erkennung von Körperbewegungen auf der Basis optischer Information ganz erheblich gestiegen. Die Vielfalt der Einsatzmöglichkeiten beweist, daß es sich nicht nur um das Interesse einer kleinen Schar von Experten handelt, z.B.: Ganganalyse, automatische Kommentierung von Sequenzen in Video-Datenbanken, die die Bewegungen von Menschen beinhalten [Cle95], drahtlose Mensch-Maschine-Schnittstellen für Virtual- Reality-Anwendungen [Bec97], Überwachungs-systeme, Interpretation von Zeichensprachen [Bra96][Sut96] und Choreographie von Tanz und Ballett [Cam95]. Für die automatische Erkennung der Körperbewegungen in Videobildern müssen mehrere Phasen durchgeführt werden: Initiale Detektion einer Person, Verfolgen der Person, Segmentierung des Körpers, Extrahierung der einzelnen Körperteile und Erkennung der Körperbewegungsmuster. Es sind schon mehrere Systeme in speziellen Gebieten entwickelt worden, die die Körperbewegungen erkennen können, z.B. Sensei [Bec97], ARGo [Bra96], First Sight [Leu95] usw. Zur Klassifikationsmethode von Bewegungsmustern wurden Phase Space Methode [Cam95], HMM (Hidden Markov Model) [Bec97][Bra96], Dynamic Time Warping [Gav95], Template Matching [Sut96] usw. angewendet. Der Schwerpunkt dieses Beitrags liegt auf der Klassifikationsmethode von Körperbewegungsmustern mit dem Ziel, die nonverbalen Körpersignale zu erkennen. Eine Körperbewegung enthält gleichzeitig mehrere Körperteilbewegungen mit verschiedenen Bewegungsvektoren.