Hyppää sisältöön
    • Suomeksi
    • På svenska
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Post-processing and analysis of tracked hand trajectories

Kuronen, Toni (2014)

Katso/Avaa
thesisv2.pdf (9.160Mb)
Lataukset: 


Diplomityö

Kuronen, Toni
2014

Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
http://urn.fi/URN:NBN:fi-fe2014111946401

Tiivistelmä

In this thesis, the suitability of different trackers for finger tracking in high-speed videos was studied. Tracked finger trajectories from the videos were post-processed and analysed using various filtering and smoothing methods. Position derivatives of the trajectories, speed and acceleration were extracted for the purposes of hand motion analysis. Overall, two methods, Kernelized Correlation Filters and Spatio-Temporal Context Learning tracking, performed better than the others in the tests. Both achieved high accuracy for the selected high-speed videos and also allowed real-time processing, being able to process over 500 frames per second. In addition, the results showed that different filtering methods can be applied to produce more appropriate velocity and acceleration curves calculated from the tracking data. Local Regression filtering and Unscented Kalman Smoother gave the best results in the tests. Furthermore, the results show that tracking and filtering methods are suitable for high-speed hand-tracking and trajectory-data post-processing.
 
Tässä työssä tutkittiin kohteenseuranta-algoritmien soveltuvuutta sormen seuraamiseen suurnopeusvideoiden perusteella. Kädenliikkeiden seurantatietoja analysoitiin suurnope- \\usvideoista ja prosessoitiin käyttäen erilaisia suodatus- ja pehmennysmenetelmiä. Käden liikeanalyysiä varten laskettiin paikkatiedon derivaattojen nopeuden ja kiihtyvyyden arvot. Kernelized Correlation Filters ja Spatio-Temporal Context Learning -seuranta-algoritmit suoriutuivat testeissä paremmin kuin muut testatut menetelmät. Molempien menetelmien tarkkuus oli hyvä ja ne pystyivät käsittelemään suurnopeusvideoita reaaliajassa, mikä tarkoitti yli 500 kuvan käsittelyä sekunnissa. Tuloksista voitiin nähdä myös, kuinka eri suodatusmenetelmiä voidaan käyttää selkeämpien nopeus- ja kiihtyvyyskuvaajien saavuttamiseksi seuranta-algoritmien tuottamista paikkatiedoista. Local Regression -suodatus ja Unscented Kalman Smoother saavuttivat parhaat tulokset testeissä. Lisäksi tuloksista voitiin havaita seuranta-algoritmien soveltuvuus käden seurantaan suurnopeusvideoissa ja suodatusmenetelmien soveltuvuus liikeratojen jälkikäsittelyyn.
 
Kokoelmat
  • Diplomityöt ja Pro gradu -tutkielmat [9984]
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Lähetä palautetta | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetKoulutusohjelmaAvainsanatSyöttöajatYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Lähetä palautetta | Tietosuoja | Saavutettavuusseloste