Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída
La detección de pose del ser humano se define como la localización de las articulaciones de una persona o de una multitud dada una imagen o un video. Actualmente, la detección de postura es ampliamente utilizada por sistemas de detección de caídas para el monitoreo de pacientes en ambientes hospital...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/24437
- Acceso en línea:
- https://doi.org/10.48713/10336_24437
https://repository.urosario.edu.co/handle/10336/24437
- Palabra clave:
- Aprendizaje profundo
Detección de caídas
Estimación de pose
Inteligencia artificial
Modelos de visión por computador
Incidencia & prevención de la enfermedad
Sistemas
Artificial intelligence
Deep learning
Computer vision models
Pose estimation
Fall detection
- Rights
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
EDOCUR2_c90dc191aba27b7a5faab0f3ce1170d5 |
|---|---|
| oai_identifier_str |
oai:repository.urosario.edu.co:10336/24437 |
| network_acronym_str |
EDOCUR2 |
| network_name_str |
Repositorio EdocUR - U. Rosario |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| dc.title.TranslatedTitle.eng.fl_str_mv |
Evaluation of computer vision models in video for pose and fall detection |
| title |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| spellingShingle |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída Aprendizaje profundo Detección de caídas Estimación de pose Inteligencia artificial Modelos de visión por computador Incidencia & prevención de la enfermedad Sistemas Artificial intelligence Deep learning Computer vision models Pose estimation Fall detection |
| title_short |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| title_full |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| title_fullStr |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| title_full_unstemmed |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| title_sort |
Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída |
| dc.contributor.advisor.none.fl_str_mv |
Perdomo Charry, Oscar Julián |
| dc.subject.spa.fl_str_mv |
Aprendizaje profundo Detección de caídas Estimación de pose Inteligencia artificial Modelos de visión por computador |
| topic |
Aprendizaje profundo Detección de caídas Estimación de pose Inteligencia artificial Modelos de visión por computador Incidencia & prevención de la enfermedad Sistemas Artificial intelligence Deep learning Computer vision models Pose estimation Fall detection |
| dc.subject.ddc.spa.fl_str_mv |
Incidencia & prevención de la enfermedad Sistemas |
| dc.subject.keyword.spa.fl_str_mv |
Artificial intelligence Deep learning Computer vision models Pose estimation Fall detection |
| description |
La detección de pose del ser humano se define como la localización de las articulaciones de una persona o de una multitud dada una imagen o un video. Actualmente, la detección de postura es ampliamente utilizada por sistemas de detección de caídas para el monitoreo de pacientes en ambientes hospitalarios. Sin embargo, no es una tarea sencilla, debido a que requiere de personal que evalúe manualmente la posición de las personas, o utilizando equipos especializados como: dispositivos e-health (relojes, bandas, manillas), marcadores y/o cámaras especializadas y de alto costo para controlar un escenario limitado. Por ende, en este trabajo de tesis se propone la evaluación del desempeño de los modelos de visión por computador utilizados con videos capturados con diferentes dispositivos para la implementación de un sistema de detección de pose y caídas de bajo costo y adaptable a diferentes escenarios. Como resultado se obtuvo un sistema preciso que no requiere del uso de sensores y cuyos métodos disminuyen el tiempo de detección de pose y caídas. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-05-29T19:51:46Z |
| dc.date.available.none.fl_str_mv |
2020-05-29T19:51:46Z |
| dc.date.created.none.fl_str_mv |
2020-05-22 |
| dc.type.eng.fl_str_mv |
bachelorThesis |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.document.spa.fl_str_mv |
Análisis de caso |
| dc.type.spa.spa.fl_str_mv |
Trabajo de grado |
| dc.identifier.doi.none.fl_str_mv |
https://doi.org/10.48713/10336_24437 |
| dc.identifier.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/24437 |
| url |
https://doi.org/10.48713/10336_24437 https://repository.urosario.edu.co/handle/10336/24437 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.acceso.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-nd/2.5/co/ http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad del Rosario |
| dc.publisher.department.spa.fl_str_mv |
Escuela de Medicina y Ciencias de la Salud |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| institution |
Universidad del Rosario |
| dc.source.bibliographicCitation.spa.fl_str_mv |
Bishop, C. M. (2006). Pattern recognition and machine learning. springer López Quintero, M. I. (2016). Estimación de la pose humana 2D en imágenes estéreo. LI, Xiu, et al. 3D Pose Detection of Closely Interactive Humans Using Multi-View Cameras. Sensors, 2019, vol. 19, no 12, p. 2831. Wang, C., Wang, Y., & Yuille, A. L. (2013). An approach to pose-based action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 915-922). Andriluka, M., Pishchulin, L., Gehler, P., & Schiele, B. (2014). 2d human pose estimation: New benchmark and state of the art analysis. In Proceedings of the IEEE Conference on computer Vision and Pattern Recognition (pp. 3686-3693). Google. Introduction to TensorFlow. Disponible: tensorflow.org\learn H.Hayes.(2017,Marzo) Pelvis. Disponible: http://c-motion.com/v3dwiki/index.php?title=Helen_Hayes_(Davis)_Pelvis O'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458. Leitch, J., Stebbins, J., Paolini, G., & Zavatsky, A. B. (2011). Identifying gait events without a force plate during running: A comparison of methods. Gait & Posture, 33(1), 130-132. Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., ... & Klingner, J. (2016). Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144 Tang, L., Garvin, M. K., Lee, K., Alward, W. L., Kwon, Y. H., & Abramoff, M. D. (2011). Robust multiscale stereo matching from fundus images with radiometric differences. IEEE transactions on pattern analysis and machine intelligence, 33(11), 2245-2258 Gómez-González, E., Gomez, E., Márquez-Rivas, J., Guerrero-Claro, M., Fernández-Lizaranzu, I., Relimpio-López, M. I., ... & Capitán-Morales, L. (2020). Artificial intelligence in medicine and healthcare: a review and classification of current and near-future applications and their ethical and social Impact. arXiv preprint arXiv:2001.09778 LeCun, Y. (2018). The Power and Limits of Deep Learning: In his IRI Medal address, Yann LeCun maps the development of machine learning techniques and suggests what the future may hold. Research-Technology Management, 61(6), 22-27. ART: Advanced Realtime Tracking. Motion Capture. Abril 10, 2020.[Online]. Disponible: https://ar-tracking.com/applications/motion-capture/ Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., & Sheikh, Y. (2018). OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. arXiv preprint arXiv:1812.08008. LeCun, Y., & Bengio, Y. (1995). Convolutional networks for images, speech, and time series. The handbook of brain theory and neural networks, 3361(10), 1995 Kim, I .Julio, 2019. Deep Pose Estimation implemented using Tensorflow with Custom Architectures for fast inference.[Online]. Disponible: https://github.com/ildoonet/tf-pose-estimation Valores normales para la amplitud de movimiento de las articulaciones. Manual MSD: versión para profesionales.[Online]. Disponible: https://www.msdmanuals.com/es/professional/multimedia/table/v1128315_es Gómez, J. A. V. (2016). Problemas bioéticos emergentes de la inteligencia artificial. Diversitas: perspectivas en psicología, 12(1), 137-147 Piñeros Lourenco, H. F. Evaluación del desarrollo y viabilidad de un sistema de detección de movimiento aplicable a pacientes de alto riesgo en caídas (Universidad del Rosario). |
| dc.source.instname.spa.fl_str_mv |
instname:Universidad del Rosario instname:Universidad del Rosario |
| dc.source.reponame.none.fl_str_mv |
reponame:Repositorio Institucional EdocUR |
| bitstream.url.fl_str_mv |
https://repository.urosario.edu.co/bitstreams/2cacd78c-1a6c-4ce4-9ad6-9406229308d1/download https://repository.urosario.edu.co/bitstreams/a3325072-dba7-416f-b98b-03ce71093c7d/download https://repository.urosario.edu.co/bitstreams/55c2f1ed-ad4f-49a6-9181-0d4872614475/download https://repository.urosario.edu.co/bitstreams/77e469c0-c6a7-4851-8551-589b2aa6ae6a/download https://repository.urosario.edu.co/bitstreams/e58e8271-4df4-4f18-b297-dedbbd19e9de/download |
| bitstream.checksum.fl_str_mv |
217700a34da79ed616c2feb68d4c5e06 2b74464667d1742b2ba7c1f0aa4cb710 fab9d9ed61d64f6ac005dee3306ae77e 035d4f9268af81bf6c08fd0d318f94f4 98c207240bf3c1679de788d584ca834c |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional EdocUR |
| repository.mail.fl_str_mv |
edocur@urosario.edu.co |
| _version_ |
1814167462057345024 |
| spelling |
Perdomo Charry, Oscar Julián1075213630600Calvache Briceño, Daniela AndreaIngeniero BiomédicoFull time6689c449-5762-43f9-a2fa-b68ec2a3cfcd6002020-05-29T19:51:46Z2020-05-29T19:51:46Z2020-05-22La detección de pose del ser humano se define como la localización de las articulaciones de una persona o de una multitud dada una imagen o un video. Actualmente, la detección de postura es ampliamente utilizada por sistemas de detección de caídas para el monitoreo de pacientes en ambientes hospitalarios. Sin embargo, no es una tarea sencilla, debido a que requiere de personal que evalúe manualmente la posición de las personas, o utilizando equipos especializados como: dispositivos e-health (relojes, bandas, manillas), marcadores y/o cámaras especializadas y de alto costo para controlar un escenario limitado. Por ende, en este trabajo de tesis se propone la evaluación del desempeño de los modelos de visión por computador utilizados con videos capturados con diferentes dispositivos para la implementación de un sistema de detección de pose y caídas de bajo costo y adaptable a diferentes escenarios. Como resultado se obtuvo un sistema preciso que no requiere del uso de sensores y cuyos métodos disminuyen el tiempo de detección de pose y caídas.Human pose estimation is defined as the joints localization of a person or a group of people in an image or a video. Nowadays, pose estimation es commonly used by detection systems to monitor patients in hospital environments. However, is not an easy task because of the need of specialized personnel to manually evaluate the human posture, or using special equipment like: e-health devices(watches, strips, handles), markers or high cost cameras to control a limited space. In that order, this study proposed a performance evaluation of computer vision models used with videos captured with 3 different devices to develop a low cost pose and fall estimation system which is adaptable to different scenarios. As a result it was obtained a precise system that does not need the use of sensors or a high cost set of cameras, and which methods decrease the pose and fall detection time.application/pdfhttps://doi.org/10.48713/10336_24437 https://repository.urosario.edu.co/handle/10336/24437spaUniversidad del RosarioEscuela de Medicina y Ciencias de la SaludIngeniería BiomédicaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAbierto (Texto Completo)EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma.http://creativecommons.org/licenses/by-nc-nd/2.5/co/http://purl.org/coar/access_right/c_abf2Bishop, C. M. (2006). Pattern recognition and machine learning. springerLópez Quintero, M. I. (2016). Estimación de la pose humana 2D en imágenes estéreo.LI, Xiu, et al. 3D Pose Detection of Closely Interactive Humans Using Multi-View Cameras. Sensors, 2019, vol. 19, no 12, p. 2831.Wang, C., Wang, Y., & Yuille, A. L. (2013). An approach to pose-based action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 915-922).Andriluka, M., Pishchulin, L., Gehler, P., & Schiele, B. (2014). 2d human pose estimation: New benchmark and state of the art analysis. In Proceedings of the IEEE Conference on computer Vision and Pattern Recognition (pp. 3686-3693).Google. Introduction to TensorFlow. Disponible: tensorflow.org\learnH.Hayes.(2017,Marzo) Pelvis. Disponible: http://c-motion.com/v3dwiki/index.php?title=Helen_Hayes_(Davis)_PelvisO'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.Leitch, J., Stebbins, J., Paolini, G., & Zavatsky, A. B. (2011). Identifying gait events without a force plate during running: A comparison of methods. Gait & Posture, 33(1), 130-132.Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., ... & Klingner, J. (2016). Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144Tang, L., Garvin, M. K., Lee, K., Alward, W. L., Kwon, Y. H., & Abramoff, M. D. (2011). Robust multiscale stereo matching from fundus images with radiometric differences. IEEE transactions on pattern analysis and machine intelligence, 33(11), 2245-2258Gómez-González, E., Gomez, E., Márquez-Rivas, J., Guerrero-Claro, M., Fernández-Lizaranzu, I., Relimpio-López, M. I., ... & Capitán-Morales, L. (2020). Artificial intelligence in medicine and healthcare: a review and classification of current and near-future applications and their ethical and social Impact. arXiv preprint arXiv:2001.09778LeCun, Y. (2018). The Power and Limits of Deep Learning: In his IRI Medal address, Yann LeCun maps the development of machine learning techniques and suggests what the future may hold. Research-Technology Management, 61(6), 22-27.ART: Advanced Realtime Tracking. Motion Capture. Abril 10, 2020.[Online]. Disponible: https://ar-tracking.com/applications/motion-capture/Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., & Sheikh, Y. (2018). OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. arXiv preprint arXiv:1812.08008.LeCun, Y., & Bengio, Y. (1995). Convolutional networks for images, speech, and time series. The handbook of brain theory and neural networks, 3361(10), 1995Kim, I .Julio, 2019. Deep Pose Estimation implemented using Tensorflow with Custom Architectures for fast inference.[Online]. Disponible: https://github.com/ildoonet/tf-pose-estimationValores normales para la amplitud de movimiento de las articulaciones. Manual MSD: versión para profesionales.[Online]. Disponible: https://www.msdmanuals.com/es/professional/multimedia/table/v1128315_esGómez, J. A. V. (2016). Problemas bioéticos emergentes de la inteligencia artificial. Diversitas: perspectivas en psicología, 12(1), 137-147Piñeros Lourenco, H. F. Evaluación del desarrollo y viabilidad de un sistema de detección de movimiento aplicable a pacientes de alto riesgo en caídas (Universidad del Rosario).instname:Universidad del Rosarioinstname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAprendizaje profundoDetección de caídasEstimación de poseInteligencia artificialModelos de visión por computadorIncidencia & prevención de la enfermedad614600Sistemas003600Artificial intelligenceDeep learningComputer vision modelsPose estimationFall detectionEvaluación de modelos de visión por computador en video para la detección de la pose humana y caídaEvaluation of computer vision models in video for pose and fall detectionbachelorThesisAnálisis de casoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Medicina y Ciencias de la SaludCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.urosario.edu.co/bitstreams/2cacd78c-1a6c-4ce4-9ad6-9406229308d1/download217700a34da79ed616c2feb68d4c5e06MD53ORIGINALEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdfEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdfapplication/pdf4182618https://repository.urosario.edu.co/bitstreams/a3325072-dba7-416f-b98b-03ce71093c7d/download2b74464667d1742b2ba7c1f0aa4cb710MD51LICENSElicense.txtlicense.txttext/plain1475https://repository.urosario.edu.co/bitstreams/55c2f1ed-ad4f-49a6-9181-0d4872614475/downloadfab9d9ed61d64f6ac005dee3306ae77eMD52TEXTEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdf.txtEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdf.txtExtracted texttext/plain84667https://repository.urosario.edu.co/bitstreams/77e469c0-c6a7-4851-8551-589b2aa6ae6a/download035d4f9268af81bf6c08fd0d318f94f4MD54THUMBNAILEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdf.jpgEVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdf.jpgGenerated Thumbnailimage/jpeg2514https://repository.urosario.edu.co/bitstreams/e58e8271-4df4-4f18-b297-dedbbd19e9de/download98c207240bf3c1679de788d584ca834cMD5510336/24437oai:repository.urosario.edu.co:10336/244372021-10-19 14:07:25.798http://creativecommons.org/licenses/by-nc-nd/2.5/co/Atribución-NoComercial-SinDerivadas 2.5 Colombiahttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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 |