لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

پس از ارائه دستگاه کینکت، محصول شرکت مایکروسافت گزارشهای بسیاری از کاربرد این دستگاه در تشخیص حالت دست و انگشتان منتشر شده-است. در بیشتر این کاربرد ها اطلاعات ژرفا تنها برای جداسازی تصویر دست از پس زمینه استفاده شده و پردازش اصلی بر روی تصاویر ویدیویی و در فضای دو بعدی انجام شده است. در این مقاله روشی ارائه می شود که اطلاعات ژرفا نقش پر رنگ تری در پردارش دارند. با کمک روش آستانه گذاری مبتنی بر ژرفا، ابتدا قالب دست شخص در فضای سه بعدی استخراج می شود. سپس در فضای سه بعدی، راستای عمود برکف دست پیدا شده و با استفاده از ماتریسهای دوران و انتقال، این راستا با راستای دوربین همسو می شود. به این ترتیب دورانهای دست حول محورهای پیچ و یاو از تصویر حذف شده و با استفاده از ماتریس انتقال، تصویر دست در فاصله مشخصی از دوربین قرار می گیرد. در مرحله بعد، از دو ابزار تبدیل موجک و یک توصیفگر جدید به نام توصیفگر دایروی که در این سیستم معرفی شده است برای استخراج ویژگی ها استفاده می شود. یک شبکه های عصبی، غربالگری اولیه را در ویژگی های استخراج شده توسط تبدیل موجک انجام داده و سپس توصیفگر دایروی با استفاده از ماشین بردار پشتیبان بازشناسی حرف موردنظر را به اتمام می رساند. در آزمایشهای عملی با کمک اطلاعات برخط سنسور کینکت دقت شناسایی حروف الفبای فارسی %7/96 و تاخیر 2 ثانیه برای هر علامت بدست آمده است.

سنجنده کینکت به دلیل برخورداری از هزینه پایین و قابلیت استفاده از آن در موقعیت ها و شرایط متفاوت، می تواند به عنوان ابزاری کارا برای مدل سازی سه بعدی بدن انسان بکار گرفته شود. از کاربردهای ساخت مدل سه بعدی بدن انسان می توان به ایجاد اتاق پرو مجازی برای انتخاب و مشاهده لباس، تولید کاراکترهای گرافیکی در بازی های رایانه ای، ساخت آواتار شخصی برای ارتباطات مجازی، تولید پویانمایی و فیلم سه بعدی، ایجاد واقعیت افزوده در گرافیک رایانه و مانند آن اشاره نمود. از اینرو در این مقاله برای اولین بار در کشور، روشی سریع و ارزان به منظور مدل سازی سه بعدی بدن انسان با استفاده سنجنده کینکت ارائه و پیاده سازی شده است. لازم به ذکر است که مدل سازی سه بعدی بدن انسان، بخصوص با استفاده از یک سنجنده کینت، با دو چالش اساسی شامل کاهش کیفیت داده های اولیه با افزایش فاصله و همچنین عدم ثبات پیکره شخص در طول اسکن روبرو می باشد. به منظور حل چالش اول، سنجنده در فاصله نزدیکتری به شخص قرار گرفت و از قابلیت چرخش آن و اسکن در زوایای متفاوت برای پوشش بدن فرد استفاده شد. برای حل چالش دوم، از هم مرجع سازی غیرصلب استفاده شد که در آن علاوه بر هم مرجع سازی صلب ابرنقاط فریم های کینکت، تغییر شکل بدن فرد در حین عملیات برداشت داده نیز لحاظ گردیده است. پس از هم مرجع سازی ابر نقاط حاصل از اسکن بدن فرد که از هشت ایستگاه دورتادور فرد و در سه زاویه ارتفاعی برداشت شده است، این داده ها تلفیق شده و یک رویه یا مش بافت دار به آن برازش داده شد تا نمایشی سبک و دقیق با ظاهری واقعی از بدن فرد بدست آید. نتایج تجربی، قابلیت بالای سیستم طراحی شده را نشان می دهد که عبارتند از هزینه پایین بواسطه استفاده از یک سنجنده کینکت نسبتا ارزان قیمت، قابلیت اسکن در فاصله کمتر بدون نیاز به تجهیزات اضافی، مدلسازی نسبتا دقیق در نواحی پایین پاها و دستها که از حرکات شدیدتری برخوردارند و حفظ جزئیات نظیر چین و چروک ها و مدل مو. نتایج آزمون ها نشان می دهد توسط این سیستم می توان بدن یک فرد با قد 1.8 متر را از فاصله 1.4 متری (حدود 80% قد شخص) اسکن نمود و به ابر نقاط با تراکم متوسط 3.7 میلی متر با دقت مکانی 1.4 میلیمتر (انحراف معیار ضخامت ابر نقطه) دست یافت.

مقدمه: آنالیز الگوی راه رفتن با استفاده از ابزارهای نوین فناوری برای شناسایی بیماری آلزایمر، مورد توجه محققین در دهه اخیر قرار گرفته است. بنابراین در این مطالعه از داده های اسکلتی دوربین کینکت برای آنالیز الگوی راه رفتن به منظور شناسایی بیماری آلزایمر در سالمندان استفاده شد. روش: در این مطالعه توسعه ای-کاربردی به صورت تجربی، ثبت نمونه های راه رفتن در یک مسیر بیضی شکل برای 12 نفر از زنان سالمند با بیماری آلزایمر و 12 نفر سالمند زن سالم، به وسیله دوربین کینکت صورت گرفت. پس از استخراج ویژگی های راه رفتن، آنالیز توصیفی برای مقایسه ویژگی ها در میان گروه سالم و بیمار انجام شد. سپس یک کلاسه بند ماشین بردار پشتیبان برای شناسایی سالمندان با بیماری آلزایمر طراحی شد. نتایج: مقایسه ویژگی های استخراجی از راه رفتن به وسیله داده های اسکلتی دوربین کینکت، حکایت از تطبیق نتایج با یافته های پیشین حاصل از سیستم های مبتنی بر انواع دیگر سنسورها برای تفکیک دو گروه سالمندان سالم و بیمار دارد. نتایج تفکیک افراد سالمند سالم و بیمار شرکت کننده در پژوهش حاضر به وسیله کلاسه بند ماشین بردار پشتیبان نیز دارای صحت، حساسیت، دقت و Specificity به ترتیب 91/25%، 93/44%، 90/94% و 93/57% برای شناسایی بیماری است. نتیجه گیری: در کنار آنالیز آمار توصیفی ویژگی های راه رفتن، با تکیه بر روش های مبتنی بر یادگیری ماشین مانند ماشین بردار پشتیبان می توان به شناسایی سالمندان با بیماری آلزایمر به وسیله ویژگی های استخراجی به دست آمده از داده های اسکلتی راه رفتن سالمندان با نتایج قابل قبولی دست یافت.