Dual Bayesian and Morphology-based Approach for Markerless Human Motion Capture in Natural Interaction Environments
Première édition
L'objet de ce travail est de proposer et évaluer des dispositifs pédagogiques mis en place pour faciliter l'apprentissage du Dessin Assisté par Ordinateur, dans ses phases cruciales de méthodologie de représentation d'un dessin. Sur base d'observations et d'une revue de littérature relative au travail en groupe, à l'apprentissage par projets, à la conception et l'impact de didacticiels, nous rendons compte de trois expériences menées dans le cadre de la formation des ingénieurs.
Pour ce faire, cinq didacticiels et six environnements de travail ont été créés et testés auprès d’étudiants de première année. Ils permettent d'aborder l’apprentissage du Dessin Assisté par Ordinateur via le logiciel AutoCAD®, de ses possibilités de simple crayon électronique à l'animation en images de synthèse. Quelques notions de Conception Assistée par Ordinateur sont également abordées.
Les principaux résultats de ces expériences mettent en évidence l'intérêt de l'auto-apprentissage, le rôle du groupe, celui du tuteur et l'importance de la nature de la tâche, dans le processus didactique. Plus particulièrement, nous démontrons la possibilité d'approcher les concepts de base du Dessin Assisté par Ordinateur, de manière autonome, à l'aide d'outils adéquats et la nécessité de combiner le travail en groupe à l'intervention d'un tuteur. Nous analysons aussi les questions de méthode associées à l’examen des dessins à réaliser, et la nécessité de proposer, dans la formation des ingénieurs, des environnements d’apprentissage et d’enseignement contextualisés.
Pour plus d'informations à propos de la TVA et d'autres moyens de paiement, consultez la rubrique "Paiement & TVA".
Spécifications
- Éditeur
- Presses universitaires de Louvain
- Partie du titre
-
Numéro 101
- Auteur
- Pedro Correa Hernandez,
- Collection
- Thèses de l'École polytechnique de Louvain
- Langue
- anglais
- Catégorie (éditeur)
- Sciences appliquées > Électricité
- BISAC Subject Heading
- TEC000000 TECHNOLOGY & ENGINEERING
- Code publique Onix
- 06 Professionnel et académique
- CLIL (Version 2013-2019 )
- 3069 TECHNIQUES ET SCIENCES APPLIQUEES
- Date de première publication du titre
- 01 janvier 2004
- Type d'ouvrage
- Thèse
Paperback
- Date de publication
- 01 janvier 2007
- ISBN-13
- 9782874630835
- Ampleur
- Nombre de pages de contenu principal : 300
- Code interne
- 76802
- Format
- 16 x 24 x 1,6 cm
- Poids
- 450 grammes
- Prix
- 23,00 €
- ONIX XML
- Version 2.1, Version 3
Google Livres Aperçu
Publier un commentaire sur cet ouvrage
Sommaire
List of figures
1 Introduction 1
1.1 Context of theWork . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Goal and Motivations . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Targeted Applications . . . . . . . . . . . . . . . . . . . . . . 6
1.4 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Algorithm Overview . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 About Silhouette Segmentation . . . . . . . . . . . . . 16
1.6 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Intra-Image Feature Extraction 19
2.1 The Crucial Point Set . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Image Pre-Processing . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Crucial Point Extraction . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Geodesic Distance Map Computation . . . . . . . . . 23
Geodesic Distances and Geodesic Maps . . . . . . . . 23
Geodesic Maps Computation . . . . . . . . . . . . . . 25
Center of Gravity . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 Geodesic Distance Map Computation Optimization . 28
2.3.3 Analysis of the Geodesic Distance Function . . . . . . 30
2.3.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Intra-Image Classification . . . . . . . . . . . . . . . . . . . . 41
2.4.1 Morphological Skeletons . . . . . . . . . . . . . . . . . 41
2.4.2 Selective pruning and robust skeletons . . . . . . . . 44
2.4.3 Feature Classification . . . . . . . . . . . . . . . . . . 45
Holes and Loops . . . . . . . . . . . . . . . . . . . . . 53
2.4.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Morphological Skeletons . . . . . . . . . . . . . . . . . 57
Extraction and Labelling Results . . . . . . . . . . . . 57
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3 Inter-Image Feature Labelling and Tracking 69
3.1 Crucial Point Extraction . . . . . . . . . . . . . . . . . . . . . 69
3.2 Tracking Step . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.2.1 Mahalanobis Distance and Gating . . . . . . . . . . . 73
3.2.2 Sequencing versus Global Classification Approach . 75
3.3 Detection Step . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.1 Prior probability maps . . . . . . . . . . . . . . . . . . 79
3.4 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.5.1 Synthetic results . . . . . . . . . . . . . . . . . . . . . 88
3.5.2 Real segmentation results . . . . . . . . . . . . . . . . 92
General movement range . . . . . . . . . . . . . . . . 92
Possible application: Virtual aerobic home training . 94
Testing the algorithm flexibility. Application: Virtual Tennis game . . . . . . . . . . . . . . . . 96
Testing the algorithm flexibility: Wheelchair user . . 98
Testing the algorithm robustness limits: Segmentation. Application: Gestural navigation . . . 100
Testing the algorithm robustness limits: Challenging postures . . . . . . . . . . . . . . . . . . . . . 102
3.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4 Experimenting with possible extensions and perspectives 107
4.1 Stepping into 3D . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.1.1 Triangulation . . . . . . . . . . . . . . . . . . . . . . . 108
4.1.2 Reliability coefficient . . . . . . . . . . . . . . . . . . . 110
4.1.3 3D Tracking . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.2 Taking Crucial Points as input for animation . . . . . . . . . 117
4.2.1 Inverse kinematics . . . . . . . . . . . . . . . . . . . . 117
4.2.2 2D animation model . . . . . . . . . . . . . . . . . . . 119
4.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5 Conclusion 123
5.1 Conclusions and contributions . . . . . . . . . . . . . . . . . 123
5.2 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Bibliography 131