Banca de DEFESA: MOUGLAS EUGENIO NASARIO GOMES

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: MOUGLAS EUGENIO NASARIO GOMES
DATA : 12/07/2024
HORA: 09:00
LOCAL: Virtual
TÍTULO:

UM MODELO PARA DETECÇÃO DE QUEDAS HUMANAS BASEADO EM VISÃO COMPUTACIONAL

PALAVRAS-CHAVES:

Detecção de queda, Vídeo vigilância, Reconhecimento da ação 
humana, Visão de máquina, Redes profundas, Detecção de ação.

PÁGINAS: 104
RESUMO:

No âmbito da detecção de ações e reconhecimento de atividades humanas, a 
detecção de quedas emerge devido à sua excelente aplicação para o bem-estar 
público. A detecção de quedas pode ser implementada em instalações como 
asilos, áreas com câmeras públicas e residências de idosos que moram 
sozinhos, pois a grande maioria das fatalidades relacionadas a quedas 
ocorre nesses locais. Desta forma, esta tese explora o problema da detecção 
de quedas em humanos, apenas por meio de imagens de vídeos. Sendo esse um 
problema importante e de aplicações praticas, devido ao crescimento da 
população mais velha e a alta taxa de pessoas que sofrem lesões em virtude 
de quedas. A maioria dos sistemas atuais tem inspiração em modelos de 
detecção de ações humanas, tais modelos são computacionalmente caros, e 
sujeitos a alarmes falsos, devido a incorporação de características de 
movimentos que as pessoas usam no dia a dia, os quais podem ser confundidas 
com os de quedas. Assim, aborda-se o problema com dois modelos. O primeiro 
utiliza um detector um objetos combinado com modelos de classificação 
temporal e um algoritmo de rastreamento, que são usados para detectar 
quedas individualmente em fluxos de vídeo. Os seguintes passos são tomados 
na utilização desta da abordagem proposta: (i) a região da imagem em que 
ocorreu a queda é localizada; (ii) são rastreadas e extraídas as regiões 
que compõem a queda em uma sequência temporal de imagens, formando-se uma 
série de ações associadas a uma determinada pessoa; e (iii) um modelo é 
construído para classificar a sequência consecutiva de imagens e agregar a 
informação temporal. O segundo modelo utiliza um detector de pontos chaves 
inspirado na arquitetura dos detectores de objetos, mas substituindo o 
modelo pré-treinado e alterando a estrutura do algoritmo para torná-lo um 
detector de pontos chaves, mudando a forma como a função de perda é 
calculada no processo de aprendizagem e alterando o algoritmo de filtragem 
na última camada, também foi adicionado o fluxo ótico para aferir a 
velocidade e direção dos pontos detectados para ao final serem utilizados 
em um modelo temporal. Ambos os modelos propostos são comparados com outros 
métodos da literatura utilizando métricas conhecidas.
Simulações experimentais com várias bases de dados e modelos da literatura, 
mostram que os melhores resultados na maioria das métricas avaliadas são 
alcançados usando as abordagens propostas.

MEMBROS DA BANCA:
Externo à Instituição - LEONARDO NOGUEIRA MATOS - UFS
Externo à Instituição - RICARDO CERRI - USP
Presidente - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Externo à Instituição - BRUNO JOSE TORRES FERNANDES - UPE
Interno - 1511095 - TSANG ING REN