In this thesis, we investigate machine learning methods for human motion analysis. We introduce algorithms for human pose estimation and activity recognition that do not rely on classical cameras and that can cope with noisy and incomplete input data. We propose methods that capture human movements using body-worn inertial sensors or using a depth camera. In a training phase, the measurements from these modalities are complemented with precise motion data recorded with a camera-based system. We present a novel technique for learning human motion models from this data using non-linear dimesionality reduction and regression, enabling human pose estimation and activity recognition given only the inertial sensor or depth data. As an application scenario, we present a customizable method for gesture-based interaction in the operating room that fills an existing gap, as confirmed by surgeons.     «

In this thesis, we investigate machine learning methods for human motion analysis. We introduce algorithms for human pose estimation and activity recognition that do not rely on classical cameras and that can cope with noisy and incomplete input data. We propose methods that capture human movements using body-worn inertial sensors or using a depth camera. In a training phase, the measurements from these modalities are complemented with precise motion data recorded with a camera-based system. We...     »

Diese Arbeit befasst sich mit maschinellem Lernen zur Analyse menschlicher Bewegungen. Es werden Algorithmen zur Erkennung von Körperhaltungen und Aktivitäten vorgestellt, die auf klassische Kameras verzichten und mit unvollständigen und verrauschten Daten zurecht kommen. Die vorgestellten Verfahren benutzen am Körper getragene Inertialsensoren oder eine Tiefenkamera als Eingabemedium. In einer Trainingsphase werden die Messungen dieser Modalitäten um präzise Bewegungsdaten ergänzt, die mit einem Kamerasystem erfasst werden. Ein neuartiger Ansatz zum Lernen von Bewegungsmodellen aus diesen Daten wird vorgestellt, der auf nicht-linearer Dimensionsreduktion und Regression beruht und es ermöglicht, Körperhaltungen und Aktivitäten allein aus den Sensormessungen bzw. den Tiefenbildern zu erkennen. Als Anwendung wird eine Methode zur gestenbasierten Mensch-Maschine-Interaktion im Operationssaal vorgestellt, die Ärzten zufolge eine bestehende Lücke schließt.     «

Diese Arbeit befasst sich mit maschinellem Lernen zur Analyse menschlicher Bewegungen. Es werden Algorithmen zur Erkennung von Körperhaltungen und Aktivitäten vorgestellt, die auf klassische Kameras verzichten und mit unvollständigen und verrauschten Daten zurecht kommen. Die vorgestellten Verfahren benutzen am Körper getragene Inertialsensoren oder eine Tiefenkamera als Eingabemedium. In einer Trainingsphase werden die Messungen dieser Modalitäten um präzise Bewegungsdaten ergänzt, die mit eine...     »