Shape-basierte Bewegungsklassifikation auf multidimensionalen Zeitreihen mit Hilfe elastischer Abstandsmaße
Date issued
Authors
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
License
Abstract
Zusammenfassung
Bewegungs-Zeitreihen sind in der heutigen Zeit allgegenwärtig. Durch die günstig verfügbaren Messsysteme wie z.B. Inertialsensoren in Smartphones und Fitness-Trackern, sowie Bewegungserfassungs-Systeme in der Unterhaltungs-Industrie wie z.B. Microsofts Kinect(TM) oder Nintendos Wii Remote(TM) lassen sich Bewegungs-Zeitreihen einfach, kostengünstig und in großer Zahl generieren. Die Erkennung einzelner Teilbewegungen bzw. Gesten spielt dabei eine bedeutende Rolle, z.B. bei Videospiel-Steuerungen oder bei der automatisierten Überwachung industrieller Fertigungsprozesse.
Diese Arbeit beschäftigt sich im Wesentlichen mit der Shape-basierten Bewegungsklassifikation. Dies bedeutet, dass die Bewegungen (z.B. Gesten) in Form einzelner – im Allgemeinen mehrdimensionaler – Bewegungs-Zeitreihen (im Folgenden als „Shapes“ bezeichnet) vorliegen. Die Aufgabe besteht nun darin, ein Anfrage-Shape mit Hilfe von bekannten Bewegungsdaten einem entsprechenden Bewegungsmuster bzw. einer Geste zuzuordnen. Dieser Prozess wird auch als Klassifikation bezeichnet. Die One-Nearest-Neighbor- (1NN)-Klassifikation ist dabei das intuitivste und einfachste Vorgehen, welches zusätzlich eine einfache physikalische Interpretation der Bewegungs-Zeitreihen zulässt.
Nach einer kurzen Einleitung in die Thematik werden die in dieser Arbeit verwendeten Datensätze kurz vorgestellt, auf denen die untersuchten Verfahren getestet werden. Neben einigen öffentlich frei zugänglichen Datensätzen wurde im Rahmen dieser Arbeit auch ein eigener Datensatz erzeugt. Dabei wurde die Hand verschiedener Probanden während des Zeichnens von Ziffern in 6 Freiheitsgraden (6-DoF) getrackt.
Danach wird zunächst ein Verfahren vorgestellt, das mittels Continuous-Wavelet-Transformation einen Bewegungs-Datenstrom (semi-)automatisiert in einzelne Teilbewegungen (Shapes) segmentieren kann.
Der Hauptteil dieser Arbeit beschäftigt sich anschließend mit der Shape-basierten Klassifikation von Bewegungen mittels Dynamic Time Warping (DTW). Um die 1NN-Klassifikation effizienter durchführen zu können, werden zuerst neue Lower Bounds für Bewegungs-Zeitreihen eingeführt, indem zwei in der Literatur bekannte Lower Bounds auf Quaternionen-wertige Zeitreihen erweitert werden. In diesem Zusammenhang wird eine schnell zu berechnende Approximation der komplexeren Lower Bound vorgestellt. Anschließend werden verschiedene Zeitreihen-Abstandsmaße, sowie verschiedene punktweise Abstandsmaße hinsichtlich ihrer Eignung für die Klassifikation miteinander verglichen. Die „Punkte“ der Zeitreihen sind in diesem Fall verschiedene Darstellungen von Rotationen. Im Anschluss wird noch ein neuartiger, bisher noch nicht bekannter Ansatz zur Klassifikation anhand von inkrementellen Rotationen beschrieben.
Abschließend werden verschiedene Ansätze für eine Sensordaten-Fusion auf sehr unterschiedlichen Daten getestet und miteinander verglichen. Hierzu wird ein neuartiges – auf Dynamic Time Warping basierendes – Verfahren zur zeitlichen Synchronisation von Bewegungs-Zeitreihen vorgestellt, die in unterschiedlichen Koordinatensystemen dargestellt sind.