Detectando partes humanas em ambientes não controlados

Abstract

Resumo: A deteccao de objetos e muito utilizada atualmente devido aos varios tipos de problemas que e possivel solucionar atraves desse tipo de abordagem. Existem metodos que utilizam a deteccao de objetos para extrair partes especificas do corpo humano com objetivo de aumentar a precisao da deteccao de forma geral, como por exemplo na estimativa de pose. O objetivo deste trabalho e apresentar um modelo de Rede Neural para a deteccao e segmentacao de partes do corpo humano. E disponibilizado um modelo multiplataforma de tempo real que pode ser executado em computadores comuns, assim como em dispositivos moveis e sistemas embarcados. Ele caracteriza-se por ser compacto, e por explorar uma parte da deteccao de objetos ainda pouco utilizada. Uma das caracteristicas marcantes e sua capacidade de reconhecer partes do corpo humano mesmo em ambientes nao controlados, devido a utilizacao de um subset aleatorio da base publica do Google (Open Images Dataset) que contem imagens com objetos nos mais variados tamanhos, posicoes, condicoes de iluminacao e de oclusao. O modelo final possui a capacidade de detectar 18 classes distintas com uma precisao de 37%, incluindo classificacao de genero. A proposta principal e entregar algo que possa ser utilizado para a resolucao de problemas especificos que necessitem da deteccao e extracao de partes do corpo humano, assim como aqueles de autenticacao de usuarios que necessitam extrair certas regioes para aumentar sua precisao. A arquitetura do modelo, assim como o arquivo final, foram desenvolvidos utilizando tecnicas que sao consideradas estado da arte e algumas das melhores ferramentas disponiveis para criacao de redes neuras. O processo e as ferramentas utilizadas sao descritos com mais detalhes no decorrer do trabalho. Palavras-chave: Deteccao de partes do corpo humano, modelo compacto, modelo de tempo real, redes neurais

Abstract: Object detection is widely used today due to the various types of problems that can be solved using this type of approach. There are methods that use object detection to extract specific parts of the human body in order to increase the accuracy of detection in general, as for example in pose estimation. The objective of this work is to present a Neural Network model for the detection and segmentation of parts of the human body. A real-time multiplatform model is available that can be run on ordinary computers, as well as on mobile devices and embedded systems. It is characterized by being compact, and by exploring a part of object detection that is still little used. One of the striking features is its ability to recognize parts of the human body even in uncontrolled environments, due to the use of a random subset of Google's public database (Open Images Dataset) that contains images with objects in the most varied sizes, positions, working conditions. lighting and occlusion. The final model has the ability to detect 18 distinct classes with an accuracy of 37 %, including gender classification. The main proposal is to deliver something that can be used to solve specific problems that require the detection and extraction of parts of the human body, as well as those for authenticating users who need to extract certain regions to increase their accuracy. The architecture of the model, as well as the final file, were developed using techniques that are considered state of the art and some of the best tools available for creating neural networks. The process and tools used are described in more detail in the course of the work. Keywords: human's body parts detection, compact model, runtime model, neural networks