SONAR|HES-SO

SONAR|HES-SO

SONAR|HES-SO regroupe les travaux de bachelor et master diffusables de plusieurs écoles de la HES-SO. Consultez cette page pour le détails.

En cas de question, merci de contacter les bibliothécaires de la HES-SO : bibliotheques(at)hes-so.ch

Back to SONAR
Back
Texte intégral
Bachelor thesis

Détection d'activité à l'aide de Kinect 2.0

    2014

1 livre électronique

Mémoire de bachelor: Haute Ecole de Gestion & Tourisme, 2014

French Peut-on détecter des activités de façon efficace? Cette question fut la base de mon travail de Bachelor, son but est donc de rechercher différentes techniques de classification de données afin de détecter une action concrète. Pour cela, j’ai pu utiliser la dernière caméra Kinect 2.0, ce choix de technologie a été motivé par plusieurs critères. Tout d’abord le fait que cette technologie soit très récente, ce qui permettrait donc au final de découvrir les premières possibilités de l’appareil et ainsi pouvoir déterminer des possibilités d’améliorations une fois la technologie arrivée à maturité. Le but de ce travail est donc d’étudier et de classer différentes activités filmées à l’aide de Kinect 2.0et d’en déterminer quelles applications pratiques on peut en faire. Par exemple: - Pourrons-nous détecter un incendie en se basant sur la détection de plusieurs personnes en train de courir? - Pourrons-nous détecter si le mouvement d’une partie du corps se fait correctement en se basant sur des images filmées? Pour cela il m’a fallu effectuer tout un processus de recherche: - Définir le nombre et le choix des activités à étudier - Définir les premiers critères importants de cette analyse - Rechercher des algorithmes de classification de données - Comparer les résultats afin de déterminer le modèle de données le plus pertinent Plus spécifiquement, je me suis concentré sur deux types d’analyses: - Les analyses de séries temporelles - Les analyses de séries fréquentielles J’ai ainsi pu obtenir des résultats montrant un faible taux d’erreurs de classification, ce qui démontre qu’en se basant sur des analyses simples on obtient déjà des premiers résultats pertinents. Afin d’aller plus loin dans mon travail j’ai également cherché à corriger et adapter mes données de départ pour augmenter la précision des modèles de données. J’ai ainsi essayé plusieurs techniques de transformation des données qui ont permis d’améliorer le taux d’erreurs de classification en dessous des 15% d’erreurs. De plus, cela m’a permis de détecter dans quelles situations un algorithme de classification est mieux adapté qu’un autre. Toutes ces analyses m’ont alors permis de déterminer des premières limites de la détection d’activité en utilisant Kinect 2.0. Elles ont également démontré qu’en utilisant des techniques de classification simple on pouvait obtenir des résultats déjà utilisables pour de futures applications de détection d’activité. En conclusion, la technologie encore très jeune qu’est Kinect 2.0 combinée à de simples algorithmes de classification, offre déjà d’excellents résultats. De plus, il existe encore de nombreuses possibilités d’analyses sur les données que j’ai pu récolter, ce qui signifie qu’on peut facilement imaginer qu’à l’avenir on pourra définir des modèles et ainsi pousser encore plus loin la détection d’activité.
Language
  • French
Classification
Computer science and technology
Notes
  • Haute Ecole de Gestion Valais
  • Informatique de gestion - Wirtschaftsinformatik
  • hesso:hegvs
License
License undefined
Identifiers
  • RERO DOC 235890
  • RERO R008116781
Persistent URL
https://sonar.ch/hesso/documents/316665
Statistics
Document views: 22 File downloads:
  • TB_Tazlari_Martin.pdf: 48