Personendetektion und -lokalisierung
mit RGB-D Daten

Personendetektion mittels optischer Sensoren eröffnen ein großes Feld von Anwendungsmöglichkeiten:

• Automatische Überwachung öffentlicher Bereiche
• Kundenverhalten und Personenzählung im Handel sowie in öffentlichen Einrichtungen (Museen, Clubs, etc.)
• Fußgängererkennung in der Automobilindustrie
• AAL (Ambient Assisted Living): Messung der Mobilität einer Person, Schließen auf soziale Kontakte u.a.

Mithilfe von Personendetektionsalgorithmen können die Anzahl der Personen im Raum sowie deren jeweilige dreidimensionale Position und Ausdehnung bestimmt werden. Abb. 1 zeigt die Ergebnisse eines Algorithmus, der RGB-D Daten verarbeitet. Die Positionsdaten werden mithilfe eines Referenzmesssystems validiert.

Abb. 2 zeigt eine Beispielanwendung im Bereich AAL. Unter Verwendung der Positionsdaten können Langzeit-Statistiken über den Aufenthaltsort und -dauer einer Person erstellt werden. Der Aufenthaltsortes innerhalb der Wohnung, die Zeiten, die die Person außerhalb der Wohnung verbringt und die Mobilität, d.h. wie häufig und wie lang die Person sich bewegt/umherläuft, können aufgezeichnet und später ausgewertet werden.
Die Analyse der Statistiken, beispielsweise durch den behandelnden Arzt, kann Aufschluss über starke Veränderungen zum gewohnten Tagesablauf oder auffällige Reduktion der Mobilität einer allein lebenden Person geben. Die Ursachen hierfür können beispielsweise in einer Änderung des Gesundheitszustandes liegen. Mithilfe der Möglichkeit einer späteren Analyse durch einen Arzt kann somit eine Änderung des Zustandes einer Person festgestellt werden, was unter Umständen unbemerkt geblieben wäre.

Pose Estimation mit RGB-D Daten

Zusätzlich zur Position einer Person wird deren grobe Körperhaltung/Pose (Stehen, Sitzen, Liegen) mithilfe von Methoden des maschinellen Lernens erkannt. Abb. 3 zeigt die aus der Punktwolke extrahierten, zu den jeweiligen Personen zugehörigen Punkte. Auf Grundlage dieser Punkte kann die Pose einer Person über aussagekräftige Merkmalsvektoren bestimmt werden (Abb. 4).

Die Einbeziehung der Informationen über die Körperhaltung in Langzeitstatistiken ermöglicht genauere Schlussfolgerungen über die Mobilität einer Person. Zudem werden verschiedene Bewegungen des täglichen Lebens, wie das Hinführen einer Flasche zum Mund, angelernt und erkannt.