Show simple item record

dc.contributor.advisorLosada Gutiérrez, Cristina 
dc.contributor.authorCob Parro, Antonio Carlos 
dc.date.accessioned2018-09-20T10:28:09Z
dc.date.available2018-09-20T10:28:09Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/10017/34381
dc.description.abstractEl objetivo de este trabajo de fin de grado (TFG) es la identificación robusta de complementos a partir de imágenes de profundidad (2.5D). Dichas imágenes serán adquiridas de una cámara Kinect II ubicada en una posición cenital. Los complementos evaluados en este caso son gorras y distintos tipos de sombreros (grandes, pequeños y medianos), que la solución propuesta debe ser capaz de identificar. La solución propuesta extrae un conjunto de descriptores por cada persona previamente detectada en la escena que, posteriormente, son clasificados utilizando la técnica PCA (Análisis de Componentes Principales), comparándolos con las distintas clases previamente entrenadas. El sistema desarrollado se ha evaluado realizando diferentes pruebas experimentales sobre secuencias de profundidad reales, obteniendo resultados satisfactorios. En concreto, se han obtenido tasas de acierto del 98% para el caso más sencillo (clasificación binaria) y superiores al 85% en los casos más complejos (cuatro o cinco clases).es_ES
dc.description.abstractThe aim of this final degree thesis is the robust identification of headgear accesories from depth images (2.5D) acquired using a Kinect II camera located in a zenithal position. The accesories evaluated in this work are caps and different types of hats (large, small and medium). The proposed solution must be able to identify complements of each class. The proposed solution extracts a set of descriptors for each person previously detected in the scene, which are then classified using the PCA (Principal Component Analysis) technique, comparing them with the different classes previously trained. The developed system has been evaluated by carrying out different experimental tests on real depth sequences, obtaining satisfactory results. Specifically, success rates of 98% have been obtained for the simplest case (binary classification) and higher than 85% in the most complex cases (four or five classes).en
dc.format.mimetypeapplication/pdfen
dc.language.isospaen
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/en
dc.subjectPCAen
dc.subjectAnálisis de componentes principaleses_ES
dc.subjectClasificaciónes_ES
dc.subjectDistancia euclídeaes_ES
dc.subjectDistancia de Mahalanobises_ES
dc.titleClasificación de accesorios a partir de información de profundidades_ES
dc.typeinfo:eu-repo/semantics/bachelorThesisen
dc.subject.ecienciaTelecomunicacioneses_ES
dc.subject.ecienciaTelecommunicationen
dc.contributor.affiliationUniversidad de Alcalá. Escuela Politécnica Superiores_ES
dc.type.versioninfo:eu-repo/semantics/acceptedVersionen
dc.description.degreeGrado en Ingeniería Electrónica de Comunicacioneses_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Este ítem está sujeto a una licencia Creative Commons.