Erkennung von Körperbewegungsmustern durch Automaten

In den letzten Jahren ist das Interesse an der automatischen Erkennung von Korperbewegungen auf der Basis optischer Information ganz erheblich gestiegen. Die Vielfalt der Einsatzmoglichkeiten beweist, das es sich nicht nur um das Interesse einer kleinen Schar von Experten handelt, z.B.: Ganganalyse, automatische Kommentierung von Sequenzen in Video-Datenbanken, die die Bewegungen von Menschen beinhalten [Cle95], drahtlose Mensch-Maschine-Schnittstellen fur Virtual- Reality-Anwendungen [Bec97], Uberwachungs-systeme, Interpretation von Zeichensprachen [Bra96][Sut96] und Choreographie von Tanz und Ballett [Cam95]. Fur die automatische Erkennung der Korperbewegungen in Videobildern mussen mehrere Phasen durchgefuhrt werden: Initiale Detektion einer Person, Verfolgen der Person, Segmentierung des Korpers, Extrahierung der einzelnen Korperteile und Erkennung der Korperbewegungsmuster. Es sind schon mehrere Systeme in speziellen Gebieten entwickelt worden, die die Korperbewegungen erkennen konnen, z.B. Sensei [Bec97], ARGo [Bra96], First Sight [Leu95] usw. Zur Klassifikationsmethode von Bewegungsmustern wurden Phase Space Methode [Cam95], HMM (Hidden Markov Model) [Bec97][Bra96], Dynamic Time Warping [Gav95], Template Matching [Sut96] usw. angewendet. Der Schwerpunkt dieses Beitrags liegt auf der Klassifikationsmethode von Korperbewegungsmustern mit dem Ziel, die nonverbalen Korpersignale zu erkennen. Eine Korperbewegung enthalt gleichzeitig mehrere Korperteilbewegungen mit verschiedenen Bewegungsvektoren.