Analýza chůze pomocí obrazů a moderních variant neuronových sítí

Abstract

Tato diplomová práce se zabývá analýzou lidské chůze z obrazových dat s využitím detekce klíčových bodů. Cílem bylo navrhnout a implementovat experimentální aplikaci pro zpracování pohybových dat a porovnání různých přístupů k detekci fází chůze. Navržený systém propojuje extrakci kinematických příznaků s následnou klasifikací a umožňuje systematické vyhodnocení s využitím heuristických metod i modelů hlubokého učení. Výsledky ukazují, že neuronové sítě dosahují vyšší stability a robustnosti vůči šumu ve vstupních datech, zatímco heuristické přístupy jsou citlivější na kvalitu detekce klíčových bodů. Práce poskytuje modulární experimentální rámec pro analýzu lidské chůze a základ pro další výzkum v této oblasti.

This thesis focuses on the analysis of human gait from image data using keypoint detection. The aim was to design and implement an experimental application for processing motion data and comparing different approaches to gait phase detection. The proposed system combines the extraction of kinematic features with subsequent classification and enables systematic evaluation using both heuristic methods and deep learning models. The results show that neural networks achieve higher stability and robustness to noise in the input data, while heuristic approaches are more sensitive to the quality of keypoint detection. The thesis provides a modular experimental framework for human gait analysis and a foundation for further research in this area.