Analýza lidské chůze s využitím synteticky generovaných hloubkových map

Abstract

Tato bakalářská práce se zabývá využitím synteticky generovaných hloubkových map pro analýzu lidské chůze. Byl navržen a implementován modulární systém, který kombinuje detekci klíčových bodů lidského těla se sedmi monokulárními modely pro odhad hloubky a třístupňovým kalibračním schématem. Referenční data byla pořízena pomocí senzoru Intel RealSense D455 ve dvou interiérových scénářích. Experiment prokázal, že délku kroku lze odhadnout s odchylkou 0,1–2,6 cm oproti referenčním datům, zatímco výška kroku je citlivější na absolutní přesnost hloubkové mapy a vykazuje větší odchylky. Detekce fází chůze byla robustní vůči volbě hloubkového modelu. Nejlepších výsledků dosáhl model VDA-Base s per-frame kalibrací ve scénáři A a model Marigold se prostorovou kalibrací ve scénáři B.

This bachelor thesis focuses on the use of synthetically generated depth maps for human gait analysis. A modular system was designed and implemented that combines human body keypoint detection with seven monocular depth estimation models and a three-level calibration scheme. Reference data were collected using an Intel RealSense D455 sensor in two indoor scenarios. The experiment demonstrated that step length can be estimated with a deviation of 0.1–2.6 cm compared to reference data, while step height is more sensitive to the absolute accuracy of the depth map and shows larger deviations. Gait phase detection was robust with respect to the choice of depth model. The best results were achieved by VDA-Base with per-frame calibration in scenario A and Marigold with spatial calibration in scenario B.