L'Human Action Recognition (HAR) è un campo di ricerca in rapida evoluzione che sta trasformando profondamente il nostro modo di interagire con il mondo digitale e le macchine. Questa tesi si concentra sullo sviluppo di un sistema di riconoscimento per azioni umane basato sull'utilizzo di sensori inerziali, ovvero sensori dotati di accelerometri e giroscopi. Il riconoscimento di azioni tramite sensori inerziali è una sfida complessa a causa della varietà di movimenti umani e delle azioni eseguibili. Questo studio esamina gli approcci principali di elaborazione dei segnali e di machine learning utilizzati per estrarre le caratteristiche dai dati sensoriali e addestrare le reti neurali. Attraverso un'attenta progettazione sperimentale e la raccolta di dati per vari tipi di azioni e soggetti, è stato sviluppato un algoritmo di riconoscimento delle azioni che ha raggiunto un'accuratezza del 91.58%. L'accuratezza del modello di riconoscimento ottenuta è ottima e garantisce un riconoscimento affidabile delle azioni, tuttavia, esistono ancora sfide e possibili sviluppi futuri nella ricerca del riconoscimento di azioni, in particolare per la classificazione di movimenti molto simili tra loro.
Sviluppo di un sistema di riconoscimento di azioni tramite sensori inerziali
CINEL, GIOVANNI
2022/2023
Abstract
L'Human Action Recognition (HAR) è un campo di ricerca in rapida evoluzione che sta trasformando profondamente il nostro modo di interagire con il mondo digitale e le macchine. Questa tesi si concentra sullo sviluppo di un sistema di riconoscimento per azioni umane basato sull'utilizzo di sensori inerziali, ovvero sensori dotati di accelerometri e giroscopi. Il riconoscimento di azioni tramite sensori inerziali è una sfida complessa a causa della varietà di movimenti umani e delle azioni eseguibili. Questo studio esamina gli approcci principali di elaborazione dei segnali e di machine learning utilizzati per estrarre le caratteristiche dai dati sensoriali e addestrare le reti neurali. Attraverso un'attenta progettazione sperimentale e la raccolta di dati per vari tipi di azioni e soggetti, è stato sviluppato un algoritmo di riconoscimento delle azioni che ha raggiunto un'accuratezza del 91.58%. L'accuratezza del modello di riconoscimento ottenuta è ottima e garantisce un riconoscimento affidabile delle azioni, tuttavia, esistono ancora sfide e possibili sviluppi futuri nella ricerca del riconoscimento di azioni, in particolare per la classificazione di movimenti molto simili tra loro.File | Dimensione | Formato | |
---|---|---|---|
Cinel_Giovanni.pdf
accesso riservato
Dimensione
12.97 MB
Formato
Adobe PDF
|
12.97 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/48829