Riassunto analitico
Negli ultimi anni il problema relativo alla pose estimation ha assunto sempre maggior rilievo in vari campi, sia del mondo accademico che nell'ambito industriale. Tra i settori in cui desta maggior interesse vi è il campo automobilistico, all'interno del quale riveste un ruolo chiave per lo studio e l'implementazione di sistemi rivolti all'analisi del comportamento, quindi all'attenzione, del guidatore.
In un epoca di transizione verso sistemi di guida completamente autonoma, il monitoraggio dell'attenzione del conducente assume notevole importanza, alla luce di aspetti sociali, morali e legali, oltre che tecnologici, riguardanti la collaborazione tra uomo e veicolo.
In questa tesi, verrà proposto un sistema per la stima dell'orientazione della testa e delle spalle, grazie all'utilizzo di tecniche di visione artificiale e deep learning, basate su immagini di profondità, acquisite attraverso dispositivi commerciali a basso costo. Il sistema risponde a specifiche esigenze caratterizzanti il fortemente dinamico e non strutturato mondo dell'automotive: accuratezza, prestazioni real time, invarianza a cambiamenti di luminosità (e.g. giorno, notte), robustezza alle occlusioni, assenza di invasività e indipendenza da fasi di inizializzazione ad hoc.
Il sistema è stato testato su due famosi dataset presenti in letteratura, e su un nuovo dataset raccolto per lo scopo di pose estimation di testa e spalle, caratterizzato da una notevole quantità di dati, da una maggior complessità rispetto ad altri dataset e particolare attenzione verso situazioni caratteristiche del contesto automobilistico.
|
