Estudo da navegação de uma cadeira de rodas utilizando conceitos de visão computacional
Palabras clave:
Cadeira de Rodas, Tecnologia Assistiva, Classificadores em Cascata, Active Shape ModelsResumen
A mobilidade é um importante meio de interação social que, além de permitir a realização de diversas tarefas do cotidiano, estabelece uma conexão do paciente com o universo social e do trabalho. Para pessoas que possuem as chamadas paraplegias ou tetraplegias a cadeira de rodas é um importante meio para exercer sua cidadania. Diversas pesquisa buscam tornar a navegação simples e eficiente, mas, em geral, as soluções apresentadas possuem uma grande quantidade de sensoriamento, intrusividade e alto custo. Propomos um modelo computacional que permita a navegação de uma cadeira de rodas utilizando expressões faciais. Ao contrário dos trabalhos estudados, sugerimos um modelo que se baseia em duas expressões faciais: a pose da cabeça e o fechamento dos olhos, e apenas um sensor de entrada, uma câmera USB. O modelo converte as expressões faciais em comandos para a navegação da cadeira e duas técnicas fazem a interpretação: Classificadores em cascata e Modelos de Forma Ativa(ASM). Na primeira, utiliza um classificador capaz de detectar o fechamento dos olhos e na segunda o casamento entre a resposta do ASM e o coeficiente de correlação de Pearson. Os testes mostram que o modelo tem excelente acurácia e precisão e um desempenho robusto na detecção dos olhos fechados e estimação da pose, contornando muito bem problemas naturais do reconhecimento de padrões como oclusão e iluminação. A resposta do modelo alcançou 98\% de acerto médio com uma taxa de falsos positivos na casa de 2\%.
Descargas
Citas
Instituto Brasileiro de Geografia e Estatística (IBGE). Características da população e dos domicílios: Resultados do universo. Censo Demográfico 2010. Rio de Janeiro: IBGE; 2011.
Braga RAM. Plataforma de desenvolvimento de cadeiras de rodas inteligentes [tese]. Porto: Faculdade de Engenharia da Universidade do Porto; 2012.
Halawani A, Ur Réhman S, Li H, Anani A. Active vision for controlling an electric wheelchair. Intelligent Service Robotics. 2012; 5(2): 89–98.
Song Y, Luo Y, Lin J. Detection of Movements of Head and Mouth to Provide Computer Access for Disabled. In: Technologies and Applications of Artificial Intelligence (TAAI). 2011. p. 223–226.
Zhao Z, Wang Y, Fu S. Head Movement Recognition Based on Lucas-Kanade Algorithm. In: Computer Science & Service System (CSSS). 2012. p. 2303–2306.
Melo VR. Avaliação da qualidade de vida de paciente com lesão medular acompanhados em regime ambulatorial [dissertação]. Recife: Universidade Federal de Pernambuco; 2009.
Cruz DMC, Ioshimoto MTA. Tecnologia Assistiva para as atividades de vida diária na tetraplegia completa C6 pós-lesão medular. Revista Triângulo. 2010; 3(2): 177–190.
Dymond E, Potter R. Head movements for control of assistive technology. In: 14th Annual International Conference of the IEEE EMBS. 1992. p. 1527–1528.
Basu S, Pentland A. Motion Regularization for Model-Based Head Tracking. In: Proceedings of the IEEE Int’l Conf. on Pattern Recognition (ICPR ’96). 1996. p. 611–616.
Kiruluta A, Eizenman M, Pasupathy S. Predictive Head Movement Tracking Using a Kalman Filter. IEEE Transactions on Systems, Man, and Cybernetics. 1997; 27(2): 326–331.
Adachi Y, Kuno Y, Shimada N, Shirai Y. Intelligent Wheelchair Using Visual Information on Human Faces. In: IEEE/RSJ Intl. Conference on Intelligent Robots and Systems. 1998. p. 354–359.
Kuno Y, Nakanishi S, Murashima T, Shimada N, Shirai Y. Intelligent wheelchair based on the integration of human and environment observations. In: Proceedings 1999 International Conference on Information Intelligence and Systems. 1999. p. 342–349.
Bergasa LM, Mazo M, Gardel A, Barea R, Boquete L. Commands generation by face movements applied to the guidance of a wheelchair for handicapped people. In: Proceedings 15th International Conference on Pattern Recognition. 2000. p. 660–663.
Taylor PB, Nguyen HT. Performance of a Head-Movement Interface for Wheelchair Control. In: Proceedings of the 25th Annual International Conference of the IEEE EMBS. 2003. p. 17–21.
Nguyen HT, King LM, Knight G. Real-time head movement system and embedded Linux implementation for the control of power wheelchairs. In: Proceedings of the 26th Annual International Conference of the IEEE EMBS. 2004. p. 1–5.
King LM, Nguyen HT, Taylor PB. Hands-free Head-movement Gesture Recognition using Artificial Neural Networks and the Magnified Gradient Function. In: 27th Annual International Conference of the IEEE EMBS. 2005. p. 2063–2066.
Liao WK, Cohen I. Classifying Facial Gestures in Presence of Head Motion. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2005. p. 77.
Manogna S, Vaishnavi S, Geethanjali B. Head Movement Based Assist System for Physically Challenged. In: 4th International Conference on Bioinformatics and Biomedical Engineering. 2010. p. 1–4.
Wei L, Hu H, Lu T, Yuan K. Evaluating the Performance of a Face Movement based Wheelchair Control Interface in an Indoor Environment. In: IEEE International Conference on Robotics and Biomimetics. 2010. p. 387–392.
Lee CS, Samaras D. Analysis and synthesis of facial expressions using decomposable nonlinear generative models. In: Proc. IEEE Int. Automatic Face & Gesture Recognition and Workshops (FG 2011). 2011. p. 847–852.
Braga RAM, Petry M, Moreira AP, Reis LP. Concept and Design of the Intellwheels Platform for Developing Intelligent Wheelchairs. In: Informatics in Control, Automation and Robotics. 2009. p. 191–203.
Perez E, Soria C, Nasisi O, Bastos TF, Mut V. Robotic wheelchair controlled through a vision-based interface. Robotica. 2012; 30: 691–708.
Ribeiro MP. CAMIN – Cadeira Móvel Inteligente: Um sistema de navegação utilizando uma adaptação do método dos campos potenciais artificiais [dissertação]. Rio de Janeiro: Instituto Militar de Engenharia; 2007.
Bailey M, Chanler A, Maxwell B, Micire M, Tsui K, Yanco H. Development of Vision-Based Navigation for a Robotic Wheelchair. In: 2007 IEEE 10th International Conference on Rehabilitation Robotics. 2007. p. 951–957.
Ekman P, Rosenberg EL. What the Face Reveals: Basic and Applied Studies of Spontaneous Expression Using the Facial Action Coding System (FACS). Oxford University Press; 2005.
Viola P, Jones MJ. Robust real-time face detection. International Journal of Computer Vision. 2004; 57(2): 137–154.
Benoit A, Caplier A, Durette B, Hérault J. Using human visual system modeling for bio-inspired low level image processing. Computer Vision and Image Understanding. 2010; 114(7): 758–773.
Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. In: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). 2001. p. 511–518.
Turk M, Pentland A. Eigenface for recognition. Journal of Cognitive Neuroscience. 1991; 3(1): 71–96.
Yi Z, Xiaolin F, Yuan L. Intelligent wheelchair system based on sEMG and head gesture. The Journal of China Universities of Posts and Telecommunications. 2015; 22(2): 74–95.
Jaffe DL. An ultrasonic head position interface for wheelchair control. Journal of Medical Systems. 1982; 6(4): 337–342.
Cootes TF, Taylor CJ, Cooper DH, Graham J. Active shape models - their training and application. Computer Vision and Image Understanding. 1995; 61(1): 38–59.
Chen X, Udupa JK, Bagci U, Zhuge Y, Yao J. Medical Image Segmentation by Combining Graph Cuts and Oriented Active Appearance Models. IEEE Transactions on Image Processing. 2012; 21(4): 2035–2046.
Birkbeck N, Jagersand M. Visual tracking using active appearance models. In: Proc. First Canadian Conf. Computer and Robot Vision. 2004. p. 2–9.
Hommel S, Handmann U. Realtime AAM based user attention estimation. In: Proc. IEEE 9th Int. Symp. Intelligent Systems and Informatics. 2011. p. 201–206.
