Identificação de Contorno Corporal, Gênero e Peso por Meio de Redes Convolucionais: Uma Contribuição para a Estimativa Automática de Somatotipo
Nome: GENTIL AUER NETO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 15/06/2020
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
| KLAUS FABIAN COCO | Examinador Externo |
| JORGE LEONID ACHING SAMATELO | Examinador Externo |
Resumo: O corpo humano pode ser referenciado por uma métrica que mensura suas formas e proporções: o somatotipo. Estudos demonstram que a sua identificação é útil em diversas áreas da saúde e da educação física. Atualmente, o principal método para sua estimativa demanda bastante tempo, treinamento especializado e uso de equipamentos antropométricos para aferição de medidas corporais. Há pesquisas visando simplificar o teste, por exemplo, automatizando-o com processamento digital de imagens. Contudo, há limitações como a adequação de ambientes para a captura de fotografias com boa qualidade, um requisito importante para sua viabilidade. Dados os benefícios de obter um método robusto e rápido, tal que simplifique sua realização e reduza custos, a proposta principal deste trabalho é pesquisar e
desenvolver métodos que possibilitem estimar de forma automática informações do corpo humano por meio de imagens obtidas em ambientes sem uma preparação prévia. Neste contexto, este trabalho propõe
combinar técnicas de aprendizado de máquina, em especial aprendizado profundo, que alcancem a segmentação detalhada do contorno corporal de indivíduos em ambientes não controlados. Além disso, é feita a identificação de gênero e estimativa de peso, ambos por análise facial. Os resultados mostram que o estudo é promissor, tendo alcançado um bom nível de segmentação em ambientes adversos e 91,52% de acurácia na classificação de gênero. Também é avaliado como o gênero influencia no modelo de estimativa de peso, que alcançou um erro médio de 5,56 kg para o melhor caso.
