Capture de mouvements humains par stéréovision, machine learning et modélisation géométrique

par Saman Vafadar

Projet de thèse en Biomécanique et ingénierie pour la santé

Sous la direction de Wafa Skalli et de Olivier Gibaru.

Thèses en préparation à Paris, HESAM , dans le cadre de École doctorale Sciences des métiers de l'ingénieur (Paris) , en partenariat avec IBHGC Institut de Biomécanique Humaine Georges Charpak (laboratoire) depuis le 01-11-2017 .


  • Résumé

    L'analyse de la marche est l'étude méthodique du mouvement humain. Cette analyse est utilisée pour quantifier et évaluer la capacité de mouvement. Elle peut être exploitée pour les athlètes souhaitant améliorer leurs performances ou pour éviter les blessures. Dans des applications cliniques, l'analyse de la marche est reconnue pour être un outil clinique pratique qui peut aider au diagnostique et la planification du traitement de personnes souffrant de troubles de posture. Cependant, la technicité requise pour l'utilisation des systèmes d'acquisition précis existant, ainsi que le temps requis pour la mesure et leur coût limitent l'application clinique à grande échelle. En effet, les méthodes classiques de capture de mouvement humains (motion capture) dans les 3 dimensions de l'espace requièrent un environnement de laboratoire et un placement rigoureux de marqueurs, de fixations, et de capteurs à différentes parties du corps. Eliminer ou réduire drastiquement les marqueurs/capteurs raccourcirait le temps de préparation des patients et serait plus efficace pour les consultations cliniques. Les récents développements en traitement de l'image et particulièrement en méthodes d'apprentissage automatique permettent aujourd'hui d'estimer la pose d'objet dans des images optiques ordinaires sans contraintes dans l'environnement et sans marqueurs spécifiques. La précision des estimations reste cependant un défit majeur. L'objectif de cette thèse est de concenvoir un système de capture de mouvement humain non invasif nécessitant un minimum de préparation. De plus, ce système devrait permettre de mesurer les sujets dans un environnement quelconque, tel que leur lieu de travail, ou leur domicile. Les capteurs utilisées seront deux caméras calibrées. Les recherches se porteront sur la modélisation musculo-squelettique détaillée et personnalisée couplée à des approches d'apprentissage automatique permettant d'atteindre une précision suffisante pour les applications cliniques.

  • Titre traduit

    Human motion capture by stereo-vision, machine learning, and geometrical modeling


  • Résumé

    Gait analysis is the methodical study of human motion. It is utilized to quantify and assess the ability to move. For athletes, it may be used to enhance their performance and avoid injuries. In clinical applications, gait analysis has been recognized as a clinically practical tool that can help diagnosis and treatment planning for people suffering from postural diseases. However, the technicity required by the existing accurate acquisition systems, as well as their operating time and cost limit large-scale clinical application. Indeed, common methods for accurate three-dimensional human motion capture require a laboratory environment and a thorough placing of markers, fixtures or sensors to the body segments. Eliminating or reducing drastically the markers/sensors would shorten the patient preparatory time and would be more efficient for the clinical applications. Recent developments in computer vision and particularly in machine learning have provided the potential for markerless pose estimation in ordinary optical images with no environmental constraints, but the very accurate joint location in the 3D space is still a challenging issue. The aim of this thesis is to design a non-invasive and accurate human motion capture system that takes minimum preparatory time. In addition, it should allow measuring subjects in their natural environment such as their workplace or home. For that purpose, we will use a pair of simple calibrated cameras. Detailed personalized musculoskeletal modeling coupled with machine learning approaches will be investigated to reach a suitable accuracy for clinical applications.