PCA–Based Human Posture Classification

Abstract

Kertas kerja ini membentangkan suatu mekanisme untuk pengelasan susuk tubuh manusia berdasarkan kombinasi pelbagai jelmaan ruang eigen yang dinamakan sebagai eigenposture dan Multilayer Perceptron (MLP) sebagai pengelas. Penjelmaan komponen utama telah digunakan untuk menyari sifat pada bayang-bayang bentuk badan manusia. Gabungan sarian sifat ini digunakan untuk pengelasan susuk tubuh manusia sebagai berdiri atau sebaliknya berasaskan bentuk badan yang diperoleh selepas proses peruasan. Uji kaji telah dijalankan dengan mengubah bilangan vektor eigen yang dijadikan perwakilan untuk tujuan pengelasan. Keputusan yang diperoleh menunjukkan gabungan eigenposture kedua dan keempat memberi keputusan pengelasan bentuk badan manusia yang agak baik iaitu 98% dan boleh dijadikan sebagai pilihan optimal masukan bagi tujuan pengelasan menggunakan bilangan input minima. Kata kunci: Analisa komponen utama, vektor eigen, pengelasan, rangkaian neural tiruan, susuk tubuh manusia This paper outlines a mechanism for human body posture classification based on various combination of eigenspace transform, which we named as eigenposture, and using Multilayer Perceptron (MLP) as classifier. We apply principal component transformation to extract the features from human shape silhouettes. Combinations of the extracted features were used to classify the posture of standing and non-standing based on the human shape obtained from the segmentation process. We experiment by using various combinations of eigenvectors as input representations for classification purpose. Results showed that the second and fourth eigenpostures combination gives reasonably good result with 98% correct classification of human posture and can be adopted as the optimal choice of input for classification using a minimal combination. Key words: Principal component analysis (PCA), eigenvectors, classification, artificial neural network, human posture