Modelagem computacional para navegação de cadeira de rodas baseada no elance entre os algoritmos de classificador em cascata e modelos de forma ativa modificado

Abstract

A mobilidade é um importante meio de interação social que, além de permitir a realiza ção de diversas tarefas do cotidiano, estabelece uma conexão do paciente com o universo social e do trabalho. No Brasil mais de 300.000 pessoas não possuem qualquer tipo de movimento nos membros inferiores e superiores, as chamadas paraplegias ou tetraplegias e a maioria desse grupo, utiliza cadeira de rodas para exercer sua cidadania. O deslo camento da maioria das cadeiras é realizado pela força humana e em algumas delas se utiliza algum tipo de suporte tecnológico que permita a navegação pelo paciente. Diver sas pesquisa buscam aprimorar estes suportes de forma a tornarem a navegação simples e eficiente, mas, em geral, as soluções apresentadas possuem uma grande quantidade de sensoriamento, intrusividade e alto custo. Pacientes acometidos por esta(s) deficiên cia(s) possuem apenas os movimentos da face para estabelecer qualquer tipo de interação Homem×Máquina(HMI). Assim, propomos o desenvolvimento de um modelo computa cional que permita a navegação de uma cadeira de rodas utilizando expressões faciais. Ao contrário dos trabalhos anteriormente propostos que utilizam (HMI), sugerimos um modelo que se baseia em duas expressões faciais: a pose da cabeça e o fechamento dos olhos, e utilizando apenas um sensor de entrada e uma câmera USB. O modelo converte as expressões faciais em comandos simples para a navegação da cadeira e utilizando-se duas técnicas para a interpretação destas expressões: a primeira os classificadores em cascata e a segunda os modelos de forma ativa. Na primeira, apresentamos um classifi cador capaz de detectar o fechamento dos olhos do paciente a uma distância de 50cm da câmera e na segunda utilizamos o casamento entre a resposta do modelo de forma ativa com o coeficiente de correlação de Pearson que permite estabelecer a posição cabeça do paciente. Nossos experimentos 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%. ABSTRACT: Mobility is an important means of social interaction that, besides allowing the accom plishment of several daily tasks, establishes a connection of the patient with the social and work universe. In Brazil More than 300,000 people do not have any type of movement in the lower and upper limbs, the so-called paraplegias or tetraplegias and most of that group, use wheelchair to exercise their citizenship. The displacement of most of the chairs is performed by human force and in some of them some kind of technological support is used that allows the patient to navigate. Several researches seek to improve these sup ports in order to make the navigation simple and efficient, but, in general, the presented solutions have a great amount of sensing, intrusiveness and high cost. Patients affected by this deficiency (s) have only the movements of the face to establish any type of Human Machine interaction (HMI). Thus, we propose the development of a computational model that allows the navigation of a wheelchair using facial expressions. In contrast to previ ously proposed studies (HMI), we suggest a model that is based on two facial expressions: the pose of the head and the closing of the eyes, using only an input sensor and a USB camera. The model converts facial expressions into simple commands for navigating the chair and using two techniques for the interpretation of these expressions: first the cas cade classifiers and the second the models in an active way. In the first one, we present a classifier capable of detecting the closure of the patient’s eyes at a distance of 50 cm from the camera, and in the second, we used the marriage between the model’s response acti vely and Pearson’s correlation coefficient, which allows us to establish the head position of the patient. patient. Our experiments show that the model has excellent accuracy and precision and robust performance in closed eye detection and pose estimation, bypassing very well the natural problems of pattern recognition such as occlusion and illumination. The model response achieved 98 % average hit with a false positive rate in the house of 2 %.