資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
4 results
Search Results
Item 基於攝影機的多人健身運動偵測與辨識(2024) 張吳嘉; Chang, Wu-Jia大多數健身運動追蹤研究主要以單人追蹤進行，單人追蹤可以記錄的訓練資訊，包含：動作辨識、動作計數、重量辨識、訓練時間以及準確度分析。然而在健身房環境中同時會有多人使用各種器材，僅進行單人追蹤會無法捕捉到多人的運動情形。利用攝影機的多人追蹤技術，可以同時對健身區域進行大範圍的偵測與追蹤，而不局限於單人追蹤。本研究提出基於攝影機的多人健身運動偵測與辨識方法，拍攝廣角的畫面藉以同時涵蓋多樣健身器材，處理這些器材使用者的訓練影像資訊。首先，對健身影片進行人體偵測，找出畫面中所有人物的位置。由於訓練器材的位置固定而人員則是隨意走動，利用物件交集(Intersection Over Union, IOU)方法，可以定位出正在使用健身器材的人物。對於這些訓練者，利用人體姿態估計方法記錄使用者的運動資訊，辨識划船、肩推、胸推、上斜胸推、腿部屈伸等五種不同的健身動作，並計算運動者在該器材的動作次數。除此之外，由於健身動作可能被其他移動的人員所遮蔽，造成健身動作辨識與計次的判斷出現錯誤，因此藉由多攝影機的協調建立補償機制，改善在多人環境中因為遮擋產生的辨識問題。本研究根據健身房的實際情形拍攝，未刻意安排訓練過程，使用者根據自身習慣自由的選擇訓練動作與次數。為了驗證補償機制是否改善遮擋產生的問題，會確保拍攝的每部影片中都有遮擋情形發生。最後設計三項實驗用以驗證偵測與辨識方法之效果。根據實驗結果，系統可以利用物件交集方式區分出不同人物的運動過程，在多人的環境中區分出運動與非運動之人員，並且辨識使用者訓練的動作與次數。在發生遮擋情況時，加入補償機制減少運動次數漏檢情形發生，補償後的次數回復率為52%，改善因為遮擋產生的辨識問題。Item 基於攝影機的自由重量訓練追蹤(2024) 林厚廷; Lin, Hou-Ting在運動中利用自我監控(Self-Monitoring)的機制，紀錄運動過程來量化運動成效，可以提供訓練者反饋同時增強訓練者對運動效果的信心。而重量訓練(Weight Training )是一種抵抗自身外部重量的阻力訓練，需要根據自身需求瞭解訓練目標，規劃訓練內容並執行。因此，在訓練過程中紀錄下訓練動作、重量、次數、組數和訓練/休息時間五項關鍵資訊，可以幫助訓練者評估訓練品質、衡量進步幅度以及追蹤長期訓練計畫。本研究利用電腦視覺技術，提出非接觸式的重量訓練追蹤方法。透過攝影機拍攝訓練者與訓練設備，將影像利用人體姿態估計結合物件偵測與影像分割技術，獲取人體動作與訓練設備的基礎資訊。接著，配合動作辨識模型，根據訓練者實際的自由重量訓練模式，自動追蹤動作、次數、組數、重量與訓練/休息時間五項重量訓練關鍵資訊。本研究共收集 17 位訓練者分別執行三個自由重量訓練動作的實際訓練影像，並由三個視角同時拍攝，實驗資料集共 153 部影片。針對追蹤方法進行驗證評估，內容包括五項紀錄項目。實驗結果顯示，在完整拍攝人體動作與訓練設備的多視角攝影條件下， 本研究提出的方法能準確追蹤 17 位訓練者於不同視角的訓練動作與執行組數，平均準確率可達 100% ; 此外，次數追蹤於各視角之平均F1-Score可達 0.98 ; 重量追蹤則於不同視角之準確率達 96% ; 訓練/休息時間追蹤能在 8 秒誤差容忍情況下，平均準確率達 100%， 2-6 秒誤差容忍情況下，各視角平均準確率為 93% 。綜合以上實驗結果支持所提出追蹤方法，能有效追蹤五項重量訓練內容並記錄。Item 基於攝影機的機械式器材訓練追蹤(2024) 廖育霆; Liao, Yu-Ting重量訓練是一種有效的健身方法，其能夠增強肌肉力量、提高新陳代謝和改善體態。而在每次訓練中記錄自己的運動過程與數據，能夠幫助個人規劃適當的訓練內容，提升運動效果，建立和維持健康的運動習慣。在真實健身房中，開放式環境使得主要器材周圍會有許多其他器材和非訓練者，用於自動追蹤的攝影機，擺放位置受到諸多限制，無法放置於走道或離器材太近的地方，並且移動的非訓練者會對拍攝的訓練過程產生遮擋，影響訓練追蹤的效果。本研究提出基於攝影機的單人機械式器材訓練追蹤方法，使用攝影機拍攝訓練者與訓練器材，透過人體姿態估計與物件偵測，獲得人體關鍵點與訓練器材的資訊，接著藉由獲得的資訊篩選出受到遮擋影響的關鍵點資訊進行過濾，再以KNN(k-Nearest Neighbor)插值法補償過濾掉的關鍵點，預測訓練者在遮擋時間的動作軌跡，根據補償過後的關鍵點資訊，推測出正確的動作次數。本研究設計兩種實驗，分別檢驗單攝影機及多攝影機下補償方法的成效，實驗影片由三個視角同時拍攝，收集6個訓練者分別進行肩推、胸推、腿推的多部訓練影像，共180部影片。實驗結果顯示，在單一攝影機條件下，補償後的次數估計準確度較補償前提升5.6%，在多攝影機條件下，補償後的平均準確率可達98.9%，重量追蹤在不同視角下，平均準確率可達94.6%，綜合以上實驗結果，說明本研究提出的補償方法可以減少環境對於自動追蹤的干擾，提升追蹤準確度。Item 小提琴姿勢變化即時偵測分析(2021) 胡雯; Hu, Wen小提琴的音色雖然優美，但對於初學者而言，一開始的學習是既枯燥又乏味的，拉奏出的琴音也十分不悅耳，需要長時間練習，才能慢慢掌握到正確的演奏姿勢。小提琴教師除了在課堂中教導音樂知識，也會即時糾正學生錯誤的姿勢。然而，初學者在自我練習時，若無老師或陪練員在身旁指教引導，大多無法做到接近標準的動作，更難意識到自己的錯誤，一旦習慣使用錯誤的姿勢練習，不僅對提升演奏技巧造成阻礙，也容易加大肌肉跟骨骼的傷害。本研究使用人體姿勢偵測方法進行小提琴姿勢正確度判定，使用攝影鏡頭拍攝記錄初學者練習時的狀態，以每秒30幀的取樣速率轉換成圖像，採用OpenPose開放式函式庫，在每張影像幀中擷取人體各部位的關節位置，偵測其人體骨架，同時計算人體關節角度，藉以判定小提琴拉奏姿勢，將這些資料進行滑動窗口的連續影像處理，系統結果呈現練習期間各種拉奏狀態出現的時間點，並依照狀態百分比給予評語。透過聲音回饋語音播放錯誤之姿勢，讓學生可以在練習時即時得知需要修正之處，練習結束後能通過紀錄了解自身的拉奏狀態。在課堂外的練習時間，使用自動化系統減輕家長陪練的負擔，也能隨時通過紀錄了解孩子的拉奏狀態，同時，導師可查看學員練習紀錄做分析與判斷，進而對學生的學習給予指導，進行長期的規劃和調整。