Hierarchical fast mean-shift segmentation in depth images
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86100011" target="_blank" >RIV/61989100:27240/16:86100011 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-319-48680-2_39" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-319-48680-2_39</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-48680-2_39" target="_blank" >10.1007/978-3-319-48680-2_39</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Hierarchical fast mean-shift segmentation in depth images
Popis výsledku v původním jazyce
Head position and head pose detection systems are very popular in recent times, especially with the rise of depth cameras like Microsoft Kinect and Intel RealSense. The goal is to recognize and segment a head in depth data. The systems could also detect the direction in which the head is pointing and we use these data to improve the gaze direction detection system and provide useful information to allow detectors to work properly. We present the Hierarchical Fast Blurring Mean Shift algorithm that is able to extract the data from depth images in real-time from above mentioned cameras. We also present some modifications for an effective reduction of the mean-shift dataset during the computation that allow us to increase the precision of the method. We use a hierarchical approach to reduce the dataset during the computation process and to improve the speed. (C) Springer International Publishing AG 2016.
Název v anglickém jazyce
Hierarchical fast mean-shift segmentation in depth images
Popis výsledku anglicky
Head position and head pose detection systems are very popular in recent times, especially with the rise of depth cameras like Microsoft Kinect and Intel RealSense. The goal is to recognize and segment a head in depth data. The systems could also detect the direction in which the head is pointing and we use these data to improve the gaze direction detection system and provide useful information to allow detectors to work properly. We present the Hierarchical Fast Blurring Mean Shift algorithm that is able to extract the data from depth images in real-time from above mentioned cameras. We also present some modifications for an effective reduction of the mean-shift dataset during the computation that allow us to increase the precision of the method. We use a hierarchical approach to reduce the dataset during the computation process and to improve the speed. (C) Springer International Publishing AG 2016.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Volume 10016
ISBN
978-3-319-48679-6
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
12
Strana od-do
441-452
Název nakladatele
Springer Verlag
Místo vydání
Cham
Místo konání akce
Lecce
Datum konání akce
24. 10. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—