Lucas Agudiez Roitman
Cet article propose une approche nouvelle et sans précédent pour intégrer les caractéristiques de mouvement dans la détection et la classification des sujets en mouvement dans un environnement statique. Plus précisément, les auteurs mesurent l'impact de l'utilisation de l'historique de trajectoire, de l'historique de rotation, de l'orientation des blobs, de la fréquence de mouvement dans les trois axes, de l'accélération du mouvement, des erreurs de segmentation et des scores de scintillement et comment ils peuvent influencer la classification des personnes, des animaux domestiques et d'autres objets en mouvement. Ils appliquent notre méthode aux données capturées par un capteur de caméra couleur et de profondeur combiné. Ils constatent que, bien que certains descripteurs de mouvement améliorent légèrement la précision, leur utilisation conjointe surpasse les approches précédentes dans la classification et le suivi de sujets en mouvement dans le monde réel en temps réel.