@article { author = {Mirmoini, Atiye and Khotanlou, Hassan and Pouramin, Vahid and Alighardash, Elham}, title = {Identifying the reliability of the skeletal joints and estimating the position ofmissed joints in the Kinect sensor data to improve the diagnosis of musculoskeletal disorders}, journal = {Journal of Machine Vision and Image Processing}, volume = {8}, number = {4}, pages = {99-110}, year = {2021}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {Applying Kinect sensorsare increasing in recent years due to low price and wide applications. This device can estimate the posture of the human body by utilization of skeletal data and without using any marker. Obstruction of the human body by other objects and rapid movement in front of the Kinect are the main problems in estimating the position of the joints. Two steps are considered in this study to solve the existing challenge.In the first step, a solution based on measurement models has been proposed to determine the reliability of joint position that extracted from Kinect, which is considered as an effective feature associated with the joint position in the Max-Margin classifier. Then, based on the reliability of each joint, a decision is made and the missing joints are identified. Finally, the joints are accredited using human body segmentation algorithms based on a deep learning network. The results show that selection of appropriate features in the first step to verify consecutive frames compared to existing approaches,has a significant improvement in the accuracy of the classification. The second phase also has a supreme impact on the accuracy of the methods that use the Kinect sensor skeletal data as input features by applying validation.}, keywords = {Kinect Sensor,Joint Position,Skeletal Data,Missed Joint,Max-margin Classifier}, title_fa = {تعیین درجه اعتبار مفاصل و تخمین موقعیت مفاصل از دست رفته در داده‌های اسکلتی سنسور کینکت برای بهبود تشخیص ناهنجاری‌های اسکلتی}, abstract_fa = {در سال‌های اخیر علاقه‌مندی به حسگرهای کینکت به دلیل قیمت پایین و کاربردهای گسترده‌ در حال افزایش است. این ابزار می‌تواند با بهره‌گیری از دادگان اسکلتی و بدون استفاده از نشانگرها، وضعیت استقرار بدن انسان را برآورد کند. مسدود شدن بدن انسان با دیگر اشیا و حرکت سریع مقابل کینکت از معضلات اساسی برآورد موقعیت مفاصل است. در این پژوهش دو گام برای حل چالش موجود در نظر گرفته شده است. نخست، راهکاری بر مبنای مدل‌های اندازه‌گیری جهت تعیین درجه‌ی اعتبار مفاصل استخراج شده از حسگر کینکت ارائه شده که به عنوان ویژگی اثرگذار به همراه موقعیت مفاصل در کلاس‌بند بیشینه-حاشیه در نظر گرفته شده است. در گام دوم براساس میزان اعتبار هریک از مفاصل، تصمیم‌گیری شده و مفاصل از دست رفته تشخیص داده می‌شوند. سپس با استفاده از الگوریتم‌های بخش‌بندی بدن انسان مبتنی بر شبکه یادگیری عمیق، اعتبار‌بخشی مفاصل صورت می‌گیرد. نتایج نشان می‌دهد انتخاب ویژگی‌های مناسب در گام اول جهت مقایسه فریم‌های متوالی نسبت به روش‌های موجود، بهبود قابل توجهی در دقت کلاس‌بند دارد. همچنین گام دوم نیز با اعمال اعتبار بخشی به دادگان تاثیر زیادی بر افزایش دقت روش‌هایی دارد که از دادگان اسکلتی حسگر کینکت به عنوان ویژگی‌های ورودی بهره می‌برند}, keywords_fa = {حسگر کینکت,موقعیت مفاصل,دادگان اسکلتی,سنجش اعتبار,مفاصل از دست رفته}, url = {https://jmvip.sinaweb.net/article_134017.html}, eprint = {https://jmvip.sinaweb.net/article_134017_7bd0676ee0835e6bd9bf8c58f8bb01f8.pdf} }