universidade de são paulo escola de engenharia de são carlos

UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
ESCÂNER 3D ANTROPOMÉTRICO DE BAIXO CUSTO
PARA ANÁLISE DE GORDURA CORPORAL
FERNANDO LUIZ COLA
São Carlos
2013
FERNANDO LUIZ COLA
ESCÂNER 3D ANTROPOMÉTRICO DE BAIXO CUSTO
PARA ANÁLISE DE GORDURA CORPORAL
Trabalho de Conclusão de Curso apresentado à
Escola de Engenharia de São Carlos, da
Universidade de São Paulo
Curso de Engenharia Elétrica com Ênfase em Eletrônica
Orientador: Prof. Dr. Alexandre Cláudio Botazzo Delbem
São Carlos
2013
AUTORIZO A REPRODUÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER
MEIO CONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO E PESQUISA, DESDE
QUE CITADA A FONTE.
Cola, Fernando Luiz
L683e
Escâner 3D antropométrico de baixo custo para análise de gordura corporal /
Fernando Luiz Cola; orientador Alexandre Cláudio Botazzo Delbem; coorientador
Mario Alexandre Gazziro. São Carlos, 2014.
Monografia (Graduação em Engenharia Elétrica com ênfase em Eletrônica) – Escola de
Engenharia de São Carlos da Universidade de São Paulo, 2014.
1. Escâner 3D. 2. Antropometria. 3. Gordura Corporal. 4. Computação Gráfica. 4.
Visão Computacional.
AGRADECIMENTOS
Agradeço em especial aos meus pais pelo carinho, apoio e educação. Pelos ensinamentos que
me ajudaram a moldar a minha personalidade. Pela confiança e esperança em me prover um futuro
digno. Agradeço a minhas irmãs que sempre estiveram do meu lado independentemente da situação.
Agradeço a toda minha família pelas pessoas maravilhosas que sempre estiveram presentes em minha
vida me apoiando e ensinando o sentido de união, carinho e compaixão.
Agradeço meus amigos de São Carlos que se tornaram minha segunda família ao decorrer da
minha graduação. Os dias seriam escuros e solitários sem a camaradagem, amizade e humor de todos
meus amigos.
Agradeço ao Prof. Dr. Mario Alexandre Gazziro pelo conhecimento, dedicação e a
oportunidade de trabalhar com um assunto muito interessante. Agradeço ao Prof. Dr. Alexandre
Cláudio Botazzo Delbem por ser meu orientador neste trabalho e por me prover suporte em meu
trabalho.
Agradeço a modelo Carine Felizardo por gentilmente ceder seu modelo 3D digital para o estudo
nessa monografia.
“If you're not prepared to be wrong, you'll never come up with anything original.”
Sir Ken Robinson
SUMÁRIO
1
2
3
Introdução ........................................................................................................................................ 1
1.1
Motivação ............................................................................................................................... 1
1.2
Objetivos ................................................................................................................................. 1
1.3
Organização do Trabalho ........................................................................................................ 2
Revisão Bibliográfica ...................................................................................................................... 3
2.1
Escâner 3D .............................................................................................................................. 3
2.1
Triangulação 3D e Luz Estruturada ........................................................................................ 4
2.2
Escâneres a laser no mercado.................................................................................................. 5
2.3
Características e Funcionamento do Kinect ............................................................................ 5
2.4
Frameworks para Aquisição e processamento de Nuvens de Pontos ..................................... 8
2.4.1
OpenNI ................................................................................................................................ 8
2.4.2
Microsoft Kinect SDK ......................................................................................................... 9
2.4.3
ReconstructME .................................................................................................................... 9
2.5
Tratamento de modelos 3D ................................................................................................... 10
2.6
Composição Corporal e métodos para avaliação da gordura corporal .................................. 10
2.6.1
Composição Corporal ....................................................................................................... 10
2.6.2
Métodos para avaliação do índice de gordura ................................................................... 11
2.7
Equação de Siri ..................................................................................................................... 14
2.8
Escâner 3D antropométrico ................................................................................................... 17
2.9
Protótipo AllBodyScan 3D .................................................................................................... 17
2.9.1
Descrição do sistema ......................................................................................................... 18
2.9.2
Controladores .................................................................................................................... 19
2.9.3
HUB .................................................................................................................................. 19
2.9.4
Motores de Passo .............................................................................................................. 20
2.9.5
Microsoft Kinect................................................................................................................ 20
2.9.6
Ferramentas Computacionais ............................................................................................ 20
Abordagem Antropométrica Baseada no AllBodyScan 3D ........................................................... 22
4
3.1
Aspectos de Hardware .......................................................................................................... 22
3.2
Aspecto de Software para Tratamento dos modelos 3D ....................................................... 25
3.2.1
Reconstrução de superfícies via Poisson........................................................................... 26
3.2.2
Cálculo do volume de um modelo 3D............................................................................... 27
Experimentos Realizados............................................................................................................... 28
4.1
Ajuste dos controladores e trajetórias do sensor ................................................................... 28
4.2
Reconstrução e cálculo do volume de um modelo 3D .......................................................... 30
4.3
Estudo de caso....................................................................................................................... 32
5
Conclusões ..................................................................................................................................... 37
6
Bibliografia .................................................................................................................................... 38
ÍNDICE DE FIGURAS
Figura 1 - Escaneamento da estátua de David, The Digital Michelangelo Project (1) e seu modelo
Digital (2)................................................................................................................................................ 3
Figura 2 - Ilustração do processo de triangulação de um padrão de luz estruturada [7]. .................... 4
Figura 3 - Tipos de sensores de profundidade presentes no mercado: (1) Asus Xtion Pro (2) Microsoft
Kinect. ..................................................................................................................................................... 5
Figura 4 - Padrão de luz estruturada emitida pelo Kinect [13]. ............................................................ 6
Figura 5 - Exemplo de nuvem de pontos representado por objeto 3D. .................................................. 7
Figura 6 - Modelo 3D representado por polígonos. ............................................................................... 7
Figura 7 - Abstração da plataforma OpenNI, ilustrando a arquitetura do sistema [10]. ...................... 8
Figura 8 - Reconhecimento de gestos faciais por aplicativo [15] que usa o Microsoft Kinect SDK...... 9
Figura 9 - Diversos tipos de modelos compartimentais do corpo humano [19]................................... 10
Figura 10 – Comparativo da porcentagem de gordura corporal entre homens e mulheres [20]. ....... 11
Figura 11 - Pesagem hidrostática [23] . ............................................................................................... 12
Figura 12 – DEXA [23] ........................................................................................................................ 12
Figura 13 - Dobras subcutâneas [23]. .................................................................................................. 13
Figura 14 - Bioimpedância elétrica [23]. ............................................................................................. 14
Figura 15 - Escâner 3D da empresa
utilizado para verificação do método de aquisição
antropométrica do índice de gordura [25]. .......................................................................................... 15
Figura 16 - Relação entre o volume adquirido pelo método de pesagem hidrostática e a aquisição a
laser. O gráfico mostra uma forte relação entre os dois métodos R² = 0,99 [24]. ............................... 16
Figura 17 – Protótipo desenvolvido por Gazziro [19], mostrando alguns de seus componentes. ...... 17
Figura 18 - Protótipo do escâner 3D antropométrico (AllBodyScan 3D) utilizado nesse trabalho. ... 18
Figura 19 - Controlador para motores de passo da Applied Motion. .................................................. 19
Figura 20 - HUB para comunicação entre vários controladores da Applied Motion. ......................... 20
Figura 21 – Mapeamento dos comandos SCL para motores de passos. .............................................. 22
Figura 22 - Diagrama para o envio de comandos de controle para os motores de passo. .................. 23
Figura 23 - Software para envio de comandos SCL para os motores de passo. .................................. 23
Figura 24 - Trajetória circular. ............................................................................................................ 24
Figura 25 - Trajetória helicoidal. ......................................................................................................... 25
Figura 26 - Ajuste dos parâmetros da reconstrução de superfícies de Poisson. .................................. 26
Figura 27 – Seleção do método de cálculo do volume de um modelo 3D no software MeshLab......... 28
Figura 28 – Exemplo de saída do MeshLab contendo o valor do volume do modelo 3D. ................... 28
Figura 29 - Comparação dos modelos 3D para diferentes trajetórias. ............................................... 30
Figura 30 - Malha bruta obtida pelo escâner; indicando a presença de pontos indesejados e erros na
aquisição. .............................................................................................................................................. 31
Figura 31 – Modelos sem os pontos indesejados mas com lacunas. .................................................... 32
Figura 32 - Modelo final após a aplicação da reconstrução de Poisson. Preenchimento de lacunas e
suavização do modelo. .......................................................................................................................... 32
Figura 33 - Modelo bruto obtido pelo escâner contendo pontos indesejados. ..................................... 33
Figura 34 - Modelo já sem pontos indesejados, mas ainda contendo lacunas. .................................... 34
Figura 35 - Modelo final, após a reconstrução de Poisson. ................................................................. 34
Figura 36 - Resultado do programa MeshLab para a modelo. ............................................................ 35
Figura 37 – Interface gráfica do programa gerenciador do AllBodyScan 3D mostrando o laudo...... 35
Figura 38 - Comparação do modelo digital e a miniatura impressa da modelo Carine Felizardo. .... 36
ÍNDICE DE TABELAS
TABELA 1 - parâmetros dos motores de passo da Digitech, destacando o modelo utilizado no
AllBodyScan 3D. ................................................................................................................................... 20
TABELA 2 - Variação dos parâmetros de Poisson para os modelos da figura 26. .............................. 27
TABELA 3 - Valores dos parâmetros do método de Poisson ajustados para o Allbodyscan 3D. ........ 31
TABELA 4 - Dados da modelo. ............................................................................................................. 33
LISTA DE SIGLAS
SDK – Software Development Kit
OMS – Organização Mundial de Saúde
DEXA – Dual-Energy X-ray Absorptiometry
CAD – Computer Aided Design
VCD – Visual Computer Graphics library
RESUMO
COLA, F. L. Escâner 3D antropométrico de baixo custo para análise de gordura corporal,
2013. Monografia (Graduação) – Escola de Engenharia de São Carlos, Universidade de São Paulo,
São Carlos, 2013.
Este trabalho propõe aprimoramentos tanto no hardware quanto no software do escâner 3D
antropométrico AllBodyScan 3D. Para isso foi feito uma avaliação de trajetórias de rotação do
equipamento buscando obter modelos digitais com alta qualidade. Além disso, foi investigado o uso
do método de Poisson de reconstrução de superfícies nos modelos digitalizados por este escâner
buscando aumentar a qualidade do modelo por meio de correções de alto nível de software. Compõe
também este trabalho o entendimento das técnicas, a descrição delas, a escolha das técnicas mais
adequadas para certas finalidades e o ajuste de parâmetros correspondente. Todos esses aspectos
investigados buscam tornar possível a concepção de um escâner 3D para aquisição de dados
antropométricos. Resultados experimentais mostram que é possível gerar modelos digitalizados com
qualidade adequada, isto é, que possibilitam o cálculo de volumes corporais precisos e suficientes
para se obter estimativa coerente do índice de gordura corporal.
Palavras-chave: Escâneres 3D, Antropometria, Índice de gordura corporal, Computação
Gráfica, Visão Computacional.
ABSTRACT
COLA, F. L. Low cost anthropometric 3D scanner for body fat analysis, 2013. Thesis
(Undergraduate) – Escola de Engenharia de São Carlos, Universidade de São Carlos, São Paulo, 2013.
This thesis proposes improvements both in hardware and in software of the anthropometric 3D
scanner AllBodyScan 3D. In this sense, a review of the rotational trajectories of the equipment was
done seeking to obtain high quality models. Furthermore, the use of the Poisson method for surfaces
reconstruction was investigated in order to increase the quality of the models through a high-level
corrections. The scope of this work also includes the understanding, description and choices of the
suited techniques. All these aspects seek to improve de viability of 3D scanner for anthropometrics
purposes. Experimental results show that it is possible to generate digital models with appropriate
quality that enable the calculation, of its volume for estimating body fat index.
Keywords: 3D Scanner, Anthropometry, Body Fat, Computer Graphics, Computer Vision.
1
INTRODUÇÃO
O escâner antropométrico All BodyScan 3D [1], utilizado nesse trabalho, é um equipamento que
gera representações digitais 3D da superfície de pessoas para analisar medidas e índices corporais.
Neste trabalho é feito o aprimoramento do hardware e software desse equipamento para a obtenção de
malhas de pontos gerados. Além disso, foi desenvolvido o pós-processamento desses dados para
utilização em aplicativos que estimam o índice de gordura corporal. A motivação para tal
desenvolvimento baseia-se na relevância social que o mesmo produz possibilitando o controle da
obesidade na sociedade em virtude dos aspectos negativos dessa doença, conforme sintetiza a Seção
1.1.
1.1
MOTIVAÇÃO
A obesidade é uma preocupação da OMS (Organização Mundial de Saúde)
[2], isso se deve
basicamente aos seguintes fatores:

A obesidade mundial quase dobrou desde 1980;

Em 2008, mais que 1,4 bilhões de adultos com 20 anos ou mais foram identificados com
sobrepeso. Destes, 200 milhões de homens e quase 300 milhões de mulheres são obesos;

Mais de 40 milhões de crianças abaixo de cinco anos estavam com sobrepeso em 2011;

Em 2009, uma em cada três crianças brasileiras de 5 a 9 anos estavam acima do peso
recomendado pela OMS [3];

É possível prevenir a obesidade.
Atualmente é utilizado para a obtenção do índice de gordura corporal métodos como pesagem
hidrostática[23], Dual-Energy X-Ray Absorptiometry (DEXA) [23], dobras subcutâneas[23],
e
bioimpedância elétrica[23]. O método da pesagem hidrostática é um método de referência e tem sido
utilizado como padrão ouro para obter o índice de gordura corporal. O escâner 3D apresentado nesse
trabalho assemelha-se em aspecto ao método de pesagem hidrostática, pois utiliza o mesmo princípio
para calcular o índice de gordura corporal. Dessa forma, o escâner 3D tem o potencial de trazer
resultados compatíveis com um método que é aceito e bem estabelecido no meio acadêmico.
1.2
OBJETIVOS
1
Neste trabalho foi feito o aprimoramento do hardware e software do escâner antropométrico
AllBodyScan 3D desenvolvido com a colaboração de pesquisadores do Instituto de Ciências
Matemáticas e Computação – ICMC do campus de São Carlos da Universidade de São Paulo. Esse
trabalho busca resolver aspectos desse equipamento para viabilização desse escâner para estimativa de
índice de gordura corporal. Dois aspectos foram o foco deste trabalho:
1)No aspecto de hardware, foi feito o controle dos motores de passo do escâner utilizando
controladores de motores de passo e também foram testadas trajetórias de deslocamento do sensor de
profundidade com a finalidade com finalidade de obter melhores amostras de malhas 3D digitalizadas;
2) No aspecto de software, foi elaborado um protocolo para corrigir lacunas na superfície de
modelos 3D obtidos pelo escâner;
3)Faz parte desse trabalho também a definição, a implementação e a descrição do procedimento
para calcular o volume de um modelo e estimar o índice de gordura corporal com base no volume.
1.3
ORGANIZAÇÃO DO TRABALHO
Esse trabalho é divido da seguinte forma:
Capitulo 1 – Introdução “ contextualização do problema e abordagem do trabalho”;
Capitulo 2 – Revisão Bibliográfica “descrição das tecnologias utilizadas nesse trabalho e dos
fundamentos de composição corporal e os atuais métodos utilizados na sua avaliação”;
Capitulo 3 – Abordagem Antropométrica Baseada no AllBodyScan 3D;
Capitulo 4 – Experimentos Realizados;
Capitulo 5 – Conclusões.
2
2
REVISÃO BIBLIOGRÁFICA
2.1
ESCÂNER 3D
Há vários dispositivos que podem ser chamados de escâneres 3D. Qualquer dispositivo capaz
medir o mundo físico utilizando lasers, luzes, raio-x ou até mesmo contato físico e que seja capaz de
produzir uma nuvem de pontos ou uma malha poligonal pode ser considerado um escâner 3D. O
elemento comum entre esses dispositivos é que todos são capazes de capturar a geometria de objetos
físicos com certa qualidade. Algumas das possibilidades de aplicação de escâneres 3D são:

Criar desenhos CAD (Computer Aided Design) de peças e produtos existentes – Engenharia
Reversa;

Criar modelos digitais precisos de objetos reais para sua utilização na indústria
cinematográfica e na indústria de jogos digitais;

Avaliação de estruturas;

Construção de modelos digitais de obras de arte como a Figura 1 [4];

Estimativa de índices antropométricos para aplicações médicas;
(1)
(2)
Figura 1 - Escaneamento da estátua de David, The Digital Michelangelo Project (1) e seu modelo
Digital (2).
3
Existe atualmente uma variedade de sensores que podem ser usados para construir um escâner
3D como câmeras time-of-flight ou sensores de contato como os coordinate measuring machines [5].
As diversas abordagens basicamente diferenciam-se segundo os princípios de aquisição de imagens.
Também deve ser considerada a qualidade dos modelos necessária para cada aplicação.
2.1
TRIANGULAÇÃO 3D E LUZ ESTRUTURADA
Escâneres a laser utilizam o conceito de triangulação 3D para amostrar cada ponto de luz
projetado no objeto a ser medido. Quando a luz é emitida em um objeto, um sensor recebe a luz do
laser refletida do objeto e utiliza o princípio de triangulação para calcular a distância do objeto ao
escâner. A distância entre a origem do laser e o sensor é conhecida precisamente, assim como o
ângulo entre o sensor e o laser. Pela reflexão da luz do laser no objeto o sistema consegue discernir
em qual ângulo o objeto está do sensor e, como consequência, a distância entre a origem do sensor e a
superfície do objeto.
A luz emitida pelo sistema geralmente não é apenas um ponto de luz, mas sim um padrão. Esse
padrão se caracteriza por uma espécie de código representado por vários pontos de luz. Isso é
importante para que o sensor do escâner possa discernir qual luz é realmente aquela projetada pelo
escâner [6]. A Figura 2 ilustra um sistema de um escâner 3D, o objeto representado em amarelo é
emissor de laser e o sensor é o objeto em cinza. O emissor projeta um padrão de luz estruturada
codificada em três diferentes cores: vermelho, verde e azul. Para calcular a distância R entre o ponto P
e o sensor, o sistema precisa utilizar a relação trigonométrica descrita na Equação 1.
Figura 2 - Ilustração do processo de triangulação de um padrão de luz estruturada [7].
,
(1)
em que a distância B entre o sensor e emissor de luz, o ângulo do emissor θ e o ângulo do sensor α. O
valor da distância B é precisamente conhecido pelo sistema assim como os ângulos θ e α.
4
2.2
ESCÂNERES A LASER NO MERCADO
O sensor Kinect e Xtion Pro são escâneres a laser que implementam os processos descritos na
Seção 1. O sensor Kinect foi introduzido no mercado pela Microsoft Corporation em novembro de
2010 como um dispositivo de entrada para o console XBOX 360. O dispositivo obteve o recorde
mundial do Guinness de “dispositivo eletrônico de consumo com maior quantidade de vendas em um
período de tempo”, vendendo oito milhões de unidades nos primeiros 60 dias de mercado [8]. Esse
fato pode ser explicado por sua relação custo-benefício interessante, promovida pela alta demanda da
utilização em jogos eletrônicos.
A sociedade de visão computacional logo percebeu que a tecnologia do sensor de profundidade
do Kinect poderia ser uma solução barata para aplicações que envolvessem as tradicionais câmeras 3D
(como as câmeras time-of-flight). Em junho de 2011, a Microsoft publicou o seu primeiro SDK
(Software Development Kit) para o Kinect, possibilitando o seu uso para o desenvolvimento de
aplicativos não comerciais que utilizem as funcionalidades do dispositivo [9].
A tecnologia por traz do sensor Kinect foi originalmente desenvolvida pela companhia
PrimeSense que publicou seu próprio SDK para Kinect como parte do projeto opensource OpenNI
[10]. Este projeto buscou desenvolver um SDK que, além de suportar o Kinect, pudesse trabalhar com
sensores concorrentes com o Kinect, como o Xtion Pro da ASUS [11]. A Figura 3 mostra uma imagem
do Xtion Pro e do Microsoft Kinect.
(1)
(2)
Figura 3 - Tipos de sensores de profundidade presentes no mercado: (1) Asus Xtion Pro (2) Microsoft
Kinect.
2.3
CARACTERÍSTICAS E FUNCIONAMENTO DO KINECT
5
O princípio básico de funcionamento do sensor de profundidade do Kinect é baseado na
emissão infravermelho de um padrão (Figura 4) e a simultânea captura do infravermelho refletido
pelo objeto por um sensor CMOS tradicional que está sintonizado por filtro passa banda na faixa de
infravermelho [12]. O Kinect possui o circuito integrado S1080 SoC da PrimeSense. A entrada do
processador é um conjunto de posições (capturadas pelo sensor) relativas a um padrão emitido pelo
Kinect. Com base nessas informações, o processador calcula a profundidade cada posição de pixels da
imagem (Figura 5). O valor de profundidade é à distância do objeto até o plano em que o sistema
câmera-laser ao invés da distância até o próprio sensor. Na prática, um sensor de profundidade pode
ser visto como um dispositivo que retorna a posição (x,y,z) de um objeto 3D [13].
Figura 4 - Padrão de luz estruturada emitida pelo Kinect [13].
O conjunto dessas posições é à saída do Kinect, que é chamada de nuvem de pontos. Escâneres
3D produzem em geral uma grande quantidade de pontos. Uma nuvem de pontos pode ser vista na
Figura 5. Cada ponto em um espaço 3D também é chamado de vértice. Aos vértices, em geral, são
atribuídos conexões, ligando cada vértice de tal forma que diversos polígonos são gerados [14]. Com
isso, forma-se uma rede de larga-escala, também chamada de malha, uma vez que esta representa
superfícies do objeto 3D.
6
Figura 5 - Exemplo de nuvem de pontos representado por objeto 3D.
Em malhas de objetos 3D em geral são somente consideradas as conexões locais. Para isso, em
geral é utilizada uma representação por polígonos. É utilizada uma representação por uma malha
poligonal é um conjunto de polígonos interligados (Figura 6). Em geral, triângulos são usados por
simplicidade e generalidade. Cada polígono é descrito pelas coordenadas 3D dos seus vértices. Uma
característica dessa representação são superfícies com aspectos poliédricos com aparência não
orgânica. Para resolver essa limitação, têm sido utilizadas técnicas de alisamento (smoothing) ou
interpolação [14]. É importante observar que tanto a representação em malha poligonal quanto a sua
suavização são processos realizados por programas independentes do equipamento de aquisição de
nuvem de pontos, no caso o Kinect.
Figura 6 - Modelo 3D representado por polígonos.
7
2.4
FRAMEWORKS PARA AQUISIÇÃO E PROCESSAMENTO DE NUVENS DE PONTOS
Existem vários softwares e frameworks que controlam a aquisição, processam e dispõem a os
dados adquiridos. Todas as ferramentas apresentadas nesta Seção possibilitam lidar com o Kinect,
embora não estejam a princípio restritas ao uso com esse equipamento. A Seção 2.6.1 apresenta o
OpenNI, a Seção 2.6.2 o Microsoft Kinect SDK e a Seção 2.6.3 o RecontructMe.
2.4.1 OPENNI
O OpenNI (Open Natural Interface) é um projeto opensource que busca desenvolver uma
plataforma abrangente que consegue lidar com vários tipos de sensores de profundidades, dentre eles
o Kinect ou Xtion Pro. Essa plataforma contêm ferramentas e algoritmos de visão computacional que
são úteis para o desenvolvimento de aplicações.
Figura 7 - Abstração da plataforma OpenNI, ilustrando a arquitetura do sistema [10].
O OpenNI realiza o papel de um intermediário ente a linguagem de baixo nível do dispositivo
físico e as aplicações de alto nível que o usuário deseja desenvolver. Por meio de abstrações de
hardware e um conjunto de instruções de alto nível (Figura 7), é possível obter os dados do sensor.
Dessa forma, não é necessário que o programador conheça os requisitos de baixo nível do sensor,
possibilitando que o desenvolvedor ganhe maior liberdade para produzir softwares de alta
complexidade. O OpenNI tem sido utilizada com um sensor de profundidade seja utilizado em
aplicativos que reconhecem gestos naturais dos usuários, como a movimentação das mãos ou dos
dedos[10].
8
2.4.2 MICROSOFT KINECT SDK
Esse SDK é exclusivo para Microsoft Kinect, suportando tanto para o Kinect do Xbox quanto do
Kinect para Windows. Suas ferramentas estão mais focadas no desenvolvimento de aplicativos de
reconhecimento de gestos, movimentos ou de fala (Figura 8). Esta framework tem sido usado
principalmente para o desenvolvimento de aplicações educacionais [15] apesar de existir aplicativos
comercias[15].
Figura 8 - Reconhecimento de gestos faciais por aplicativo [15] que usa o Microsoft Kinect SDK.
2.4.3 RECONSTRUCTME
O software comercial ReconstructMe foi desenvolvido pela empresa Austríaca PROFACTOR
GmbH. Ele tem sido mais utilizado com o Kinect, mas é possível utilizá-lo com o sensor Xtion Pro . O
software transforma uma nuvem de pontos em informações sobre o ambiente. A reconstrução do
modelo ocorre em tempo real [16].
Assim como o OpenNI, o RecontructMe é uma API que encapsula comandos de mais baixo
nível do Kinect. Além disso, essa API contém conjuntos de métodos e algoritmos especiais para
transformar as informações obtidas pelo sensor em informações espaciais. O ReconstructMe suporta
outros dispositivos além do Kinect.
Este programa suporta também a função denominada Multiscan, que possibilita seu uso com
vários sensores sobre um mesmo volume, aumentando assim a velocidade de digitalização e a
aumentando também a área coberta pelo escâner. No projeto aqui apresentado, o processo de
Multiscan foi investigado, mas foi encontrado dificuldades em relação a sincronismo e interferências
entre os dispositivos.
Foi escolhido o ReconstructMe para o uso nesse projeto, pois este apresenta mais recursos
voltados para reconstrução de um volume 3D. O OpenNI e o Microsoft Kinect SDK são ferramentas
que, como é explicado na Seção 2.4.2 e Seção 2.4.1, são ajustadas para o desenvolvimento de
9
aplicativos de reconhecimento de gestão e processamento visual. O RecontructMe foi o identificado
como o mais fácil de ser ajustado para o processo de reconstrução 3D.
2.5
TRATAMENTO DE MODELOS 3D
O Meshlab é um software de código livre que é portável e pode ser estendido para outros
programas. Seu funcionamento foca na manipulação, edição e tratamento de malhas triangulares 3D
[17]. O sistema se baseia na biblioteca VCG (Visualization and Computer Graphics) Library que é
conhecido por oferecer várias funcionalidades do estado da arte para o processamento de malhas
tridimensionais [18]. É com essa biblioteca que possível aplicar complexos métodos de tratamento 3D
para os modelos gerados no sistema estudado neste trabalho, pois os modelos 3D gerados pelo
hardware digitalizador possuem ruídos do processo de captura. Além disso, é necessário suavizar e
realizar operação de cálculo do volume sobre os modelos 3D.
2.6
COMPOSIÇÃO CORPORAL E MÉTODOS PARA AVALIAÇÃO DA GORDURA CORPORAL
Apresenta-se nessa secção uma breve explicação sobre os modelos de composição corporal.
Além disso, se analisam os diversos métodos existentes para avaliação do índice de gordura corporal.
2.6.1 COMPOSIÇÃO CORPORAL
É possível extrair vários dados antropométricos de uma pessoa tais como as circunferências e
comprimento de várias partes do corpo. Esses valores são obtidos nos diferentes modelos de
composição corporal. O modelo que é utilizado nesse trabalho é o básico de dois compartimentos, que
é mostrado na Figura 9. Este divide o corpo humano em duas estruturas: Massa de gorda e Massa
magra. Pode-se dizer que a massa de gorda representa a quantidade de gordura corporal e a massa
magra o tecido não adiposo.
Figura 9 - Diversos tipos de modelos compartimentais do corpo humano [19].
10
Para determinar o índice de corporal de um indivíduo é necessário considerar vários fatores
como o biótipo, sexo e idade. A Figura 10 apresenta uma aproximação das diferenças entre os índices
de gordura corporal entre homens e mulheres. Segundo [21], o índice considerado saudável para
homens abaixo de 40 anos varia entre 15% a 20% e para mulheres com menos de 40 anos entre 20% e
25%.
Figura 10 – Comparativo da porcentagem de gordura corporal entre homens e mulheres [20].
2.6.2 MÉTODOS PARA AVALIAÇÃO DO ÍNDICE DE GORDURA
Para estimar a quantidade de gordura corporal há dois métodos básicos; os métodos diretos e
métodos indiretos. Um método direto é aquele que é possível mesurar diretamente o valor da massa
magra e massa gordurosa. Isso somente é possível pela dissecação de cadáveres. Um método indireto
é aquele que mesura de maneira indireta o valor da massa magra e gordurosa. No intuito de estimar o
a quantidade de gordura corpórea indiretamente, há atualmente diversos métodos como a pesagem
hidrostática[23], dual-energy x-ray absorptiometry (DEXA) [23], dobras subcutâneas[23] e a
bioimpedância elétrica [23]. Segue abaixo uma breve descrição de cada um desses métodos:

Pesagem Hidrostática
Neste método o paciente é imerso em tanque de água (Figura 11) e o volume de água deslocado
é o valor de seu volume corporal. Com o valor do volume corporal e com o peso da pessoa, é possível
calcular o valor da densidade corporal do paciente e, posteriormente, utilizando a equação de Siri
[22], calcular o índice de gordura corporal. Este método tem sido considerado o padrão de referência
para calcular com precisão o volume corporal. A desvantagem desse método é que o exame deve ser
realizado em uma piscina e o paciente deve ser imerso totalmente na água e isso pode ser
problemático para pessoas idosas ou com problemas de saúde.
11
Figura 11 - Pesagem hidrostática [23] .

Dual-Energy X-Ray Absorptiometry (DEXA)
DEXA, Figura 12, é reconhecido principalmente por sua aplicação na avaliação de
densitometria óssea. Ele é baseado no modelo de três compartimentos do corpo humano dividindo a
composição corporal em massa óssea, massa magra e massa gordurosa. Essa técnica considera que a
composição mineral óssea é proporcional a quantidade de energia fotônica absorvida no tecido ósseo
avaliado. DEXA é considerado um dos mais precisos métodos de avaliação corporal, pois mostra
exatamente onde está localizada a gordura ao mapear todo o corpo. Os resultados desse método são
significantemente replicáveis, pois a cada exame obtêm resultados próximos para um mesmo
paciente. A desvantagem desse método é a pouca acuidade na medição de pacientes extremamente
obesos e o custo total do equipamento ser relativamente alto.
Figura 12 – DEXA [23] .
12

Dobras Subcutâneas
O método de dobras subcutâneas, Figura 13, utiliza equações de regressão para predição da
gordura corporal. São medidas diversas pregas cutâneas em vários pontos do corpo do paciente. A
precisão desse método depende se as equações utilizadas são específicas para indivíduos semelhantes
de uma determinada população e também da habilidade do avaliador no momento da aquisição das
pregas.
Figura 13 - Dobras subcutâneas [23].

Bioimpedância Elétrica
O princípio do método da bioimpedância, Figura 14, se base na diferença de impedância entre
os tecidos biológicos. A massa magra conduz a eletricidade mais facilmente por possuir um conteúdo
de água e eletrólitos maior que a massa gorda oferece maior resistência por apresentar um baixo nível
de hidratação. Desta forma, a corrente elétrica percorre com maior facilidade a massa magra do que a
massa gorda. Um equipamento sensível suficientemente para observar a diferença de resistência entre
os tecidos é utilizado para estimar o valor da gordura corporal. A vantagem desse método é facilidade
de executar o exame, não havendo a necessidade de um avaliador com alto grau de habilidade para
administrar o equipamento. A desvantagem é que vários fatores como hormônios e a concentração de
fluidos corporais no momento da avaliação pode levar a diferenças significativas na avaliação do
exame.
13
Figura 14 - Bioimpedância elétrica [23].
2.7
EQUAÇÃO DE SIRI
A equação apresentada no trabalho de Siri [22] utiliza o apenas o modelo de dois
compartimentos (Seção 2.6.1) para representar a composição corporal. Existem também outras
variações desta equação que consideram a idade e o sexo da pessoa. A vantagem de utilizar essa
formula é a simplicidade, pois para o cálculo da porcentagem da gordura corporal, utiliza-se apenas o
valor da densidade corporal. Esta equação considera que o corpo humano é composto por massa
gordurosa e massa magra. No trabalho de Siri, há uma aproximação empírica para a densidade da
massa magra e massa gordurosa. Para massa magra, sua densidade é 1.10g/cm³ e para massa
gordurosa 0.9g/cm³. Supondo esses dois valore, pode-se deduzir a equação de Siri a partir da
definição da formula clássica da densidade (Equação 2):
;
(2)
Em que m é a massa; v é o volume e D é a densidade corporal total, tem-se que:
;
Como
e
(
)
(
)
;
;
(3)
(4)
(5)
³, então:
14
(
)
;
(6)
Do modelo de dois compartimentos para a composição corporal;
;
(7)
Então:
(
)
;(8)
Manipulando matematicamente, chega-se a seguinte equação:
;
Em que
(9)
, isto é, a porcentagem de gordura corporal.
Com o intuito corroborar a exatidão do volume obtido por um método de escaneamento 3D
com o método da pesagem hidrostática, Peper, M. Resse et al [24] em seu trabalho realizam uma
comparação com o volume obtido por um escâner 3D e o volume obtido pela pesagem hidrostática. O
escâner utilizado neste trabalho foi o produzido pela empresa
Figura 15 - Escâner 3D da empresa
, Figura 15.
utilizado para verificação do método de aquisição
antropométrica do índice de gordura [25].
15
A Figura 16 mostra a forte relação entre o volume obtido pelo escâner e pela pesagem
hidrostática. Desta forma é justificável utilizar a equação de Siri para calcular a porcentagem de
gordura corporal, pois o cálculo da massa gordurosa é o mesmo para os dois métodos.
Figura 16 - Relação entre o volume adquirido pelo método de pesagem hidrostática e a aquisição a
laser. O gráfico mostra uma forte relação entre os dois métodos R² = 0,99 [24].
16
2.8
ESCÂNER 3D ANTROPOMÉTRICO
O desenvolvimento de um escâner 3D antropométrico para avaliar o índice de gordura corporal
e também para outras aplicações médicas é descrito no trabalho de Gazziro [19]. Em seu projeto
inicial a aquisição das nuvens de pontos era efetuada por meio de câmeras de vídeo do tipo VGA e um
laser como gerador de linha e o sensoriamento era efetuado por módulos de aquisição (Figura 17).
Para deslocar o laser na extensão vertical, o sistema utiliza motores de passos controlados por um
módulo de controle. Este escâner utiliza a técnica de triangulação para obter as nuvens de pontos. Na
base do sistema, está uma balança de precisão que faz a aquisição do peso.
Figura 17 – Protótipo desenvolvido por Gazziro [19], mostrando alguns de seus componentes.
2.9
PROTÓTIPO ALLBODYS CAN 3D
Com visto anteriormente, a utilização do sensor Kinect como escâner 3D é um solução
relativamente simples, viável e capaz de gerar modelos digitais. Além disso, o fato de que este sensor
é facilmente encontrado no mercado e o crescente desenvolvimento de frameworks e softwares para a
manipulação dos dados do Kinect o tornam um dispositivo interessante para aplicações
antropométricas. O sistema de escâner antropométrico AllBodyScan 3D, desenvolvido pelo Instituto
de Ciências Matemáticas e Computação – ICMC do campus de São Carlos da Universidade de São
Paulo sob a coordenação do prof. Doutor Mario Alexandre Gazziro e cooperação do prof. Alexandre
17
Cláudio Botazzo Delbem. As Seções 2.9.1 apresenta os componentes do sistema e as Seções 2.9.2 a
2.9.7 descrevem cada um dos componentes.
2.9.1 DESCRIÇÃO DO SISTEMA
Nesta seção é descrita os componentes e também os softwares utilizados no sistema
AllBodyScan 3D. Com os objetivos de reconstrução digital do corpo inteiro de uma pessoa e também
de realizar todo o procedimento de forma automática e rápida, o escâner foi projetado conforme
sintetiza a Figura 18. A parte circular contém um trilho pelo qual percorre uma haste vertical
(chamada de totem). O totem possui um trilho no qual corre o sensor Kinect. No centro do trilho
circular fica a pessoa de quem será feito o escaneamento.
Figura 18 - Protótipo do escâner 3D antropométrico (AllBodyScan 3D) utilizado nesse trabalho.
Um trilho permite que um poste, que contém o sensor Kinect gire em torno da pessoa. O
deslocamento do poste no trilho é efetuado por um motor de passo e os extremos do trilho são
monitorados por sensores capacitivos. Também está presente nos extremos uma chave mecânica de
segurança que é acionada fisicamente caso o sensor capacitivo falhe. O acionamento da chave desliga
forçadamente a alimentação de energia do sistema.
No poste está presente o sensor Kinect, este sensor está ligado ao sistema que possibilita seu
movimento vertical. O deslocamento é executado por um motor de passo. Nos extremos do poste há
sensores capacitivos para restringir o movimento do motor de passo.
18
Tanto o motor de passo da trilha quanto o do poste são controlados por um módulo de potência.
Este módulo é conectado a um computador que envia comandos para o controlador presente no
módulo. O mesmo computador que controla os motores de passo é encarregado de receber os dados
do sensor Kinect.
2.9.2 CONTROLADORES
Para gerenciar o funcionamento dos motores de passo, a utilização de controladores ST10-Plus
da Applied Motion (Figura 19) é uma solução que facilita o acesso do usuário com os motores. Estes
controladores são úteis tanto para usuário com pouco conhecimento de hardware quanto para usuário
avançados, pois os seus comandos são simples, mas possuem a opção de acesso total aos motores.
Não é necessário controlar, por exemplo, a aceleração dos motores. Isso é executado internamente no
controlador e é somente requisitado do usuário qual é a velocidade final desejada.
Figura 19 - Controlador para motores de passo da Applied Motion.
O controlador se comunica diretamente a um computador ou via um HUB da própria empresa.
É enviado ao controlador um código na linguagem Serial Command Language (SCL). Essa linguagem
consiste em códigos compostos por caracteres ASCII. O envio do código do controlador pode ser feito
por um programa escrito em qualquer linguagem que conhece o código SCL ou através do software do
próprio controlador.
2.9.3
HUB
A comunicação com computador e os controladores de cada motor é realizada no AllBodyScan
3D pelo Hub444 da Applied Motion (Figura 20). Ele é responsável em decodificar a informação
provinda da porta serial e endereçar a informação correta para cada controlador. A utilização desse
componente é interessante, pois a comunicação é feita com os dois controladores com apenas uma
porta serial.
19
Figura 20 - HUB para comunicação entre vários controladores da Applied Motion.
2.9.4 MOTORES DE PASSO
Tanto o motor de passo para rotação do poste quanto o motor para o deslocamento do Kinect
são do modelo KTC-HT23-400 da Digitech Automação Industrial. Porém, o motor de passo para a
rotação tem a capacidade de 2,0A e o para o descolamento vertical é de 1,0A. Na Tabela 1 são
indicadas as características desses motores.
TABELA 1 - parâmetros dos motores de passo da Digitech, destacando o modelo utilizado no
AllBodyScan 3D.
2.9.5 MICROSOFT KINECT
O Microsoft Kinect (Seção 2.3) o componente utilizado como câmera de profundidade para a
aquisição de dados no sistema AllBodyScan. É utilizado o software ReconstructME para coletar e
armazenar as nuvens de pontos geradas pelo escâner conforme apresentado na Seção 2.4.3.
2.9.6 FERRAMENTAS COMPUTACIONAIS
Para construção do modelo 3D utiliza-se software ReconstructME com instruções customizadas
para atender a aplicação em questão.
20
O Applied Motion Si Programmer é a interface de programação utilizada para enviar comandos
codificados no padrão SCL aos controladores dos motores de passo. Essa interface é fornecida
gratuitamente no site da Applied Motion.
Para o tratamento e também manipulação do modelo digital produzido pelo ReconstructMe
utiliza-se o software MeshLab. Neste software é possível aplicar métodos para aprimorar a malha
bruta e também para calcular dimensões do modelo digital.
Para calcular o índice de gordura de um modelo antropométrico obtido pelo escâner, há um
software elaborado pelo sistema AllBodyScan 3D que recebe as informações de volume e peso de um
paciente e calcula, automaticamente, o índice de gordura [1]. Este software foi desenvolvido na
linguagem Python durante a realização deste trabalho de conclusão de curso.
21
3
ABORDAGEM ANTROPOMÉTRICA BASEADA NO ALLBODYSCAN 3D
Essa Seção está dividida em aspectos de hardware e de software. Na Seção sobre hardware
aborda-se como foi feito o desenvolvimento do trabalho para controlar os motores de passo do sistema
e também como estipular uma trajetória que possibilitasse conseguir modelos digitais no sistema
AllBodyScan 3D adequados para se fazer estimativas antropométricas. Na Seção sobre software
descreve-se como tratar os modelos digitais produzidos pelo escâner a fim de favorecer a obtenção
dos melhores resultados possíveis em cálculos posteriores. Também se apresenta um protocolo para
calcular o volume de um modelo 3D por meio do software MeshLab.
3.1
ASPECTOS DE HARDWARE
Como foi na Seção 2.9.4, o sistema do escâner AllBodyScan 3D é constituído por dois motores
de passos que deslocam o totem na horizontal e sensor na vertical. Para controlar a velocidade,
aceleração e corrente elétrica de cada motor é utilizado controladores da controladores ST10-Plus da
Applied Motion. Para isso é preciso enviar via uma porta serial comandos codificados no padrão SCL.
Os comandos de código podem ser vistos na Figura 21. Por simplicidade, o software ST Configurator
também da Applied Motion (Figura 23) foi utilizado para facilmente configurar os valores de
velocidade, aceleração, torque e corrente no motor. Dessa forma, não é necessário que o operador do
sistema conheça os comandos específicos do em SCL. Outra vantagem do uso do ST Configurator é
seu suporte ao endereçamento requerido pelo HUB, pois nesse software é possível escolher para qual
dos controladores serão enviadas as configurações.
Figura 21 – Mapeamento dos comandos SCL para motores de passos.
22
A rotina de envio de comandos para os motores de passo é a exemplificada na figura 22.
Figura 22 - Diagrama para o envio de comandos de controle para os motores de passo.
Figura 23 - Software para envio de comandos SCL para os motores de passo.
23
Outro aspecto importante do AllBodyScan 3D que depende de seu hardware é o ajuste das
trajetórias dos sensores buscando o melhor mapeamento possível do corpo a ser digitalizado. Neste
escâner não é possível ajustar a distância entre o paciente e o sensor, assim somente é possível variar a
trajetória do sensor Kinect por meio das posições relativas do totem e do Kinect controlado pelos dois
motores de passo (Seção 2.9.4). Busca-se o ajuste de uma trajetória que possibilite digitalizar o corpo
da pessoal por inteiro e com a menor quantidade de erros possíveis. Para isso, deve se considerar a
velocidade a qual o sensor Kinect se desloca na vertical e a velocidade de deslocamento do totem bem
como a trajetória do movimento do sensor ao redor a paciente. Duas trajetórias possíveis foram
avaliadas neste trabalho: a trajetória circular e a trajetória helicoidal. A trajetória circular indicada na
figura 24 é a mais simples, pois não é necessário que os dois motores de passo atuem ao mesmo
tempo. Tomando a Figura 24 como base, pode-se descrever essa trajetória de seguinte forma:

1 2: Apenas o motor de passo do totem é acionado até o fim do trilho;

2 3: Apenas o motor de passo do Kinect é acionado até a posição final vertical;

34: Apenas o motor de passo do totem é acionado até o início do trilho;

4 1: Apenas o motor de passo do Kinect é acionado até a posição inicial vertical.
Figura 24 - Trajetória circular.
Por outro lado a trajetória helicoidal da figura 25 faz com que os dois motores funcionem ao mesmo
tempo. Tomando a Figura 25, pode-se descrever essa trajetória da seguinte forma:

1 2: O motor de passo do sensor desloca o Kinect até a posição final vertical enquanto o
motor de passo do totem o desloca até o fim do trilho;
24

2 3: Apenas o motor de passo do Kinect é acionado até a posição inicial vertical;

34: O motor de passo do Kinect vai até a posição final vertical enquanto o motor de passo
do totem se desloca até o inicio do trilho;

4 1: Apenas o motor de passo do Kinect é acionado até a posição inicial vertical.
Figura 25 - Trajetória helicoidal.
3.2
ASPECTO DE SOFTWARE PARA TRATAMENTO DOS MODELOS 3D
Após o processo de escaneamento do individuo é obtido um modelo 3D. Este modelo bruto
possui ruídos e distorções e suas origens dependem de diversos fatores. Por exemplo, podem haver
defeitos gerados no modelo 3D devido ao movimento do paciente durante a digitalização, a oscilações
no movimento do totem e do sensor, à precisão do sensor utilizado, à luz ambiente e dentre outros.
Dessa forma é necessário aplicar métodos computacionais que corrijam, preencham e suavizam o
modelo. Para tal objetivo é utilizado o método de reconstrução de superfícies Poisson, implementado
no software MeshLab. Nesse método, há quatro parâmetros (Octree Depth, Solver Divide, Samples
per node e Surface Offsetting) que devem ser ajustados dependendo da origem do modelo 3D. O
ajuste desses parâmetros foram feitos por um processo empírico.
25
3.2.1 RECONSTRUÇÃO DE SUPERFÍCIES VIA POISSON
O método de Poisson [26] permite fechar a superfície um objeto 3D obtida pelo AllBodyScan
3D. Esse método realiza aproximações de distribuições normais próximas das lacunas que devem ser
preenchidas [26]. A reconstrução via Poisson possui os seguintes parâmetros: Octree Depth, Solver
Divide, Samples per Node e Surface Offsetting.
Para verificar qual o melhor conjunto de valores para esses parâmetros para tratar os dados
gerados pelo AllBodyScan 3D foi necessário realizar diversos testes até se chegar a valores que
aproximam adequadamente a superfície. Na Figura 26 algumas variações dos parâmetros buscam
ilustrar como afetam a qualidade da malha final obtida. A tabela 2 indica os valores dos parâmetros
utilizados para cada modelo da Figura 26.
Figura 26 - Ajuste dos parâmetros da reconstrução de superfícies de Poisson.
26
TABELA 2 - Variação dos parâmetros de Poisson para os modelos da figura 26.
Modelo 3D
(A) (B) (C) (D) (E)
Octree Depth
6
7
6
6
6
Solver Divide
6
6
5
6
6
Samples per node
1
1
1
2
1
Surface Offsetting
1
1
1
1
2
Pela Figura 26 observa-se que os parâmetros influenciam no resultado final de uma maneira
significativa. O modelo (A) possui atributos que não alteram significativamente a malha e a deixa
semelhante a malha bruta original. No modelo (C) e (D) é possível notar que foram adicionados
grandes malhas que não condizem com o modelo real. Já no modelo (E) é notável que o volume do
modelo 3D foi reduzido significativamente. Em todos os modelos em que se aplicou a reconstrução
via Poisson observa-se que a quantidade de nuvem de pontos e a quantidade de malhas poligonais
foram reduzidas. Porém no modelo (B) essa redução não afeta significativamente o volume original e
resulta no fechamento de lacunas na superfície do modelo original. Assim, os parâmetros utilizados
para esse modelo são mais adequados que os demais. A Seção 4.2 apresenta os parâmetros que se
mostram os mais apropriados segundo testes realizados nesse trabalho.
3.2.2 CÁLCULO DO VOLUME DE UM MODELO 3D
Para calcular o volume de um objeto 3D primeiro é necessário que este seja um volume
fechado. Para isso é coerente aplicar reconstruções de superfícies como o método de Poisson para
tratar malhas 3D obtidas por digitalização, pois é bem provável que alguma lacuna esteja presente na
malha gerada pelo escâner, conforme mostrado na Seção 3.2.1.
O programa MeshLab traz implementado em seu sistema um algoritmo descrito no trabalho de
B. Mirtich [27] que permite o cálculo do volume de um modelo 3D fechado. Foi utilizado então esse
algoritmo para calcular o volume dos modelos digitalizados pelo escâner. Na Figura 27 é
exemplificada a escolha do algoritmo para o cálculo de volume. Na Figura 28 é mostrado o volume
resultante para este modelo. O MeshLab apresenta o valor do volume em
.
27
Figura 27 – Seleção do método de cálculo do volume de um modelo 3D no software MeshLab.
Figura 28 – Exemplo de saída do MeshLab contendo o valor do volume do modelo 3D.
4
EXPERIMENTOS REALIZADOS
Os experimentos são primeiramente apresentados separando as etapas de hardware (Seção
4.1) e de software (Seção 4.2). Em seguida, é apresentado um estudo de caso buscando mostrar que o
AllBodyScan 3D pode ser utilizado para estimar o índice de gordura corporal, que corresponde a
aplicação avaliada neste trabalho.
4.1
AJUSTE DOS CONTROLADORES E TRAJETÓRIAS DO SENSOR
Para ajustar os controladores de aceleração e de a velocidade dos motores, foi considerado o
resultado final de cada aquisição. Para o resultado ótimo, a velocidade de rotação do totem não pode
ser alta, pois se o deslocamento do totem for muito rápido alguns pontos podem ser perdidos no
processo de digitalização. A aceleração que o motor fornece ao sistema até atingir a velocidade
desejada não deve ser muito elevada, mas deve ser o suficiente para vencer a inercia inicial do totem
quando parado. Para os valores de velocidade, encontrado empiricamente, o valor ideal foi em torno
28
de 10 cm/s e o valor da aceleração foi ajustado em 2cm/s². Para o motor de passo do Kinect, o mesmo
resultado foi obtido: o sensor deve se locomover em uma velocidade baixa e sua aceleração deve ser
suficiente para vencer a inercia do sistema. A velocidade o motor que desloca o sensor é de
aproximadamente 5 cm/s e sua aceleração de 1 cm/s².
Quanto à trajetória do sensor ao redor do paciente a melhor foi à trajetória circular. Essa
trajetória se mostrou a melhor para a distância que o sensor foi colocado do paciente. Como o
AllBodyScann 3D possui uma distância já pré-determinada entre o sensor e o paciente, a trajetória
helicoidal não apresentou resultados satisfatórios. A trajetória helicoidal se mostra uma trajetória
viável se fosse possível ajustar a distância entre o sensor e o paciente.
Na Figura 29, o modelo (A) foi digitalizado utilizando uma trajetória circular e no modelo (B)
foi utilizado à trajetória helicoidal. Note que os dois modelos possuem lacunas significativas. Ocorre
que a modelo (B) há lacunas que se encontram na região abdominal do modelo, isso se dá pelo fato de
que esta trajetória não se adapta muito bem a distância entre o sensor e o paciente. No modelo (A) há
lacunas na região lateral do modelo, pois para este modelo não foi ajustado à velocidade que escâner
se deslocou. O modelo (C) utiliza uma trajetória circular com velocidade dos motores já ajustadas.
Nota-se que há uma grande diminuição nas lacunas desse modelo em comparação ao (A) e (B). Em
todos os modelos é possível observar que há lacuna na extremidade da cabeça dos modelos. Isso é
consequência da altura máxima que o sensor consegue alcançar nesse sistema.
29
Figura 29 - Comparação dos modelos 3D para diferentes trajetórias.
4.2
RECONSTRUÇÃO E CÁLCULO DO VOLUME DE UM MODELO 3D
Após a reconstrução de superfícies via método de Poisson (Secão 3.2.1) devem-se considerar
cautelosamente quais os valores dos parâmetros do método devem ser utilizados. Esses valores são
obtidos empiricamente, pois há uma dependência entre o formato do modelo 3D e os parâmetros de
Poisson. Para modelos antropométricos obtidos pelo sistema AllBodyScan 3D os parâmetros ótimos
obtidos foram os da Tabela 3.
30
TABELA 3 - Valores dos parâmetros do método de Poisson ajustados para o Allbodyscan 3D.
Octree Depth
6
Solver Divide
6
Samples per Node
1
Surface offsetting
1
As figuras 30, 31 e 32 mostram, respectivamente, a malha bruta adquirida pelo escâner, o
modelo 3D sem pontos indesejados mas com lacunas e, por último, o modelo 3D após a aplicação da
reconstrução via Poisson com os parâmetros da Tabela 3 .
Figura 30 - Malha bruta obtida pelo escâner; indicando a presença de pontos indesejados e erros na
aquisição.
31
Figura 31 – Modelos sem os pontos indesejados mas com lacunas.
Figura 32 - Modelo final após a aplicação da reconstrução de Poisson. Preenchimento de lacunas e
suavização do modelo.
4.3
ESTUDO DE CASO
Com base nos teste apresentados na Seção 4.1 para ajustar os parâmetros do AllBodyScan 3D, foi
realizado um estudo de caso para o cálculo de gordura corporal. Para isso, contou-se com a
colaboração da modelo Carine Felizardo que permitiu ter seu corpo digitalizado pelo escâner. A tabela
4 apresenta a altura, peso e idade da modelo.
32
TABELA 4 - Dados da modelo.
Dados da Modelo
Altura
1,62m
Peso
58,3kg
Idade
25
Para conseguir resultados mais precisos, a modelo foi digitalizada com roupas apropriadas
visando à redução do incremento de volume possibilitando atingir dessa forma um valor mais
próximo ao valor do volume corporal real. O modelo obtido diretamente pelo escâner 3D é
representado na figura 33. Na figura 34 apresenta o mesmo modelo coma a remoção dos pontos
indesejados. Na figura 35 mostra-se o modelo obtido após aplicação da reconstrução de superfície
Poisson para suavizar e preencher possíveis lacunas da malha 3D.
Figura 33 - Modelo bruto obtido pelo escâner contendo pontos indesejados.
33
Figura 34 - Modelo já sem pontos indesejados, mas ainda contendo lacunas.
Figura 35 - Modelo final, após a reconstrução de Poisson.
34
Por fim, a Figura 36 mostra o resultado do software MeshLab apresentando o volume de 55400
para este modelo 3D.
Figura 36 - Resultado do programa MeshLab para a modelo.
Com o volume do modelo digital calculado e o peso, é possível calcular a densidade da pessoa.
Com esses dados estima-se o índice de gordura pela equação de Siri (Seção 2.7). A Figura 37, mostrase a interface do software que controla o AllBodyScan 3D e executa os demais programas utilizados
por esse sistema. Conforme mostrado na Figura 37, a própria interface do AllBodyScan 3D apresenta
o resultado final, isto é, o índice de gordura corporal estimado.
Figura 37 – Interface gráfica do programa gerenciador do AllBodyScan 3D mostrando o laudo.
Segundo a Figura 37 o valor do índice corporal da modelo é de 20,07%. A Figura 38 mostra uma
miniatura impressa do busto da modelo produzido a partir de seu modelo 3D digitalizado pelo
35
escâner, como forma de ilustrar a qualidade que o AllBodyScan 3D possui de reproduzir a forma
original da superfície e volume da pessoa digitalizada;
Figura 38 - Comparação do modelo digital e a miniatura impressa da modelo Carine Felizardo.
Com base na análise de composição de gordura corporal descrita na Seção 2.6, pode-se concluir
que a estimativa é coerente. Por exemplo, utilizando as imagens da Figura 10, a modelo Carine
Felizardo realmente poderia ser classificada na faixa entre 20-22% de gordura. Observe que uma
inspeção visual das silhuetas do abdômen da imagem corresponde a essa faixa de porcentagem na
Figura 10 e na imagem modelo Carine Felizardo indica semelhança.
Naturalmente os resultados apresentados neste trabalho precisam de pesquisas complementares
para se ter certeza da capacidade de estimar o índice de gordura corporal para diferentes tipos de
pessoas, isto é, com diferentes níveis de porcentagem de gordura. Esse tipo de pesquisa requer a
colaboração de especialistas da área, bem com a colaboração de um conjunto significativo de pessoas
(ou pacientes) a serem avaliados pelo AllBodyScan 3D e outras técnicas de estimação do índice.
Recentemente pesquisadores de outras instituições têm colaborado neste sentido, com resultados
preliminares que se mostram motivadores.
36
5
CONCLUSÕES
A digitalização correta de um modelo 3D e seu posterior tratamento são essenciais para
conseguir estimativas antropométricas adequadas.
O trabalho aqui realizado aprimora tanto o
hardware quanto o software do sistema AllBodyScan 3D. Um das dificuldades desse trabalho foi o
fato de vários fatores externos afetarem o processo de digitalização. Dentre esses fatores, foram mais
impactantes a presença luz intensa no ambiente, movimento da pessoa durante a aquisição e a
ocorrência de falhas mecânicas. Esses problemas foram contornados por meio de experimentos
realizados para ajustar tanto aspectos de hardware quanto de software do sistema.
Por fim, o sistema AllBodyScan 3D com parâmetros de hardware e software ajustados foi
utilizado para estimar o índice de gordura corporal de uma pessoa que é modelo. A utilização de um
modelo é um aspecto interessante, uma vez que a porcentagem de gordura corporal do modelo pode
ser estimada visualmente, com base na classificação por meio de imagens do abdômen de mulheres
(Figura 10). Em suma, verificou-se que a estimativa obtida pelo AllBodyScan 3D mostrou-se coerente
com a estimativa visual.
Apesar de ser uma estimativa visual e possibilitar certa imprecisão, esse procedimento não
depende de equipamentos e profissionais especializados. É muito importante observar que a
cooperação com tais profissionais não foi possível durante o trabalho do aluno. Outras instituições
iniciarem cooperação buscando validar os resultados do sistema completado por meio das
investigações realizadas neste trabalho. O sistema tem sido comparado com os resultados obtidos por
outras técnicas de estimativa de índice de gordura corporal considerando um número estatisticamente
significativo de pessoas, além da avaliação de pesos com características bem distintas, como por
exemplo, obesos mórbidos e halterofilistas.
37
6
BIBLIOGRAFIA
[1]
M. A. Gazziro, P. Scotton, H. Bittencourt, A. Osti, “Calibration-less Anthropometric
Scanner Using GPU ’ s,” 3D Body Scanning Technol., vol. 3, pp. 307–315, 2012.
[2]
“WHO | Obesity and overweight.” [Online]. Disponível:
http://www.who.int/mediacentre/factsheets/fs311/en/index.html. [Acessado: 17-Feb2013].
[3]
“Obesidade no Brasil.” [Online]. Disponível:
http://obesidadenobrasil.com.br/estatisticas/. [Acessado: 17-Feb-2013].
[4]
“The Digital Michelangelo Project.” [Online]. Disponível:
https://graphics.stanford.edu/projects/mich/. [Acessado: 04-Mar-2013].
[5]
F. Bernardini e H. Rushmeier, “The 3D Model Acquisition Pipeline,” Comput. Graph.
Forum, vol. 21, no. 2, pp. 149–172, Jun. 2002.
[6]
M. Reiss e A. Tommaselli, “Reconstrução 3D por Luz Estruturada: Calibração dos
Vetores Diretores dos Feixes de Padrões Projetados,” XXI Congr. Bras. Process.
imagem, pp. 1–5, 2003.
[7]
J. Geng, “Structured-light 3D surface imaging: a tutorial,” Adv. Opt. Photonics, vol. 3,
no. 2, p. 128, Mar. 2011.
[8]
“Kinect - Wikipedia, the free encyclopedia.” [Online]. Disponível:
http://en.wikipedia.org/wiki/Kinect. [Acessado: 13-Mar-2013].
[9]
“Microsoft Brasil | Dispositivos e Serviços.” [Online]. Disponível:
http://www.microsoft.com/pt-br/default.aspx. [Acessado: 13-Mar-2013].
[10] “OpenNI | The standard framework for 3D sensing.” [Online]. Disponível:
http://www.openni.org/. [Acessado: 13-Mar-2013].
[11] “ASUS - Xtion PRO.” [Online]. Disponível:
http://www.asus.com/Multimedia/Xtion_PRO/. [Acessado: 13-Mar-2013].
[12] “Razor Vision - How Kinect and Kinect Fusion (Kinfu) Work.” [Online]. Disponível:
http://razorvision.tumblr.com/post/15039827747/how-kinect-and-kinect-fusion-kinfuwork. [Acessado: 17-Feb-2013].
[13] K. D. Sensor, E. F. O. R. Computer, and V. Applications, “Kinect Depth Sensor
Evaluation for Computer Vision Application,” Tech. Rep. ECE-TR-6, p. 37, 2012.
[14] P. Gois, “Reconstrução de superfícies a partir de nuvens de pontos,” 2004.
[15] “Kinect for Windows | Voice, Movement & Gesture Recognition Technology.”
[Online]. Available: http://www.microsoft.com/en-us/kinectforwindows/. [Accessed:
13-Mar-2013].
38
[16] “Reconstruct your world with ReconstructMe.” [Online]. Disponível:
http://reconstructme.net/. [Acessado: 13-Mar-2013].
[17] “MeshLab.” [Online]. Disponível: http://meshlab.sourceforge.net/. [Acessado: 19-Mar2013].
[18] “VCG Library: The VCG Library.” [Online]. Disponível:
http://vcg.isti.cnr.it/~cignoni/newvcglib/html/. [Acessado: 19-Mar-2013].
[19] M. A. Gazziro, “Projeto e Construção de um Scanner Antropométrico Baseado no
Método de Triangulação a Laser,” 2005.
[20] “Body fat porcentage pictures of man and women.” [Online]. Disponível:
http://www.builtlean.com/2012/09/24/body-fat-percentage-men-women/. [Acessado:
17-Mar-2013]
[21] “SOSFisio.” [Online]. Disponível: http://sosfisio.blogspot.com.br/2012/05/monitordigital-degordura- corporal.html. [Acessado: 17-Mar-2013]
[22] W. E. Siri, “Siri, W.E. (1956). The gross composition of the body, In: Advances in
Biological na Medical Physics, pages 239-240. C. A. Tobias and J.H. Lawrence, New
York.,” Adv. Biol. Med. Phys., pp. 239–240, 1956.
[23] F. Salgueirosa, “Composição Corporal.” [Online]. Disponível:
http://www.edf.ufpr.br/Graduacao/programadisciplinas/AtFisicaSaude/composicao
corporal.pdf. [Acessado: 17-Mar-2013]
[24] B. X. M.Reese Pepper, Jeanne H. Freeland-Graves, Wurong Yu, Philip R Stanforth,
“Evaluation of rotary laser body scanner for body volume and fat assessment,” NIH
Pulic Acess, vol. 39, no. 1, pp. 1–6, 2011.
[25] “[TC]2 - 3D Body Scanning.” [Online]. Disponível:
http://www.tc2.com/index_3dbodyscan.html. [Acessado: 17-Mar-2013].
[26] M. Kazhdan, M. Bolitho, and H. Hoppe, “Poisson Surface Reconstruction,”
Eurographics Sysmposium Geom. Process., 2006.
[27] B. Mirtich, “Fast and Accurate Computation of Polyhedral Mass Properties,” J. Graph.
Tools, vol. Volume 1, 2000.
39