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 Introdução ........................................................................................................................................ 1

Motivação ............................................................................................................................... 1 1.1

Objetivos ................................................................................................................................. 1 1.2

Organização do Trabalho ........................................................................................................ 2 1.3

2 Revisão Bibliográfica ...................................................................................................................... 3

Escâner 3D .............................................................................................................................. 3 2.1

Triangulação 3D e Luz Estruturada ........................................................................................ 4 2.1

Escâneres a laser no mercado .................................................................................................. 5 2.2

Características e Funcionamento do Kinect ............................................................................ 5 2.3

Frameworks para Aquisição e processamento de Nuvens de Pontos ..................................... 8 2.4

2.4.1 OpenNI ................................................................................................................................ 8

2.4.2 Microsoft Kinect SDK ......................................................................................................... 9

2.4.3 ReconstructME .................................................................................................................... 9

Tratamento de modelos 3D ................................................................................................... 10 2.5

Composição Corporal e métodos para avaliação da gordura corporal .................................. 10 2.6

2.6.1 Composição Corporal ....................................................................................................... 10

2.6.2 Métodos para avaliação do índice de gordura ................................................................... 11

Equação de Siri ..................................................................................................................... 14 2.7

Escâner 3D antropométrico ................................................................................................... 17 2.8

Protótipo AllBodyScan 3D .................................................................................................... 17 2.9

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

3 Abordagem Antropométrica Baseada no AllBodyScan 3D ........................................................... 22

Aspectos de Hardware .......................................................................................................... 22 3.1

Aspecto de Software para Tratamento dos modelos 3D ....................................................... 25 3.2

3.2.1 Reconstrução de superfícies via Poisson........................................................................... 26

3.2.2 Cálculo do volume de um modelo 3D............................................................................... 27

4 Experimentos Realizados ............................................................................................................... 28

Ajuste dos controladores e trajetórias do sensor ................................................................... 28 4.1

Reconstrução e cálculo do volume de um modelo 3D .......................................................... 30 4.2

Estudo de caso ....................................................................................................................... 32 4.3

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

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.

MOTIVAÇÃO 1.1

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.

OBJETIVOS 1.2

2

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.

ORGANIZAÇÃO DO TRABALHO 1.3

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.

3

2 REVISÃO BIBLIOGRÁFICA

ESCÂNER 3D 2.1

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).

4

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.

TRIANGULAÇÃO 3D E LUZ ESTRUTURADA 2.1

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.

5

ESCÂNERES A LASER NO MERCADO 2.2

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.

CARACTERÍSTICAS E FUNCIONAMENTO DO KINECT 2.3

6

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.

7

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.

8

FRAMEWORKS PARA AQUISIÇÃO E PROCESSAMENTO DE NUVENS DE PONTOS 2.4

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].

9

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

10

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.

TRATAMENTO DE MODELOS 3D 2.5

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.

COMPOSIÇÃO CORPORAL E MÉTODOS PARA AVALIAÇÃO DA GORDURA CORPORAL 2.6

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].

11

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.

12

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] .

13

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.

14

Figura 14 - Bioimpedância elétrica [23].

EQUAÇÃO DE SIRI 2.7

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:

; (3)

( )

; (4)

( )

; (5)

Como e ³, então:

15

( )

; (6)

Do modelo de dois compartimentos para a composição corporal;

; (7)

Então:

( )

;(8)

Manipulando matematicamente, chega-se a seguinte equação:

; (9)

Em que , 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.

Figura 15 - Escâner 3D da empresa utilizado para verificação do método de aquisição

antropométrica do índice de gordura [25].

16

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].

17

ESCÂNER 3D ANTROPOMÉTRICO 2.8

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.

PROTÓTIPO ALLBODYSCAN 3D 2.9

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

18

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.

19

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.

20

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.

21

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.

22

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.

ASPECTOS DE HARDWARE 3.1

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.

23

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.

24

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;

34: 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;

25

2 3: Apenas o motor de passo do Kinect é acionado até a posição inicial vertical;

34: 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.

ASPECTO DE SOFTWARE PARA TRATAMENTO DOS MODELOS 3D 3.2

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.

26

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.

27

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 .

28

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.

AJUSTE DOS CONTROLADORES E TRAJETÓRIAS DO SENSOR 4.1

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

29

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.

30

Figura 29 - Comparação dos modelos 3D para diferentes trajetórias.

RECONSTRUÇÃO E CÁLCULO DO VOLUME DE UM MODELO 3D 4.2

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.

31

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.

32

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.

ESTUDO DE CASO 4.3

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.

33

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.

34

Figura 34 - Modelo já sem pontos indesejados, mas ainda contendo lacunas.

Figura 35 - Modelo final, após a reconstrução de Poisson.

35

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, mostra-

se 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

36

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.

37

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.

38

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-Feb-

2013].

[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-kinfu-

work. [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].

39

[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-Mar-

2013].

[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/monitor-

digital-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.