論文の概要: Contactless 3D Human Body Measurement Using Depth Cameras for Smart Health Monitoring

• arxiv url: http://arxiv.org/abs/2606.11578v1
• Date: Wed, 10 Jun 2026 02:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.251207
• Title: Contactless 3D Human Body Measurement Using Depth Cameras for Smart Health Monitoring
• Title（参考訳）: 深度カメラを用いたスマートヘルスモニタリングのための接触型3次元人体計測
• Authors: Martha Asare, Xuan Wang, Juan Lopez Alvarenga, Lois Akosua Serwaa, Jinghao Yang,
• Abstract要約: 本研究では3次元点雲データを用いた人体計測のための深度カメラベースのフレームワークを提案する。 単一深度撮影による実験結果から、物理的接触を伴わない深度カメラデータから、正確な身体計測と幾何推定が得られた。
• 参考スコア（独自算出の注目度）: 4.9948584685520805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contactless body measurement technologies are becoming increasingly significant for smart health monitoring, digital health applications, and remote patient assessment. Traditional anthropometric measurements typically necessitate physical contact and trained personnel, which may constrain scalability in remote healthcare settings. In this study, we introduce a depth camera-based framework for estimating human body measurements utilizing 3D point cloud data. An Orbbec Astra 2 depth camera was employed to capture RGB images, depth maps, and 3D point clouds of participants. The captured point cloud was processed using Python-based tools, including Open3D, NumPy, and OpenCV, to segment the human body from the background. Key anthropometric measurements, such as height and arm span, were computed. The measurements were obtained through a combination of spatial filtering and landmark selection on the 3D point cloud, followed by the projection of the computed measurements onto the corresponding RGB image using camera intrinsic parameters. In addition to linear measurements, the approximate body volume and visible surface area were estimated using voxel-based occupancy analysis and mesh-based surface reconstruction methods. The experimental results from a single depth capture demonstrated that accurate body measurements and geometric estimates could be obtained from depth camera data without physical contact. This study provides a foundation for future real-time systems that integrate depth sensing with intelligent health monitoring and generative AI models for smart healthcare applications.
• Abstract（参考訳）: コンタクトレスボディ計測技術は、スマートヘルスモニタリング、デジタルヘルスアプリケーション、遠隔患者の評価において、ますます重要になりつつある。 従来の人体計測は、通常、身体的な接触と訓練された人員を必要とし、遠隔医療環境におけるスケーラビリティを制約する可能性がある。 本研究では,3次元点雲データを用いた人体計測のための深度カメラベースフレームワークを提案する。 オーベック・アストラ2の深度カメラはRGB画像、深度マップ、そして参加者の3D点雲を捉えた。 キャプチャされたポイントクラウドは、Open3D、NumPy、OpenCVといったPythonベースのツールを使用して処理され、背景から人体を分離した。 身長や腕幅などの主要な人体計測値が計算された。 計測は3次元点雲上での空間フィルタリングとランドマーク選択の組み合わせにより行われ、続いてカメラ固有のパラメータを用いて対応するRGB画像への計算結果の投影を行った。 線形測定に加えて, ボクセルによる占有分析とメッシュによる表面再構成法を用いて, 近似体容積と可視表面積を推定した。 単一深度撮影による実験結果から、物理的接触を伴わない深度カメラデータから、正確な身体計測と幾何推定が得られた。 この研究は、ディープセンシングとインテリジェントヘルスモニタリングと、スマートヘルスケアアプリケーションのための生成AIモデルを統合する、将来のリアルタイムシステムの基礎を提供する。

関連論文リスト

• Manipulation as in Simulation: Enabling Accurate Geometry Perception in Robots [55.43376513158555]
  カメラ深度モデル (CDMs) は日用深度カメラの単純なプラグインである。 我々は,ディープカメラのノイズパターンをモデル化することにより,シミュレーションから高品質なペアデータを生成するニューラルデータエンジンを開発した。 私たちの実験では、ノイズや現実世界の微調整を必要とせず、生のシミュレートされた深さで訓練されたポリシーが、現実のロボットにシームレスに一般化されることを初めて実証しました。
  論文  参考訳（メタデータ） (2025-09-02T17:29:38Z)
• Towards Scalable Spatial Intelligence via 2D-to-3D Data Lifting [64.64738535860351]
  単一ビュー画像を包括的・スケール的・外観リアルな3D表現に変換するスケーラブルなパイプラインを提案する。 本手法は,画像の膨大な保存と空間的シーン理解への需要の増大とのギャップを埋めるものである。 画像から精度の高い3Dデータを自動的に生成することにより,データ収集コストを大幅に削減し,空間知性を向上するための新たな道を開く。
  論文  参考訳（メタデータ） (2025-07-24T14:53:26Z)
• GRACE: Estimating Geometry-level 3D Human-Scene Contact from 2D Images [54.602947113980655]
  人景接触の幾何レベルを推定することは、特定の接触面点を3次元の人間ジオメトリに接することを目的としている。 GRACE(Geometry-level Reasoning for 3D Human-scene Contact Estimation)は,3次元接触推定のための新しいパラダイムである。 ポイントクラウドエンコーダ/デコーダアーキテクチャと階層的特徴抽出と融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2025-05-10T09:25:46Z)
• CoL3D: Collaborative Learning of Single-view Depth and Camera Intrinsics for Metric 3D Shape Recovery [31.398410174061166]
  本研究では,1枚の画像から3次元形状を学習するために,CoL3Dと呼ばれる奥行きとカメラの内在性を推定するための協調学習フレームワークを提案する。 具体的には、CoL3Dは統合ネットワークを採用し、ディープ、カメラ固有の3Dポイントクラウドという3つのレベルで協調最適化を行う。
  論文  参考訳（メタデータ） (2025-02-13T02:36:01Z)
• A Neural Anthropometer Learning from Body Dimensions Computed on Human 3D Meshes [0.0]
  本稿では,3次元メッシュの左右腕長,肩幅,切削高さ(クロッチ高さ)を,医療・バーチャル・トライオン・距離調整への応用に焦点をあてて算出する手法を提案する。 一方、最近発表された手法を用いて計算された4つの追加の体次元を用いて、8つの体次元の集合を組み立て、これら次元を推定できる畳み込みニューラルネットワークであるニューラル・アントロポメータの監視信号として使用する。
  論文  参考訳（メタデータ） (2021-10-06T12:56:05Z)
• Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
  射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。 具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。 本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-29T12:30:39Z)
• VR3Dense: Voxel Representation Learning for 3D Object Detection and Monocular Dense Depth Reconstruction [0.951828574518325]
  3次元物体検出と単眼深層再構成ニューラルネットワークを共同トレーニングする方法を紹介します。 推論中に入力、LiDARポイントクラウド、単一のRGBイメージとして取得し、オブジェクトポーズ予測と密に再構築された深度マップを生成します。 物体検出は教師付き方式で訓練されるが,自己教師型と教師型の両方の損失関数を用いて深度予測ネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-04-13T04:25:54Z)
• 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
  人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。 このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。 本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-05T04:09:39Z)
• Optical Non-Line-of-Sight Physics-based 3D Human Pose Estimation [38.57899581285387]
  本稿では,過渡画像から3次元人物のポーズ推定を行う手法について述べる。 本手法は, 環境に間接的に反射された光を用いて, 角を見回すことで, 人間の3次元姿勢を知覚することができる。
  論文  参考訳（メタデータ） (2020-03-31T17:57:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。