Gender Recognition using 3D Human Body Scans

Abstract

Los requerimientos para capturar información sobre la forma del cuerpo humano están creciendo rápidamente y no solo se limitan a estudios ergonómicos o diseño, sino que también resultan de interés para aplicaciones relacionadas con la salud. Para ello, un paso primordial es la determinación automática de género. Esta representa una característica esencial durante la medición e interpretación de los datos, tanto para realizar diversos análisis (por ejemplo el somatotipo o estudio de porcentaje y distribución del tejido adiposo), como para el diagnóstico apropiado de condiciones médicas (evaluación del sobrepeso, detección de malformaciones, etc.). Diversos trabajos plantean el reconocimiento de género a través de aprendizaje supervisado con base en distintos datasets con el fin de automatizar esta tarea. Algunos de ellos se centran en el análisis de mediciones faciales, y otros mediante procesamiento de imágenes de siluetas en tiempo real. En este trabajo se propone un clasificador de género basado en mallas 3D del cuerpo humano. Se detallan las técnicas de preprocesamiento utilizadas, junto con algoritmos de aprendizaje supervisado que permiten resolver la tarea de clasificación, y por último se elabora una comparación entre los resultados obtenidos con dos modelos de aprendizaje diferentes: máquinas de vectores de soporte (SVM) y árboles de decisión.

Requirements of 3D information about the shape of the human body are growing rapidly, not only in ergonomic studies or design, but also in health-related applications. For this, a basic step is automatic gender determination. This represents an essential feature during measurement and interpretation of the data, both to perform various analyses (for example, to establish the somatotype or to assess the proportion and distribution of fat and other tissues), as well as for the appropriate diagnosis of medical conditions (evaluation of overweight, detection of malformations, etc.). Most related works deal with gender recognition by means of supervised learning based on different datasets in order to automate this task. Some focus on the analysis of facial measurements, while others focus on the processing of real-time images of silhouettes. In this work we propose a gender classifier based on analysis of 3D meshes of the human body. We describe the pre-processing techniques used, along with the supervised learning algorithms that allow solving the classification task. Finally a comparison is made between the results obtained with two different learning models: support vector machines (SVM) and decision trees.