Interazione Uomo-Oggetto e Uomo-Uomo attraverso la Stima della Posizione della Testa

Abstract

Modellare le interazioni umane a partire da dati visivi 2D rappresenta una sfida fondamentale nell'ambito della computer vision. Tecniche recenti si basano spesso su architetture end-to-end di grandi dimensioni, ma tali modelli possono risultare costosi da un punto di vista computazionale e difficili da interpretare. Questa tesi indaga la seguente possibilità: se la stima della posizione della testa, interpretata come approssimazione dell'attenzione visiva, possa supportare la modellizzazione dell'interazione a partire da dati RGB monoculari attraverso un ragionamento geometrico a basso costo. Il framework da noi proposto integra stima della posizione umana, regressione della posizione della testa e ragionamento geometrico per costruire in modo interpretabile vettori direzionali della testa. Le previsioni sulla tipologia di interazione derivano da esplicite relazioni angolari tra l'orientamento della testa e gli elementi della scena. Forniamo una valutazione del nostro approccio in due casi d'utilizzo complementari. Nell'interazione uomo-oggetto, la direzione della testa, le posizioni delle mani e degli oggetti, e la profondità vengono utilizzati per anticipare l'interazione e stimare l'oggetto su cui si concentra l'azione. Nell'interazione uomo-uomo, gli eventi di interazione diadica vengono rilevati analizzando l'orientamento relativo dei vettori direzionali della testa, e validati in confronto alla codifica clinica dei video e alle previsioni ottenute tramite motion capture, utilizzate come verità assolute. I risultati sperimentali dimostrano che il ragionamento geometrico basato sulla posizione della testa fornisce sia segnali utili in merito all'anticipazione delle interazioni a breve termine, sia una forte concordanza a livello di eventi nel rilevamento delle interazioni diadiche. Questi risultati indicano che possono emergere schemi d'interazione dal solo orientamento della testa, evidenziando l'efficacia di modelli interpretabili e a basso costo.

Modeling human interactions from 2D visual data is a key challenge in computer vision. Recent approaches often rely on large end-to-end deep architectures, but such models can be computationally costly and difficult to interpret. This thesis investigates the following perspective: whether head pose estimation, interpreted as a proxy for visual attention, can support interaction modeling through lightweight geometrical reasoning in monocular RGB settings. Our proposed framework integrates human pose estimation, head pose regression and geometrical reasoning to construct interpretable attentional head direction vectors. Interaction predictions derive from explicit angular relationships between head orientation and scene elements. We evaluate our approach in two complementary use cases. In Human–Object Interaction, head direction, hand and objects positions, and depth cues are used to estimate and anticipate object-directed interaction targets. In Human–Human Interaction, dyadic interaction events are detected by analyzing the relative orientation of head vectors and validated against clinical video coding and motion capture as groundtruths. Experimental results show that head-based geometrical reasoning provides both useful signals in short-term interaction anticipation and strong event-level agreement in dyadic interaction detection. These findings indicate that interaction patterns can emerge from head orientation cues alone, highlighting the effectiveness of low-cost, interpretable models for real-world interaction analysis.