In this thesis, interpolation methods are used for modelling of human movements unlike casual learning algorithms. There is a significant difference between Lagrange,Spline and Cubic Spline interpolations and it had found by Mc-Nemar statistical test.Results show that the Cubic Spline interpolation method is more efficient then the others.This modelling algorithm is memory-efficient. Instead of using whole dataset, used selected data which is the parts of dataset. OpenPose Algorithm and Microsoft Kinect device are used to create dataset for movements. For OpenPose algorithm, firstly recorded human movements and run that algorithm on the video. There are different methods for modelling human body movements but in this work tried novel method for this problem. This solution need low resource and run time to learn and model human body movements. To model human body movements and retrieve the joints' value, the algorithms developed here to create unique polynomial equations for each joint position values. In order to select data for modelling the movements, a step variable is needed. The step variable is important for dataset size so that the step variable should be as large as possible. Furthermore, the polynomial degree is important to retrieve unused data because of calculation time. To reduce polynomial degree, we used to group variable and calculating mean square error and mean abstract error to decide to value of step and group variables. Finally, the difference from compared datasets that modelling two different people is dance movements was calculated. That difference represent to learning rate of second dancer's learning success.

İnsan hareketleri ile eklemlerde meydana gelen konum değişikliklerinin interpolasyon yöntemleri ile modellenerek, sonrasında elde edilen modellerden geri elde edilmesi üzerine çalışılmıştır. Modellemeler esnasında Lagrange, Kübik Spline ve Spline interpolasyonlarından yararlanılmıştır. Modelleme esnasında tüm veri kümesinin kullanılması yerine yalnızca seçilen verimli veriler ile hesaplamalar yapılmıştır. Modellemeler yapıldıktan sonra interpolasyon hesaplamaları sırasında kullanılmayan verilerin geri elde edilmesine çalışılmıştır. İnsan hareketlerinin modellenmesi için gerekli veri kümeleri Microsoft Kinect sensörlerinden ve önceden kamera kaydı yapılması sonucu elde edilen görüntüler üzerinde OpenPose algoritmasının çalışmasıyla elde edilmiştir. İnsan hareketlerinin modellemesi üzerine yapılan çalışmalar bulunmakta olup, bu çalışmalardan farklı bir yöntem kullanılarak yenilikçi bir yaklaşım denenmiştir. Bu yöntemde düşük maliyet ve sistem gücü ile insan hareketlerinin öğrenilmesine çalışılmıştır. İnsan hareketlerinin modellenmesi sonucunda eklem konumlarının geri elde edilebilmesi için, her bir eklem konum değeri için bir bilinmeyenli polinom oluşturulmuştur. Modelleme sırasında, kullanılmayacak verilerinin belirlenmesi için aralık değerine ihtiyaç duyulmuştur. Aralık değeri arttıkça kullanılan veri sayısı azaldığı için aralık değerinin mümkün olan en yüksek değerde olması gerekmektedir. Ayrıca kullanılmayan veri kümelerinin geri elde edilebilmesi için hesaplanan polinomların derecesinin yüksek olması hesaplama süresini artırmaktadır. Hesaplama süresini en aza indirgemek için de grup değerine ihtiyaç duyulmuştur. Aralık ve grup değerlerinin belirlenebilmesi için, farklı aralık ve grup değerleri seçilerek meydana gelen hatalar hata kareler ortalaması ve hata mutlak ortalaması ile hesaplandıktan sonra en ideal değerlerin bulunmasına çalışılmıştır. İnterpolasyon yöntemleri ile iki farklı kişinin yaptığı dans hareketleri modellenmiş ve meydana gelen modeller birbirleri ile karşılaştırılarak ortaya çıkan farklar hesaplanmıştır. Bu farklar sonucu bir kişinin diğer kişiye dans koreografisinin öğretilme düzeyi tahmin edilmiştir.