تشخیص بلادرنگ حالت دست با استفاده از الگوریتم های مختلف بر پایه زبان علامت امریکایی

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص بلادرنگ حالت دست با استفاده از الگوریتم های مختلف بر پایه زبان علامت امریکایی

عنوان لاتین

Real Time Hand Gesture Recognition Using Different Algorithms Based on American Sign Language

تعامل کامپیوتر و انسان (HCI) یکی از زمینه های گسترده تحقیق در تعامل انسان ها با کامپیوتر ها و یا ماشین ها می باشد.به صورت کلی، تشخیص حالت دست (HGR) یکی از زیر مجموعه های HCI می باشد. امروزه، محققین بسیاری بر روی کاربرد های مختلف HGRمانند کنترل بازی، کنترل ربات، سیستم خانه هوشمند ، سرویسهای پزشکی و ... کار می کنند. هدف این مقاله، ارائه یک سیستم بلادرنگHGR بر اساس زبان علامت امریکایی (ASL) با توانایی تشخیص صحت بالا می باشد. این سیستم تصاویر حالت را از ASL با پشت زمینه سیاه و اخذ شده توسط دوربین ویدئو موبایل جهت استخراج ویژگی ها، جمع آوری می کند. در مرحله پردازش سیستم 5 ویژگی مانند یابنده نوک انگشتان، گریز از مرکز، کشیدگی، بخش بندی پیکسل و چرخش را استخراج می کند. جهت استخراج ویژگی، یک الگوریتم جدید بر پایه ترکیب منحنی K و الگوریتم های بدنه محدب پیشنهاد شده است. این متد میتواند بنده محدب K نامیده شود که قادر به تشخیص نوک انگشتان با صحت بالا می باشد. در سیستم ما شبکه عصبی مصنوعی (ANN) با روش جهت حرکت به جلو و الگوریتم انتشار به عقب جهت اموزش شبکه با 30 بردار ویژگی جهت تشخیص 37 الفبا و عدد علامت امریکایی- که جهت سیستم HCI مناسب است-استفاده می شود. نرخ کلی تشخیص حالت این سیستم برابر با 94.32 درصد در محیط های بلادرنگ می باشد.

Human Computer Interaction (HCI) is a broad research field based on human interaction with computers or machines. Basically, Hand Gesture Recognition (HGR) is a subfield of HCI. Today, many researchers are working on different HGR applications like game controlling, robot control, smart home system, medical services etc. The purpose of this paper is to represent a real time HGR system based on American Sign Language (ASL) recognition with greater accuracy. This system acquires gesture images of ASL with black background from mobile video camera for feature extraction. In the processing phase, the system extracts five features such as fingertip finder, eccentricity, elongatedness, pixel segmentation and rotation. For feature extraction, a new algorithm is proposed which basically combines K curvature and convex hull algorithms. It can be called “K convex hull” method which can detect fingertip with high accuracy. In our system, Artificial Neural Network (ANN) is used with feed forward, back propagation algorithm for training a network using 30 feature vectors to recognize 37 signs of American alphabets and numbers properly which is helpful for HCI system. The total gesture recognition rate of this system is 94.32% in real time environment.