شناسایی و تشخیص حرکت دست زمان واقعی با استفاده از روش های ماشین بردار پشتیبان و کیسه ویژگی ها

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شناسایی و تشخیص حرکت دست زمان واقعی با استفاده از روش های ماشین بردار پشتیبان و کیسه ویژگی ها

عنوان لاتین

Real-Time Hand Gesture Detection and Recognition Using Bag-of-Features and Support Vector Machine Techniques

این مقاله یک سیستم زمان واقعی و نوین برای تعامل با برنامه یا بازیهای ویدئویی از طریق حرکات دست را ارائه می دهد. سیستم ما شامل تشخیص و دنبال کردن دست برهنه در پشت زمینه در هم آمیخته شده با استفاده از الگوریتم مقایسه کانتور حرکت دست و تشخیص پوست پس از کاهش، تشخیص حرکت دست از طریق ماشین بردار پیشتبان (SVM) چند کلاسی و کیسه ویژگی ها و ساخت گرامی است که فرمان های حرکتی برای کنترل برنامه را تولید کند. در مرحله آموزشی، پس از استخراج نقاط کلیدی برای هر تصویر آموزشی با استفاده از تبدیل مستقل از مقیاس ویژگی (SIFT)، یک روش کمیت سازی نقاط کلیدی را از هر تصویر آموزشی به درون یک بردار هیستوگرام با ابعاد یکپارچه شده ( کیسه کلمات) پس از خوشه بندی K-میانگین نگاشت می کند. این هیستوگرام به صورت بردار ورودی برای SVM چندکلاسی برای ساخت دسته بندی کننده آموزشی در نظر گرفته میشود. در مرحله تست، برای هر فریم بدست آمده از وب کم، دست با استفاده از الگوریتم ما شناسایی می شود، سپس نقاط کلیدی برای هر تصویر کوچک که تنها حاوی حرکت دست تشخیص داده شده است استخراج می شود و به مدل خوشه خورانده می شود تا آنها را در بردار کیسه کلمات نگاشت بکند، که نهایتاً به دسته بندی کننده آموزشی SVM چندکلاسی خورانده می شود تا حرکت دست را تشخیص دهد.

This paper presents a novel and real-time system for interaction with an application or videogame via hand gestures. Our system includes detecting and tracking bare hand in cluttered background using skin detection and hand posture contour comparison algorithm after face subtraction, recognizing hand gestures via bag-of-features and multiclass support vector machine (SVM) and building a grammar that generates gesture commands to control an application. In the training stage, after extracting the keypoints for every training image using the scale invariance feature transform (SIFT), a vector quantization technique will map keypoints from every training image into a unified dimensional histogram vector (bag-of-words) after K-means clustering. This histogram is treated as an input vector for a multiclass SVM to build the training classifier. In the testing stage, for every frame captured from a webcam, the hand is detected using our algorithm, then, the keypoints are extracted for every small image that contains the detected hand gesture only and fed into the cluster model to map them into a bag-of-words vector, which is finally fed into the multiclass SVM training classifier to recognize the hand gesture.