بازشناسی حرکات دینامیک دست جهت ایجاد ارتباط بین انسان و کامپیوتر به صورت موس سه بعدی
General Material Designation
[پایاننامه]
First Statement of Responsibility
/بهنام ملکی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: دانشکده مهندسی برق
Date of Publication, Distribution, etc.
، ۱۳۹۲
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۶۳ ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
کتابنامه در آخر پایان نامه
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی برق
Body granting the degree
دانشگاه صنعتی سهند
SUMMARY OR ABSTRACT
Text of Note
بازشناسی ژست دینامیک دست مبتنی بر بینایی ماشین به عنوان راهی کارآمد جهت ایجاد ارتباط انسان و کامپیوتر شناخته میشود که شبیهسازی موشواره با دست یکی از نمودهای آن است .در این پژوهش یک روش جدید برای بازشناسی ژست دینامیک دست و تفسیر آن بهعنوان کارکردهای مختلف موشواره ارائه شدهاست .برای این منظور از یک دستکش سفید که سرانگشتانش دارای پنج رنگ متفاوت است بهره گرفته شدهاست .بر اساس کارکردهای موشواره ۱۱ ژست دینامیک تعریف میشود .ردیابی دست در هر فریم، با استفاده از تکنیکهای شار اپتیکی وGMM ، انجام میشود و سپس منحنی خط سیر سرانگشتان براساس میانگین و واریانس صفحات RGB مربوط به رنگ های سرانگشتان یافت میشود .بهمنظور قویتر کردن اطلاعات کسب شده، برآیند حاصل از این پنج خطسیر را نیز میتوان محاسبه کرد .جهت استخراج اطلاعات از منحنیها، دو نوع توصیفگر استفاده شدهاست .در توصیفگر نوع اول از ایدهی زمینهی شکل الهام گرفته شده که ابتدا هر خطسیر نرمالیزه و سپس هیستوگرام بردار منتج از منحنی نرمالیزه شده در یک نمودار لگاریتمی-قطبی محاسبه میشود .برای توصیفگر نوع دوم چهار زیر- توصیفگر جهتی، زاویهای، فاصلهی دوبهدو و فاصلهی نسبی معرفی میشود .برای زیر- توصیفگر جهتی، به جهت حرکت هر خطسیر کدی اختصاص داده میشود .برای زیر- توصیفگر زاویهای از خطسیر نرمالیزه شده، زاویههای خطوط حاصل از نقاط درونیابی شده نسبت به خط برازش شده( بر نقاط خطسیر) استخراج میشود .برای زیر- توصیفگر فاصلهی دوبهدو، فاصلهی نقاط درونیابی شده از هم محاسبه میشود .برای زیر توصیفگر نسبی نیز فاصلهی نسبی نقاط ابتدایی، میانی و انتهایی خطوطسیر بهصورت جداگانه در سه سطح بهدست میآید .با این توصیفگرها طول بردار ویژگی به ۸۰۷ میرسد .با استفاده از ۱۱ ژست دینامیک تعریف شده، پایگاهدادهای شامل ۲۲۰ مشاهده تشکیل و با استخراج ویژگیهای ذکر شده ماتریس آموزشی ایجاد میشود .در ادامه، با کمک روشهای کاهش بعد PCA و انتخاب ویژگی متوالی، ابعاد بردار ویژگی حتی به طول ۸ کاهش پیدا میکند و در عین حال نتایج چشمگیری نیز حاصل شد .برای آزمایش و ارزیابی، طبقهبندهای SVM ،LDA ، KNN و Naive Bayes بهکار گرفته شد و نتایج بهصورت مجزا با استفاده از هر نوع توصیفگر و ترکیب هر دو نوع توصیفگر بررسی شد؛ در طی این آزمایشها و در پی سنجش میزان خطای تعمیم، پس از اعمال تکنیک انتخاب ویژگی متوالی، نرخ بازشناسی صحیح تا ۹۹/۵۵ درصد توسط طبقهبند KNN با K=۱ به دستآمد