El objetivo de esta tesina es estudiar, desarrollar, analizar y comparar distintas técnicas de aprendizaje automático aplicables al reconocimiento automático de gestos dinámicos. Para ello, se definió un modelo de gestos a reconocer, se generó una base de datos de prueba con gestos llamadas LNHG, y se estudiaron e implementaron clasificadores basados en máquinas de vectores de soporte (SVM), redes neuronales feedfoward (FF) y redes neuronales competitivas (CPN), utilizando representaciones locales y globales para caracterizar los gestos. Además, se propone un nuevo modelo de reconocimiento de gestos, el clasificador neuronal competitivo (CNC).
Los gestos a reconocer son movimientos de la mano, con invariancia a la velocidad, la rotación, la escala y la traslación.
La captura de la información referida a los gestos para generar la base de datos se realizó mediante el dispositivo Kinect y su SDK correspondiente, que reconoce las partes del cuerpo y determina sus posiciones en tiempo real. Los clasificadores se entrenaron con dichos datos para poder determinar si una secuencia de posiciones de la mano es un gesto.
Se implementó una librería de clasificadores con los métodos mencionados anteriormente, junto con las transformaciones para llevar una secuencia de posiciones a una representación adecuada para el reconocimiento.
Se realizaron experimentos con la base de datos LNHG, compuesta de gestos que representan dígitos y letras, y con un base de datos de otro autor con gestos típicos de interacción, obteniendo resultados satisfactorios.
| Identifer | oai:union.ndltd.org:SEDICI/oai:sedici.unlp.edu.ar:10915/36025 |
| Date | January 2014 |
| Creators | Quiroga, Facundo |
| Contributors | Lanzarini, Laura Cristina, Corbalán, Leonardo |
| Source Sets | Universidad Nacional de La Plata, Sedici |
| Language | Spanish |
| Detected Language | Spanish |
| Type | Tesis, Tesis de grado |
| Rights | http://creativecommons.org/licenses/by-nc-sa/2.5/ar/, Atribución-NoComercial-CompartirIgual 2.5 Argentina |
Page generated in 0.0017 seconds