Индийский язык жестов сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

Сочинение на тему Индийский язык жестов

Язык жестов – это язык, который использует визуально выставленные образцы знаков для определения путем одновременного сочетания форм рук, ориентации и движения рук, рук или тела и выражений лица для свободного выражения своих мыслей или общения с другими людьми, и обычно используется людьми с ограниченными возможностями, которые имеют физические проблемы. Система автоматического языка жестов нуждается в более быстрых и точных методах определения статических знаков или последовательности произведенных знаков, чтобы помочь интерпретировать их соответствующее значение. Основными компонентами жестовых языков являются жесты рук. В этой статье представлен надежный подход для распознавания статического языка жестов без использования рук с использованием новой комбинации функций. К ним относятся особенности гистограммы Local Binary Patterns, основанные на информации о цвете и глубине, а также геометрические особенности руки.

Линейные двоичные опорные векторные классификаторы машин используются для распознавания в сочетании с сопоставлением с шаблоном в случае нескольких совпадений. Целью исследования является работа по распознаванию жестов рук для интерпретации языка жестов в качестве приложения взаимодействия человека с компьютером. Язык жестов – это язык, используемый людьми с ограниченными возможностями. Это язык, который использует жесты рук, чтобы передать соответствующее значение, противоположное тому, которое используют акустически переданные звуковые шаблоны. Он аналогичен разговорным языкам и является причиной, по которой лингвисты считают его одним из естественных языков, но есть и некоторые заметные различия в разговорных языках. Хотя язык жестов используется во всем мире, он не универсален. Несколько сотен из них используются, которые варьируются от места к месту и лежат в основе местных глухих культур. Некоторые языки жестов достигли признания на законных основаниях, а некоторые не имеют ничего. Были разработаны регионально-американский язык жестов, немецкий язык жестов, французский язык жестов, британский язык жестов, индийский язык жестов и т. Д. Индийский язык жестов является одним из старейших известных языков жестов и считается чрезвычайно важным в своей истории, но в настоящее время используется редко. В лингвистических обозначениях, несмотря на обычные слухи о том, что они не являются реальными языками, языки жестов так же богаты и сложны, как и любой разговорный язык.

Изучение этих языков профессиональными лингвистами показало, что многие языки жестов обладают базовыми свойствами всех разговорных языков. Элементы дизайна: «Форма руки» или «Ориентация ладони», «Движение» и «Выражение лица» обобщены в аббревиатуре HOLME. Основная идея, лежащая в основе предложенного метода, заключается в использовании новой комбинации цвета, глубины и геометрической информации о знаке руки для повышения эффективности распознавания, в то время как большинство подходов пытаются использовать комбинацию из двух или менее. Это позволяет распознавать широкий спектр признаков, хотя они кажутся очень распространенными. Исследователи сталкиваются с очень сложной проблемой импровизации системы взаимодействия человека с компьютером для интерпретации языков жестов. Этот обзор представляет теоретическую и литературную основу. Исследования, основанные на языках жестов и проблем, с которыми сталкиваются, рассматриваются. Некоторые из проблем, на которых говорят и пишут в одной стране, отличаются от других стран. Синтаксис и семантика языка варьируются от одного региона к другому, несмотря на тот факт, что один и тот же язык использовался несколькими странами. Например, английский является официальным языком многих стран, включая Великобританию и США.

Использование английского языка отличается на уровне страны. Кроме того, язык жестов также варьируется от одной страны к другой. Основное внимание в этом обзоре уделяется импровизации языков жестов на глобальном уровне. Ранее для получения данных по SLI использовались перчатки данных, а также акселерометры для спецификации рук. Ориентация и скорость, в дополнение к местоположению, измерялись с помощью трекера и / или перчаток с данными. Эти методы дали точные позиции, но у них был недостаток дорогостоящих и ограниченных движений, которые меняли знаки. Эти недостатки заставили основанные на видении системы войти в экраны и завоевать популярность. Последовательность изображений захватывается с комбинации камер, как входные данные систем, основанных на зрении. Монокуляр, стерео и / или ортогональные камеры используются для захвата последовательности изображений. Внешние источники света использовались, чтобы осветить сцену, а также геометрию мульти-представления, чтобы построить более глубокое изображение Feris и командой.

Предложения о достижениях в концепциях гибридных классификационных архитектур с учетом жестов рук и распознавания лиц были сделаны Сяолун Чжу и его командой. Они построили гибридную архитектуру, используя ансамбль радикальных базисных функций сетей связности и индуктивных деревьев решений, что помогает сочетать достоинства целостного сопоставления с абстракционным сопоставлением с использованием дискретных свойств и подвергается как позитивному, так и негативному обучению. C. Хуан и его команда исследовали эффективный жест тела в видеопоследовательностях, помимо реакций лица. Они предложили объединить жест тела и выражения лица на уровне признаков с помощью канонического корреляционного анализа. Z. Ren и команда предложили объединить жесты рук и распознавание лиц. Они утверждали, что скорость распознавания лиц может быть лучше благодаря распознаванию жестов рук. Они предложили сценарий лифта безопасности. Они ясно дали понять, что комбинация двух поисковых систем, которые они предложили, является общей, и она не сокращается в одиночку для распознавания жестов лица и руки. На языке жестов, назначение состоит из трех основных частей, которые включают в себя ручные функции, не, и написание пальцем. Для интерпретации значения знака анализ всех этих параметров должен выполняться одновременно. Язык жестов представляет собой серьезную проблему для многоканальности. Каждый канал в системе строится отдельно, анализируется, и соответствующие выводы объединяются на конечном уровне, чтобы прийти к заключению. Исследование в интерпретации языка жестов началось с распознавания HandGesture. Жесты рук чаще всего используются в невербальном общении между людьми с нарушениями слуха и речи. Иногда нормальные люди тоже используют языки жестов для общения. Но все же язык жестов не универсален. Языки жестов существуют в местах, где живут люди с нарушениями слуха.

Чтобы сделать общение между ними и обычными людьми простым и эффективным, важно, чтобы этот процесс был автоматизирован. Был разработан ряд методологий для автоматизации HGR. Общий процесс системы Hand GestureRecognition показан в виде блок-схемы на рисунке 2. В HGR есть три аналогичных шага: 1. Получение руки, которое касается извлечения руки из данного статического изображения и отслеживания и извлечения руки из видео. 2. Извлечение характеристики, которая имеет дело со сжатым представлением данных, которое позволит распознавать жест рукой. 3. Классификация / распознавание жеста руки по некоторым правилам. В этом обзоре в системе распознавания ISL используются два разных набора данных. Наборы данных – это цифры ISL (0-9) и алфавиты ISL (A-Z). Для получения набора данных предпочтение отдается темному фону для однородности и легкости манипулирования изображениями для выделения и разделения объектов. Для захвата изображений используется цифровая камера Cyber-shot H70. Все изображения получаются при помощи фонарика в интеллектуальном автоматическом режиме. Обычный формат файла JPEG используется для захвата изображений. Каждое исходное изображение имеет размер 4608 × 3456 пикселей и требует примерно 5,5 МБ дискового пространства. Чтобы создать эффективный набор данных с разумным размером, изображения обрезаются до 200 × 300 пикселей RGB, и для каждого изображения требуется всего лишь 25 КБ памяти. Набор данных собран от 100 подписчиков. Из этих подписавших 69 мужчин и 31 женщина со средней возрастной группой 27. Средний рост подписавшего составляет около 66 дюймов. Набор данных содержит отдельные числовые знаки ISL (0-9). Пять изображений на цифровую подпись ISL снимаются с каждого подписавшего. Таким образом, в наборе данных доступно 5000 изображений. Образцы изображений набора данных показаны на рисунке 3. В наборе данных доступно всего 2600 изображений, обрезанных до 200 × 300 пикселей RGB. Изображения собраны от четырех мужчин и шести женщин.

Фоны изображений со знаками темные, так как для процесса извлечения элементов требуются только ориентации рук. Изображения хранятся в формате JPEG, поскольку их легко экспортировать и манипулировать ими в различных программных и аппаратных средах. Каждое предварительно обработанное изображение знака ISL требовало около 25 КБ места для хранения с 72 dpi. Размер изображений 200 × 300 пикселей. Цвет кожи на этих изображениях не очень темный и не очень белый. Это связано с тем, что заявка предлагается только на рассмотрение индийского субконтинента. Цвета, соответствующие коже человека, в основном используются при съемке дизайнерских изображений. Пример набора данных показан на рисунке 4. Для обнаружения руки по фону использовалась сегментация.

Эксперименты в этой работе проводятся с использованием двух наборов данных, передающих жесты, выполняемые одной рукой для алфавитов от А до Я с использованием индийского языка жестов. Изображения этого набора данных до и после этапа предварительной обработки показаны на рисунке 5. Линейный дискриминантный анализ (LDA) Линейный дискриминантный анализ (LDA) используется для выполнения уменьшения размеров, характерного для класса. Он находит комбинацию, которая лучше всего разделяет разные классы. Чтобы найти разделение классов, LDA максимизирует как между классами, так и внутри разбросов классов вместо максимизации общего разброса. В результате одни и те же ученики группируются вместе, и разные ученики остаются далеко друг от друга в нижних измерениях. Пусть X¬ – вектор с выборками из c классов. Пусть X – вектор с выборками из классов c. Между классом и внутри класса разбросаны, SB и SWare рассчитывается следующим образом. Ранг SW не более (N c), где c – количество классов, а N – количество выборок. В большинстве случаев количество выборок меньше размера данных изображения в пикселях. Анализ главных компонентов (PCA) выполняется на данных изображения и проецируется в (N – C) -мерное пространство. LDA выполняется на этих сокращенных данных.

Матрица преобразования, W проецирует образец в Ong, и команда предложила LocalBinary Patterns (LBP). Он выполняет локальные операции в окрестности пикселя изображения. Окрестность пикселя – это пиксель, смежный с конкретным пикселем. В LBP 8-битный двоичный код предназначен для 3 × 3-пиксельной окрестности изображения. Локальный двоичный шаблон (LBP) оказался очень эффективным средством для представления изображений и применяется в различных анализах. LBP толерантны к изменениям монотонического освещения и способны обнаруживать различные текстурные примитивы, такие как угол, конец линии, пятно, край и т. Д. Наиболее популярная и эффективная версия LBP, то есть Block LBP (рисунок 8) с равномерным / без однородного рисунка, используется в качестве первой методологии для извлечения особенностей рук. Подходы извлечения признаков в обработке изображений получают ценную информацию, присутствующую в изображении. Это связано с преобразованием многомерного пространства данных в низкоразмерное пространство данных. Данные меньшего размера, извлеченные из изображений, должны содержать точную и точную информацию, которая представляет реальное изображение. Изображение может быть восстановлено из пространства данных меньшего размера. Данные меньшего размера требуются в качестве входных данных для любой методологии классификации, поскольку невозможно обрабатывать данные более высокого размера с точностью и скоростью. Входными данными для автоматической системы распознавания языка жестов являются либо статические знаки (изображения), либо динамические знаки (видеокадры). Чтобы разделить входные знаки в системе автоматического распознавания языка жестов, необходимо получить ценные признаки от знаков.

Все алгоритмы, которые используются для извлечения черт лица, также используются и для извлечения черт лица. Классификация является неотъемлемой частью машинного обучения. Техника используется для классификации каждого элемента в наборе данных в одну из предварительно определенного набора групп. Методы классификации используют математические модели, включая деревья решений, деревья решений, линейное программирование, нейронные сети и статистику для классификации шаблонов. При классификации создается программный модуль, который должен научиться искусству разделения элементов данных на разные группы. При первоначальных экспериментах с использованием мультиклассовых SVM и деревьев решений было выявлено огромное количество неудачных попыток в процессе классификации. Следовательно, эти классификаторы больше не используются для окончательного эксперимента по распознаванию. Во время классификации SVM, если более чем один знак возвращает положительное совпадение для пары тестовых изображений, выполняется процесс сопоставления с шаблоном. Сначала проверяется пара тестовых изображений со всеми знаками, которые возвращают положительное совпадение, если оно попадает в диапазон отношений высоты к ширине этого знака, определяемого дождем и макс. Если диапазон отношений знака не попадает в диапазон пары тестовых изображений, знак не будет рассматриваться как положительное совпадение на последующих этапах сопоставления шаблона. Затем вычисляется косинусное расстояние d косинус между вектором f характеристик пары тестового изображения и средним вектором f avg признаков каждого знака, который дал положительное совпадение. Также рассчитывается метрическая осока сходства шаблона кромки. Здесь выполняется побитовая операция между краевым шаблоном пары тестовых изображений Xtest и краевым шаблоном каждого знака, который возвратил положительное совпадение Xsign.

Сумма количества белых пикселей в результирующем изображении считается краем. Несмотря на то, что пары изображений имеют разные размеры, изменение размера краевого шаблона до стандартного размера позволяет выполнять прямую побитовую операцию И. Метрика общего сходства …

Поделиться сочинением
Ещё сочинения
Нет времени делать работу? Закажите!

Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.