跳到主要內容

臺灣博碩士論文加值系統

(44.222.218.145) 您好!臺灣時間:2024/02/29 14:37
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:王國榮
研究生(外文):Kuo-Jung Wang
論文名稱:基於資料手套的智慧型手勢辨識
論文名稱(外文):A Comprehensive Study on Intelligent Glove-Based Hand Gesture Recognition
指導教授:范欽雄范欽雄引用關係
指導教授(外文):Chin-Shyurng Fahn
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:電機工程系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2001
畢業學年度:89
語文別:中文
論文頁數:84
中文關鍵詞:手勢辨識動態時間變形框架法灰關聯分析類神經網路隱藏式馬可夫模型
外文關鍵詞:gesture recogintiondynamic time warpingframe methodgrey relationship analysisneural networkshiden Markov model
相關次數:
  • 被引用被引用:37
  • 點閱點閱:1703
  • 評分評分:
  • 下載下載:185
  • 收藏至我的研究室書目清單書目收藏:1
隨著電腦系統的日新月異,資料手套被廣泛地應用於虛擬實境、手語系統與人機介面上,而手勢辨識的研究也就日趨重要。我們分析文獻中常用的手勢,將它們分成靜態手勢與動態手勢。因為動態手勢必須考慮到手勢的空間性與時間性,因此我們使用動態時間變形與框架法來求取手勢的特徵值。在實驗中,我們可以發現兩者具有相當的辨識效果,但是框架法的複雜度較低,更適合應用於即時系統上。在論文中,我們提出了一種新的分類方法,我們稱它為距離灰關聯度網路。它將距離灰關聯度方法導入類神經網路的架構中,使得原本距離灰關聯度方法具有學習能力。在實驗中,我們發現它具有收斂速度快與高辨識率的特性。另外,我們也使用灰關聯度方法、倒傳遞網路、放射式基底函數網路與隱藏式馬可夫模型於手勢辨識的研究中,其中我們探討分辨係數對於灰關聯度方法的影響,並且探討不同的學習速率下,對於類神經網路學習效果的影響;最後,比較各種方法的優缺點。未來,研究人員可以針對不同的手勢特性、分類多寡與樣本多寡,選用適合的辨識方法。如此一來,就可以開發出一套具有高穩健性與高適應性的手勢應用系統。
Along with the continuous changes and improvements of computer systems, data gloves are widely used in virtual reality, sign language systems, man-machine interfaces, and so on. Then the research of gesture recognition becomes more and more important. In general, hand gestures can be grouped into static and dynamic ones. Because dynamic gestures contain both space and time signals, we use the dynamic time warping and frame methods to take the characteristics of the gestures. In our experiments, such two methods perform similar recognition results. Compared to dynamic time warping, the frame method is easier to implement, which is appropriately applied to the real-time systems. In this thesis, we propose a new hand gesture recognition method based on a distance gray relation network. It combines the structure of a neural network with the distance gray relation method to make the latter have the ability of learning. Experiments reveal that the convergence speed of the distance gray relation network is very fast and the recognition rate is very high. In addition, we investigate the gray relation method, back-propagation network, radial basis function network, and hidden Markov model to recognize hand gestures. And we study the effect of distinguish coefficients on the performance of the gray relation method as well as the effect of different learning rates on the performance of the neural networks. Finally, we conclude both advantages and disadvantages of the aforementioned methods. In the future, researchers can choose an appropriate recognition method according to different gesture characteristics, numbers of classes, and numbers of patterns. Therefore, the development of a high robust and adaptive gesture application system can be accomplished.
中 文 摘 要I
ABSTRACTII
誌 謝III
圖 索 引IV
表 索 引VII
第一章 緒論1
1.1研究動機1
1.2 相關2
1.3 研究目的及方法7
1.4 章節摘要8
第二章 系統說明11
2.1資料手套介紹11
2.2 定義手勢13
2.2.1 靜態手勢13
2.2.2 動態手勢15
2.3 系統規劃19
2.3.1 手勢特徵擷取系統19
2.3.2 手勢辨識系統21
2.4 動態手勢特徵擷取26
第三章 辨識方法31
3.1 灰關聯分析31
3.1.1 距離灰關聯度32
3.1.2 斜率灰關聯度33
3.1.3 面積灰關聯度33
3.1.4 綜合灰關聯度34
3.1.5 決策灰關聯度35
3.2 類神經網路36
3.2.1 倒傳遞網路38
3.2.2 放射式基底函數網路41
3.2.3 距離灰關聯度網路44
3.3 隱藏式馬可夫模型50
3.3.1 馬可夫模型(Markov Model)50
3.3.2 隱藏式馬可夫模型(Hidden Markov Model)51
3.3.3 K-means 眼算法54
第四章 實驗結果55
4.1 靜態手勢實驗結果55
4.1.1 靜態手勢於灰關聯度的實驗結果55
4.1.2 靜態手勢於類神經網路的實驗結果59
4.1.3 靜態手勢於隱藏式馬可夫模型的實驗結果64
4.2 動態手勢實驗結果65
4.2.1 動態手勢於灰關聯度的實驗結果65
4.2.2 動態手勢於類神經網路的實驗結果69
4.2.3 動態手勢於隱藏式馬可夫模型的實驗結果78
第五章結論與未來發展80
REFERENCES82
[1] K. Grobel and M. Assan, “Isolated sign language recognition using hidden Markov models Systems,’’ Proceeding of the IEEE International Conference on Computational Cybernetics and Simulation, Vol.1, pp.162 —167, 1997.
[2] R. H. Liang and M. Ouhyoung, “A real-time continuous gesture recognition system for sign language,’’ Proceeding of the IEEE International Conference on Automatic Face and Gesture Recognition, Vol.3, pp.558 —567, 1998.
[3] M. Jiyong and G. Wen, “A continuous Chinese sign language recognition system,’’ Proceeding of the IEEE International Conference on Automatic Face and Gesture Recognition, Vol.4, pp.428 —433, 2000.
[4] B. W. Min and H. S. Yoon, “Hand gesture recognition using hidden Markov models Systems,’’ Proceeding of the IEEE International Conference on Computational Cybernetics and Simulation, Vol.5, pp.4232 —4235, 1997.
[5] V. M. Mantyla and J. Mantyjarvi, “Hand gesture recognition of a mobile device user Multimedia and Expo,’’ Proceeding of the IEEE International Conference on E. Multimedia and Expo, Vol.1, pp.281 —284, 2000.
[6] W. Jiangqin and G. Wen, “A simple sign language recognition system based on data glove,’’ Proceeding of the IEEE International Conference on Signal Processing Proceedings, Vol.2, pp.1257 —1260, 1998.
[7] C. S. Lee and Z. Ien, “Real-time recognition system of Korean sign language based on elementary components,’’ Proceedings of the Sixth IEEE International Conference on Fuzzy Systems, Vol.3, pp.1463 —1468, 1997.
[8] R. Salomon and J. Weissmann, “Evolutionary tuning of neural networks for gesture recognition,’’ Proceedings of the 2000 Congress on Evolutionary Computation, Vol.2, pp.1528 —1534, 2000.
[9] 史傑州,應用感應手套模擬手部復健評估之研究,碩士學位論文,國立成功大學工業設計研究所,台南,民國89年。
[10] 柯廷潔,利用虛擬實境技術進行個人電腦組裝訓練,碩士學位論文,國立交通大學資訊工程研究所,新竹,民國87年。
[11] 范揚平,電腦簡報系統中以手勢替代滑鼠做操控功能,碩士學位論文,國立交通大學資訊工程研究所,新竹,民國86年。
[12] M. C. Su, “A fuzzy rule-based approach to spatio-temporal hand gesture recognition,’’ IEEE Transactions on Applications and Reviews, Vol.30, pp.276 —281, 2000.
[13] M. V. Lamar and M. Shoaib, “Temporal series recognition using a new neural network structure T-CombNET,” Proceeding of the sixth IEEE ICONIP’99, Vol.3, pp.1112 —1117, 1999.
[14] A. Iwata and Y. Suwa, “Hand-written alpha-numeric recognition by a self-growing neural network: CombNET-II,” Proceedings of the International Joint Conference on Neural Networks, 1992.
[15] T. Kobayashi and S. Haruyama, “Partly-hidden Markov model and its application to gesture recognition,” Proceeding of the IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol.4, pp.3081 —3084, 1997.
[16] J. Weissmann and R. Salomon, “Gesture recognition for virtual reality applications using data gloves and neural networks,” Proceeding of the International Joint Conference on Neural Networks., Vol.3, pp.2043 —2046, 1999.
[17] D.J. Sturman and D. Zeltzer, “A survey of glove-based input,” IEEE Computer Graphics and Applications, Vol.14, pp.30 —39, 1994.
[18] 謝郡青,以連續型隱藏式馬可夫模型來計算中文簽名之動態相似度值,碩士學位論文,元智大學電機與資訊工程研究所,桃園,民國86年。
[19] 陳義朗,使用類神經網路製作空間性與時間性的手勢辨識系統與應用,碩士學位論文,中華工學院電機工程研究所,新竹,民國85年。
[20] 張壯年,智慧型手勢辨認系統,碩士學位論文,中華工學院電機工程研究所,新竹,民國87年。
[21] 史開泉、吳國威、黃有評,灰色信息關係論,全華科技圖書,台北,民國85年。
[22] 吳漢雄、鄧聚龍、溫坤禮,灰色分析入門,高立圖書有限公司,台北,民國85年。
[23] 張皓鈞,基於灰色關聯分析之影像壓縮研究,國立台灣科技大學資訊工程研究所,台北,民國88年。
[24] 葉怡成,類神經網路實際應用與實用,第五版,儒林書局,台北,民國87年。
[25] 葉怡成,應用類神經網路,第二版,儒林書局,台北,民國88年。
[26] X. D. Huang, “Hidden Markov models for speech recognition,” Edinburgh University Press, Edinburgh, Scotland, United Kingdom, 1990.
[27] L. R. Rabiner “A tutorial on hidden Markov models and selected applications in speech recognition, ” Proceedings of the IEEE, Vol.77, No. 2, pp.257 —286, 1989.
[28] 王漢蘭,隱藏式馬可夫模型應用於語音訊號辨識之研究,碩士學位論文,中原大學資訊工程研究所,新竹,民國88年。
[29] 陳竹一,隱藏式馬可夫模型之硬體設計,碩士學位論文,中華工學院電機研究所,新竹,民國85年。
[30] J. G. Wilpon and L. R. Rabiner, “A Modified K-Means Clustering Algorithm for Use Isolated Word Recognition, ”IEEE Transactions on Acoustics, Speech, and Signal Processin., Vol.33, No.3, pp.587-594, 1985.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊