| dc.contributor | LUIS ENRIQUE SUCAR SUCCAR | |
| dc.contributor | HUGO JAIR ESCALANTE BALDERAS | |
| dc.creator | HAROLD ANDRES VASQUEZ CHAVARRIA | |
| dc.date | 2013 | |
| dc.date.accessioned | 2018-11-19T14:26:15Z | |
| dc.date.available | 2018-11-19T14:26:15Z | |
| dc.identifier | http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/274 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/2258419 | |
| dc.description | Los ademanes son una forma natural de comunicación entre las personas, y
por lo tanto también lo son para la interacción humano computadora (HCI). Aunque
existen diversas técnicas para reconocer ademanes, asumen en general que se
encuentran ya segmentados, por lo que no se ha resuelto aún el problema de segmentación.
En este trabajo se propone un método para abordar ambas tareas a la vez, es decir, un
método de segmentación y reconocimiento simultáneo de ademanes,
usando modelos ocultos de Markov (HMM). Este método está basado en
un esquema novedoso de exploración de la secuencia de vídeo denominado múltiples
ventanas de tamaño dinámico. Esto consiste en varias ventanas superpuestas,
que comienzan en puntos distintos de la secuencia y van aumentando su tamaño
a medida que se va capturando al usuario con un Kinect. En cada instante de
crecimiento de la ventanas, se obtienen predicciones de cada una de ellas, considerados
como votos para cierto ademán. Cuando hay una mayoría absoluta entre
las ventanas hacia cierto ademán, se espera el punto donde deja de ser unánime
esta decisión y dicho punto se considera como el final del ademán. Una vez detectado
ese punto final (segmentación), se arroja como resultado el ademán que
obtuvo la votación mayoritaria hasta dicho momento (reconocimiento). El método
propuesto se aplicó a comandar un robot de servicio, mediante la captura de
información de los movimientos de el usuario con un sensor Kinect. Los resultados
de los experimentos arrojaron un 82.76% de ademanes bien segmentados,
con una holgura alrededor del punto final de 15 cuadros. Para efectos de nuestra
aplicación de comandar robots, esta holgura representa apenas medio segundo,
que es suficientemente bajo e imperceptible en tiempo real. De igual modo, el
reconocimiento es muy bueno cuando se logra segmentar el ademán, obteniéndose
un 89.58% de precisión. Una de las principales ventajas de esta propuesta, es que
no es necesario el uso de un modelo HMM para no ademán, contrario a lo que
se hace en otros trabajos. De igual modo, no es necesario un pose indicativo por
parte del usuario para saber cuando empieza y termina un ademán. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| dc.relation | citation:Vasquez Chavarria H.A. | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
| dc.subject | info:eu-repo/classification/Reconocimiento de gestos/Gesture recognition | |
| dc.subject | info:eu-repo/classification/Modelos de markov ocultos/Hidden markov models | |
| dc.subject | info:eu-repo/classification/Robots/Robots | |
| dc.subject | info:eu-repo/classification/cti/1 | |
| dc.subject | info:eu-repo/classification/cti/12 | |
| dc.subject | info:eu-repo/classification/cti/1203 | |
| dc.title | Método para la segmentación y reconocimiento simultáneo de ademanes | |
| dc.type | Tesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
| dc.audience | students | |
| dc.audience | researchers | |
| dc.audience | generalPublic | |
