تشخيص حركات دست براساس شبكه عصبي به منظور تعامل بين انسان و رايانه

Hand Gesture Recognition By Neural Network for Human Computer Interaction

ژست يكي از روش هاي موثر وكاربردي در ارتباطات بين انسان و كامپيوتر مي باشد. از اين رو، با توجه به رابط كاربري آسان استفاده از اين روش در حال افزايش است. دراين مقاله يك رابط ژست دست براي كنترل پخش كننده رسانه با استفاده از شبكه عصبي ارائه مي دهد. الگوريتم پيشنهادي مجموعه اي از چهار حركت خاص دست را شناسايي مي كند كه شامل: Play، Stop، Forward و Reverse. الگوريتم ما بر اساس چهار مرحله، گرفتن تصوير، تقسيم بندي دست، استخراج ويژگي ها و طبقه بندي است. يك فريم با دوربين وب كم گرفته شده و سپس از آن براي تشخيص پوست به منظور جداسازي مناطق پوست از پيكسل هاي پس زمينه استفاده مي شود. تصوير جديد ايجاد شده حاوي مرز دست است. استخراج ويژگي هاي شكل دست، براي توصيف ژست دست استفاده مي شود. از يك شبكه عصبي مصنوعي نيز به عنوان طبقه بندي كننده ژست استفاده مي شود كه در آن از 120 ژست تصوير براي آموزش استفاده شده است. اين الگوريتم پيشنهادي يك دستگاه ورودي جايگزين براي كنترل پخش كننده رسانه ايجاد مي كند و همچنين 4 دستور مختلف ژستي را ارائه مي دهد. در مقايسه با ديگر سيستم هاي تشخيص ژست دست نشان مي دهد كه سيستم ما عملكرد بهتر را از نظردقت نشان مي دهد

Abstract—Hand gesture recognition is the process of recognizing meaningful expressions of form and motion by a human involving only the hands. There are plenty of applications. The aim of the hand gesture recognition is to develop the system to recognise the gesture, for control devices by providing command. In this paper we are discussing the researches done on the hand gesture recognition using neural networks. This paper presents a hand gesture interface for controlling media player using neural network. The proposed algorithm recognizes a set of four specific hand gestures, namely: Play, Stop, Forward, and Reverse. Our algorithm is based on four phases, Image acquisition, Hand segmentation, Features extraction, and Classification. A frame from the webcam camera is captured, and then skin detection is used to segment skin regions from background pixels. A new image is created containing hand boundary. An artificial neural network has been utilized as a gesture classifier, as well. 120 gesture images have been used for training. The obtained average classification rate is 95%. The proposed algorithm develops an alternative input device to control the media player, and also offers different gesture commands and can be useful in real-time applications.