지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍현기
- 발행연도
- 2013
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
제스처 인식은 자연스러운 사용자 인터페이스를 위해 활발히 연구되는 중요한 분야이다. 키넥트 카메라를 이용한 방식은 제스처의 x, y, z 좌표 값을 저장하여 3차원 관절(joint) 정보를 해석하여 제스처를 인식하는 방법이 제안된다. 대상으로 하는 제스처의 분포 특성에 따라 이진 분류 트리를 설계하고 입력 패턴을 1차 분류한다. 그리고 제스처의 궤적을 리샘플링하여 전체 포인트 개수를 맞추고 제스처의 크기를 긴 축을 기준으로 1로 맞추어 크기 정규화 한다. 제스처의 구간을 일정한 개수로 나누고 각 구간의 체인코드를 추출하여 특징 벡터 히스토그램을 생성한다. 다중 클래스 SVM(Multiclass Support Vector Machine)은 일반 선형 SVM에 비해 여러 특징들을 한꺼번에 분류하는 것에 적합하다. 생성된 특징벡터 히스토그램을 이용하여 트리의 각 노드별로 분류된 제스처에 다중 클래스 SVM를 적용하여 특징 벡터를 학습한다. 그 후 입력 데이터를 구성된 트리로 분류한 다음, 학습된 다중 클래스 SVM을 적용하여 제스처를 분류한다.
제안된 제스처 인식 알고리즘은 기존 연구와 함께 실험과 비교를 통해 평균 98%의 인식률을 보이는 것을 확인 할 수 있었다.
제안된 제스처 인식 알고리즘은 기존 연구와 함께 실험과 비교를 통해 평균 98%의 인식률을 보이는 것을 확인 할 수 있었다.
목차
1. 서론 11.1 연구 배경 21.2 연구 목적 및 내용 31.3 논문 구성 42. 관련 연구 52.1 키넥트 카메라 62.2 이진 트리 102.3 SVM (Support Vector Machine) 112.4 다중 클래스 SVM (Multiclass SVM) 122.4.1 one-against-all 122.4.2 one-against-one 132.4.3 DAGSVM 132.4.4 Weston''s Multiclass SVM 132.4.5 Crammer''s Multiclass SVM 143. 알고리즘 153.1 제스처 분류 트리 173.1.1 끝점의 높낮이 173.1.2 시작 및 끝점의 일치 여부 183.1.3 시작 방향의 분류 193.2 제스처의 리샘플링과 정규화 193.2.1 제스처의 리샘플링 203.2.2 제스처의 정규화 223.3 체인코드 특징 추출 233.3.1 제스처의 구간 분할 233.3.2 제스처의 체인코드 243.3.3 특징 벡터 253.4 다중 클래스 SVM로 제스처의 학습 및 분류 264. 실험결과 및 분석 284.1 구간의 개수별 실험 진행 304.2 리샘플링 수에 따른 실험 진행 324.3 학습방법에 따른 실험 진행 344.4 제스처 인식의 실패 원인 분석 395. 결론 405.1 결론 41참 고 문 헌 42국 문 초 록 45ABSTRACT 46
최근 본 자료
댓글(0)
0