پیشگفتار
یکی از راههای جدید جهت بهبود ارتباط، کامپیوتری کردن حرکات و ساخت نرم افزارهای مترجم حرکات اشاره میباشد. با توجه به اینکه این حرکات بصری میباشند بنابراین جهت ساخت برنامه، نیازمند سیستمهای تصویر برداری میباشد. از طرفی با توجه به محدودیتهایی که سیستمهای تصویربرداری معمولی دارند، میتوان از کینکت استفاده کرد. کینکت دارای سنسور IR میباشد و این سنسور بخوبی میتواند موقعیت بدن انسان را بواسطه دمای بدن شناسایی کند. در این کتاب الگوریتمی برای شناسایی و کلاس بندی 5 حرف از حروف اشاره روزیک شهبازیان ارائه شد. برای این منظور ابتدا پایگاه دادهای از تصاویر استخراج شده با استفاده از کینکت ایجاد شد. به این صورت که ابتدا دست از بدن جداسازی شد و اطلاعات موقعیت و رنگی آن استخراج شد و سپس با استفاده از شبکه عصبی و مصنوعی پس انتشار این 5 حرف شناسایی و کلاس بندی شد. در بهترین شناسایی، سطح زیر نمودار ROC مربوط به کلاس 1 تا 5 به ترتیب 86/0 ، 90/0، 82/0، 98/0 و 94/0 بدست آمد. این مقادیر نشان میدهد که نرخ شناساییهای صحیح برای شناسایی دادههای کلاس 4 < کلاس 5< کلاس 2> کلاس 1> کلاس 3 است. ماتریسهای Confusion هم این نتایج را نشان داد، بطوریکه دقت کلاس بندی دادههای آموزش، تست و اصلاح سازی به ترتیب 6/91، 8/88 و 84% بودند. این نتایج نشان میدهد دادههای آموزش نسبت به دادههای تست و اصلاح سازی بهتر کلاس بندی شده اند. ضریب تعیین برای دادههای آموزش 93/0 شد. ضریب تعیین برای دادههای تست و اصلاح سازی نیز به ترتیب 72/0 و 76/0 بدست آمد. ضریب تعیین برای کل داده نیز 87/0 بدست آمد که نشان دهنده دقت نسبتاً مناسب شبکه طراحی شده برای تخمین و کلاس بندی 5 حرف میباشد.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.