Resumen

En este trabajo se propone un método de fusión basado en múltiples características y en un modelo de Markov oculto (HMM) para reconocer los gestos dinámicos de la mano correspondientes a las instrucciones de un operador en la teleoperación de robots. En primer lugar, es necesario separar un gesto dinámico de la mano válido a partir de los datos obtenidos continuamente según la velocidad de la mano en movimiento. En segundo lugar, se introduce un conjunto de características para la expresión del gesto dinámico de la mano, que incluye cuatro tipos de características: la postura de la palma, el ángulo de flexión, el ángulo de apertura de los dedos y la trayectoria del gesto. Por último, se construyen clasificadores HMM basados en estas características y se presenta un modelo de cálculo ponderado que fusiona las probabilidades de los cuatro tipos de características. El método propuesto se evalúa mediante el reconocimiento de los gestos dinámicos de la mano adquiridos por el movimiento de salto (LM), y alcanza tasas de reconocimiento de alrededor del 90,63o del conjunto de datos LM-Gesture3D creado por el artículo y del 93,3o del conjunto de datos Letter-gesture, respectivamente.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:gesto dinámico de la mano, tipo de características, modelo de cálculo ponderado, modelo de markov oculto, clasificador hmm, papel, ángulo, métodos propuestos, conjunto de datos gesture3d, métodos de fusión
• Keywords:dynamic hand gesture, sort of features, weighted calculation model, hidden markov model, hmm classifier, paper, angle, proposed methods, gesture3d dataset, fusion methods