سیستم تشخیص ژست‌ دست با استفاده از شبکه‌عصبی کانولوشن و جنگل‌تصادفی

حرکات دست یکی از رایج ترین انواع زبان بدن هستند که برای ارتباط و تعامل انسانها و انسان-کامپیوتر استفاده می‌شوند. دراین مقاله روشی برای بهبود شناسایی ژست دست ارائه شده است. ابتدا با پیش‌پردازش تصویر مکان ژست دست بدست می‌آید سپس از شبکه عصبی کانولوشن برای استخراج ویژگی و از جنگل تصادفی و svm برای دسته‌بندی ژستهای مختلف استفاده می‌شود. مجموعه‌داده مورد بررسی در این پژوهش leap motion kinect می‌باشد. سه راهکار در این مقاله بررسی شده است. روش اول شبکه کانولوشن طراحی‌‌‌شده و بعد از ورود داده‌ها به شبکه، برای کاهش تعداد ویژگیهای کم‌اهمیت از الگوریتم pca استفاده‌‌‌ می‌شود. ویژگی‌‌های استخراج‌‌‌ شده به الگوریتم‌های ‌‌دسته‌بندی داده میشود. روش دوم بدون استفاده ازpca ویژگیها بطور مستقیم به الگویتم‌‌های دسته‌بند وارد میشوند. روش سوم برای مقایسه از شبکه آماده yolo برای استخراج ویژگی استفاده ‌شد. در این پژوهش سعی‌‌‌شد با طراحی شبکه کانولوشن کم‌عمق اختصاصی، الگوریتم جنگلهای تصادفی و با استفاده از cpu که ارزان تر و در دسترس می‌‌باشد استخراج ویژگی انجام و ژستها ‌‌دسته‌بندی شوند. آزمایشات انجام شده نشان می‌دهد سرعت پیاده سازی در مقایسه با gpu قابل قبول است و درصد بازشناسی با شبکه طراحی شده با روش جنگلهای تصادفی (75%) و svm (77.5%) بدست آمد.