Bilgisayarla başka bir iletişim yolu - "hareket tanıma"
Bu makale orijinal olarak ARinChina (www.arinchina.com) tarafından oluşturulmuştur, lütfen yeniden yazdırmak için ARinChina (WeChat ID: arinchinaservice) ile iletişime geçin.
Hareketler sessiz dildir. İnsanlar yaşamlarında çeşitli duyguları ifade etmek için jestler kullanırlar. Artık insanlar bilgisayarlarla jestlerle de etkileşime girebiliyor.
İnsanlarla jest etkileşimlerini anlamak kolaydır Bilgisayarlarla nasıl yapılır?
Hareket segmentasyonu
Bir bilgisayarın insan hareketlerini tanımasını istiyorsanız, önce arka plandan hareketleri bölümlere ayırmalısınız. Çünkü bilgisayar jest bilgilerini topladığında, hareketin bulunduğu sahne hakkında da bilgi toplar.
Hareket segmentasyonu genellikle aşağıdaki yöntemleri kullanır:
Hareket modeli eğitimi
Tıpkı bir insan gibi, bir bilgisayar da bir hareketi tanımadan önce ona hareketin ne olduğunu ve ne anlama geldiğini söylemelidir.
Bu süreç jest modellemedir. Modelin seçimi özel uygulamaya bağlıdır Doğal insan-bilgisayar etkileşimi gerçekleştirilecekse, tanıma sisteminin kullanıcı tarafından yapılan çoğu harekete doğru yanıt verebilmesi için iyi ve etkili bir hareket modeli oluşturulmalıdır.
Şu anda, jest modelleme yöntemleri iki kategoriye ayrılabilir: Görünüme dayalı hareket modelleme ile 3D modele dayalı hareket modelleme .
Görünüşe dayalı hareket modellemesi, döndürme ve yakınlaştırma koşulu altında hareketin hızlı bir şekilde tanınmasını sağlamak için hareketleri, hareketin parmak sayısına ve parmaklar arasındaki açıya göre sınıflandırmaktır.
3D modele dayalı hareket modelleme yöntemi: önce insan vücudunun 3D modelini sentezleyin, ardından model ve gerçek insan vücudu aynı görsel görüntüyü eşleyene kadar modelin parametrelerini değiştirin ve ardından vücut duruşunu analiz edin.
Görünüm özelliklerine dayalı hareket modelleme yöntemi nispeten sezgisel, uyarlanabilir ve hızlıdır. Ancak pratik uygulamalarda ışığın etkisi ve vücudun diğer bölümlerinin rengi dikkate alınmalıdır ve bu faktörler doğrudan jest alanının çıkarılmasını etkileyecektir.
3B modellere dayalı hareket modellemesi, görünür özelliklere dayalı olarak tanıma sırasında tıkanmanın neden olduğu yanlış tanımayı önleyen nispeten yüksek bir tanıma doğruluğuna sahiptir. 3B modelleme teknolojisi oldukça olgun olsa da, model yanıtı hızlı bir şekilde oluşturmak için hala çok karmaşık.
Bu nedenle, Leap Motion ve HoloLens gibi çoğu ürün, derinlik görüntü bilgisi ve hareket görünümü özelliklerinin bir kombinasyonunu kullanır. Bu yöntem, 3D'ye dayalı görünüm ve tanıma doğruluğuna dayalı olarak tanıma hızına ulaşabilir.
Hareket analizi
Hareketi modelledikten sonra, sonraki adım hareketi analiz etmektir. Hareket analizi, seçilen hareket modeli parametrelerini tahmin etmektir Bu adım genellikle özellik algılama ve parametre tahmininden oluşur. Özellik tespiti sürecinde öncelikle elin konumu belirlenmelidir. Kullanılan farklı işaretlere göre konumlandırma teknolojisi üç türe ayrılabilir: renk tabanlı konumlandırma, hareket tabanlı konumlandırma ve çok modlu konumlandırma.
Renk bazlı konumlandırma teknolojisinin temel dezavantajı, farklı aydınlatma koşullarında ten renginin büyük ölçüde değişmesi ve el ile vücut renginin aynı olmasıdır.Vücudun diğer kısımları hareketin arka planında göründüğünde tanıma hatalarına neden olacaktır. Bu sorunu çözmenin basit yolu, özel bir çift eldiven giymektir.
Hareket temelli konumlandırma teknikleri genellikle belirli varsayımlarla kullanılır. Örneğin, normalde sadece bir kişinin bir jest yaptığını ve jest yapan kişinin arka plana göre hareketinin küçük olduğunu, yani sadece görüntüdeki elin hareket ettiğini varsayalım.
Çok modlu konumlandırma teknolojisine dayalı olarak, insan elinin yerini belirlemek için hareket ve renk bilgilerinin birleşimidir. Bu yöntem daha doğrudur, ancak hesaplama miktarı artacaktır.
eşleşme
Hareketleri analiz ettikten sonra, hareketleri sınıflandırmaya eşdeğerdir.Ardından, okuma hareketi bilgilerini analiz sonuçlarıyla eşleştirmeniz yeterlidir.Eşleştirme işlemine hareket tanıma denir.
Hareket tanıma, statik hareket tanıma ve dinamik hareket tanıma olarak ikiye ayrılır. Statik jestler, vizyonu tespit ettiğimizde doktorlara yön gösteren jestlere eşdeğerdir; dinamik jestler, basketbol sahasında hakemler tarafından yapılan bir dizi jestle eşdeğerdir.
Statik hareket tanıma genellikle şablon eşleştirme yöntemleri kullanılarak gerçekleştirilir. Hareket şablonunu maksimum benzerliğe göre çıkarmak için bazı benzerlik kriterleri aracılığıyla, şablon kitaplığındaki hareketler ve önceden tanımlanmış hareketler arasındaki benzerliğin gerçek zamanlı karşılaştırması.
Statik hareketlerin aksine, dinamik hareketler zamansal ve uzamsal bağlamı içerir. Çoğu dinamik hareket, hareket modeli uzayında bir yörünge olarak modellenir. Hareketleri yaparken farklı kullanıcıların hız farkı ve yeterliliği, hareket yörüngesi ile model yörüngesi arasında büyük sapmalara neden olacaktır.
Bu sorunu ortadan kaldırmak için. Mevcut dinamik hareket tanıma teknolojisi üç kategoriye ayrılabilir: Gizli Markow Modellerine (HMM) dayalı tanıma, Dinamik Zaman Bükülmesine (DTW) dayalı tanıma ve sıkıştırılmış zaman eksenine dayalı tanıma.
HMM algoritması, otomatik bölümleme ve sınıflandırma yetenekleri nedeniyle yaygın olarak kullanılmaktadır.Aşağıdaki örnek, bu algoritmanın ilkesini açıklayabilir.
Farz edin ki uzakta yaşayan bir arkadaşınız var ve o gün ne yaptığını söylemek için sizi her gün arıyor. Arkadaşlar yalnızca üç etkinlikle ilgilenirler: parkta yürümek, alışveriş yapmak ve odayı temizlemek. Ne yapmayı seçeceği sadece hava durumuna bağlıdır.
Yaşadığı yerin hava şartlarını bilmeseniz de bugün yaptıklarına göre hava şartlarını tahmin edebilirsiniz. Bütün bu sistem Gizli Markov Model HMM'dir.
Bu sistemde bu alandaki hava durumu trendlerini ve arkadaşlarınızın ne yaptığını biliyorsunuz, bunlar gizli Markov modelindeki parametrelerdir ve bilinirler. Hareketler bir dizi yönlü vektör olarak tanımlanabilir ve benzer vektörler bir sembolle tanımlanabilir. Aşağıda gösterildiği gibi:
Parmağın konumunu belirleyebilir ve ardından yörüngeyi HMM modeline göre tahmin edebilir ve yörünge boyunca hareketin anlamını analiz edebiliriz.
Bu makaledeki resim Google'dan geliyor
Başlık görselinin kaynağı: YouTube
