سيستم تشخيص ژست‌ دست با استفاده از شبكه‌عصبي كانولوشن و جنگل‌تصادفي

حركات دست يكي از رايج ترين انواع زبان بدن هستند كه براي ارتباط و تعامل انسانها و انسان-كامپيوتر استفاده مي‌شوند. دراين مقاله روشي براي بهبود شناسايي ژست دست ارائه شده است. ابتدا با پيش‌پردازش تصوير مكان ژست دست بدست مي‌آيد سپس از شبكه عصبي كانولوشن براي استخراج ويژگي و از جنگل تصادفي و SVM براي دسته‌بندي ژستهاي مختلف استفاده مي‌شود. مجموعه‌داده مورد بررسي در اين پژوهش leap motion Kinect مي‌باشد. سه راهكار در اين مقاله بررسي شده است. روش اول شبكه كانولوشن طراحي‌‌‌شده و بعد از ورود داده‌ها به شبكه، براي كاهش تعداد ويژگيهاي كم‌اهميت از الگوريتم PCA استفاده‌‌‌ مي‌شود. ويژگي‌‌هاي استخراج‌‌‌ شده به الگوريتم‌هاي ‌‌دسته‌بندي داده ميشود. روش دوم بدون استفاده ازPCA ويژگيها بطور مستقيم به الگويتم‌‌هاي دسته‌بند وارد ميشوند. روش سوم براي مقايسه از شبكه آماده YOLO براي استخراج ويژگي استفاده ‌شد. در اين پژوهش سعي‌‌‌شد با طراحي شبكه كانولوشن كم‌عمق اختصاصي، الگوريتم جنگلهاي تصادفي و با استفاده از CPU كه ارزان تر و در دسترس مي‌‌باشد استخراج ويژگي انجام و ژستها ‌‌دسته‌بندي شوند. آزمايشات انجام شده نشان مي‌دهد سرعت پياده سازي در مقايسه با GPU قابل قبول است و درصد بازشناسي با شبكه طراحي شده با روش جنگلهاي تصادفي (۷۵%) و SVM (۷۷.۵%) بدست آمد.