Сенсоры, манипуляторы, устройства распознавания жестов
ВВЕДЕНИЕВ настоящее время всё больше исследований направлено на решение задач с применением компьютерного зрения и искусственного интеллекта. Наиболее частыми являются решения и подходы с использованием распознавания жестов на основании инфракрасных сенсоров или нейронных сетей. Актуальность рассматриваемой тематики обусловлена возможностью применения предлагаемого подхода для управления работой объектов без тактильного контакта и голосовой идентификации команд, а также своей простотой с точки зрения конечного пользователя.
Искусственный интеллект, машинное обучение, накопленный опыт работы с Big Data и облачными хранилищами стали толчком к развитию Computer Vision (CV). В последние 10—15 лет компьютеры научились не только видеть различные объекты и людей, но и различать сигналы человеческого тела, которые несут информационную нагрузку, передают смысл и конкретные побуждения к действию.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 3
1 Технология распознавания жестов 4
1.1 Взаимодействие человека и робота 4
1.2 Распознавание жестов 5
1.3 Сенсорные технологии 7
1.4 Методы, основанные не на изображениях 8
1.5 Идентификация жестов 9
2. Алгоритмы обучения 11
2.1 Модель человека 11
2.2 Отслеживание единичной, множественных и расширенных гипотез жестов 13
2.3 Сравнение различных подходов отслеживания жестов 15
2.4 Классификация жестов 16
2.5 Сравнение подходов классификации жестов 20
ЗАКЛЮЧЕНИЕ 22
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 23
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВДж. Крюгер, Т. Лиен, А. Верл, Взаимодействие человека и машин на сборочных линиях [Текст] / Дж. Крюгер, Т. Лиен, А. Верл - CIRP Annals-Manufacturing Technology, 2019. – 646с.
Gregorio F. et al. Internet of Things [Текст] / Signals and Communication Technology. 2020. - 480 c.
К. Бризил, А. Брукс, Дж. Грей, Г. Хоффман, К. Кидд, Х. Ли, Дж. Либерман, А. Локерд, Д. Муланда, Роботы-гуманоиды как партнеры по сотрудничеству для людей [Текст] / К.А. Бризил, Дж. Брукс. - Журнал гуманоидных роботов, 2018 – 34c.
Янначчи Дж. Введение в MEMS и RF-MEMS: от ранних микросистем до современных пассивных RF-MEMS [Текст] / Янначчи Дж. - RF-MEMS Technology for High-Performance Passives. 2017. – 39 с.
Статья – Распознавание жестов [Электронный ресурс] — URL: http://ru.wikipedia.org/wiki/%D0%98%D0%BD%D1 (дата обращения: 20.12.2022)
Статья - Создание запросов [Электронный курс] — URL: http://www.lessons-tva.info/edu/e-inf2/m2t4_4.html (дата обращения: 05.06.2022)
Статья - Создание отчёта [Электронный курс] — URL: http://dpivi.ru/128-5-sozdanie-otcheta-kak-obekta-bazy-dannyh.html (дата обращения: 06.06.2022).
J. Krüger, T. Lien, A. Verl, Cooperation of human and machines in assembly lines [Текст]/ CIRP Annals-Manufacturing Technology, 58 (2019) 628 с. –646 с.
Ильин В.П. Визуальная интерпретация жестов рук для взаимодействия человека и компьютера [Текст] / IEEE Transactions по анализу шаблонов и машинному интеллекту, 2019. - стр. 677-695.
Уткин, В.Б. Информационные системы в экономике [Текст] / В.Б. Уткин. - М.: Academia, 2018. - 189 c.
П. Долиотис, А. Стефан, К. Макмерроу, Д. Экхард, В. Атитсос, Сравнение точности распознавания жестов с использованием информации о цвете и глубине [Текст] // Материалы 4-й международной конференции по всеобъемлющим технологиям, связанным со вспомогательными средами, ACM, 2021, стр. 20
Еще одна распространенная проблема в обнаружении цвета кожи заключается в том, что цвет кожи человека сильно различается среди человеческих рас. Из-за вышеперечисленных проблем, в современных подходах, цвет кожи рассматривается только как один из многих параметров при идентификации жестов.
В распознавании жестов на основе изображения условия освещения сильно влияют на качество идентификации жестов. Поэтому многие исследователи используют метод локальных признаков, который не чувствителен к условиям освещения. Локальный подход к объектам – это детализированный подход на основе текстур. Он раскладывает изображение на более мелкие области, которые не соответствуют частям тела.
Так же обнаружить жесты можно при помощи движений. В конкретной среде HRC человек является единственным движущимся объектом в массиве необработанных данных.