Título
Reconocimiento anticipado de gestos
Autor
YARED SABINAS FIGUEROA
Colaborador
JOSE EDUARDO MORALES MORALES (Asesor de tesis)
HUGO JAIR ESCALANTE BALDERAS (Asesor de tesis)
Nivel de Acceso
Acceso Abierto
Materias
Resumen o descripción
Early gesture recognition consists in recognizing gestures at their beginning,
using incomplete information. Among other applications, these methods can be
used to compensate for the delay of gesture-based interactive systems. In this thesis,
we propose a new approach for early recognition of full-body gestures based
on dynamic time warping (DTW) that uses a single example from each category.
Our method is based on the comparison between time sequences obtained from
known and unknown gestures. The classifier provides a response before the unknown
gesture finishes and can work under the one-shot scheme, i.e. only need
one example of each gesture to recognize the unknown gestures. We performed experiments
in the MSR-Actions3D benchmark and another data set that we built.
Results show that, in average, the classifier is capable of recognizing gestures with
~50% of the information in real time, losing only 13% of accuracy with respect
to using all the information.
El reconocimiento anticipado de gestos es el problema de reconocer los gestos
en sus partes iniciales, por lo que el reconocimiento debe hacerse sin contar con
toda la información sobre el gesto que se quiere reconocer. Entre otras aplicaciones,
el reconocimiento anticipado puede ser usado para compensar el retraso
de sistemas interactivos basados en gestos. En esta tesis proponemos un nuevo
enfoque para el reconocimiento temprano de gestos de cuerpo completo que está
basado en Dynamic Time Warping (DTW) y que no necesita una fase compleja de
entrenamiento. Nuestro método está basado en la comparación de secuencias de
tiempo, mismas que se obtienen de los gestos conocidos y desconocidos. Nuestro
método arroja una respuesta antes de que el gesto desconocido sea terminado y
es capaz de funcionar bajo el esquema one-shoot, i.e., sólo necesita un ejemplo de
cada gesto para poder clasificar los gestos entrantes. Realizamos experimentos con
una base de datos que nosotros construimos y con la base de datos MSR-Action3D
propuesta en otros trabajos. Los resultados muestran que nuestro clasificador es
capaz de reconocer gestos en tiempo real con sólo el ~50% de la información, perdiendo
un máximo de 13% de precisión con respecto a los resultados obtenidos
con nuestro método de clasificación sin anticipación (en promedio).
Editor
Instituto Nacional de Astrofísica, Óptica y Electrónica
Fecha de publicación
agosto de 2013
Tipo de publicación
Tesis de maestría
Versión de la publicación
Versión aceptada
Recurso de información
Formato
application/pdf
Idioma
Español
Audiencia
Estudiantes
Investigadores
Público en general
Sugerencia de citación
Sabinas-Figueroa Y.
Repositorio Orígen
Repositorio Institucional del INAOE
Descargas
1385