지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백중환
- 발행연도
- 2014
- 저작권
- 한국항공대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 스마트TV에 대한 보급으로 관련 산업이 주목 받고 있다. 기존 리모컨을 이용하여 TV를 컨트롤 하던 시대에서 벗어나 제스처를 이용하여 TV를 컨트롤 할 수 있는 새로운 접근을 제안한다.
본 논문에서는 키넥트 센서를 이용한 AdaBoost 기반 제스처 인식에 관한 알고리즘을 제안한다. AdaBoost 학습 모델에 신체 정규화된 시간 간격 특징 벡터의 집합을 특징 패턴으로 하여, 속도가 다른 동작들을 인식할 수 있도록 하였다. 또한 속도가 다른 다양한 제스처를 인식하기 위해 다중 AdaBoost 알고리즘을 적용하였다. CART 알고리즘을 이용하여 중요 특징 벡터를 확인하고 중요도가 낮은 특징벡터를 제거하는 방식을 적용하면서 최적의 특징 벡터를 탐색하였다. 그 결과 최적의 24개의 특징벡터를 찾았으며, 기존 알고리즘에 비해 낮은 오분류율과 높은 인식률은 지닌 특징벡터 및 분류기를 설계하였다. 제안된 알고리즘을 실제 동영상 플레이어와 연결하여 적용하였고, 기존 알고리즘에 비해 정확도가 향상되었음을 확인하였다.
본 논문에서는 키넥트 센서를 이용한 AdaBoost 기반 제스처 인식에 관한 알고리즘을 제안한다. AdaBoost 학습 모델에 신체 정규화된 시간 간격 특징 벡터의 집합을 특징 패턴으로 하여, 속도가 다른 동작들을 인식할 수 있도록 하였다. 또한 속도가 다른 다양한 제스처를 인식하기 위해 다중 AdaBoost 알고리즘을 적용하였다. CART 알고리즘을 이용하여 중요 특징 벡터를 확인하고 중요도가 낮은 특징벡터를 제거하는 방식을 적용하면서 최적의 특징 벡터를 탐색하였다. 그 결과 최적의 24개의 특징벡터를 찾았으며, 기존 알고리즘에 비해 낮은 오분류율과 높은 인식률은 지닌 특징벡터 및 분류기를 설계하였다. 제안된 알고리즘을 실제 동영상 플레이어와 연결하여 적용하였고, 기존 알고리즘에 비해 정확도가 향상되었음을 확인하였다.
목차
요 약 i목 차 ii그림 목록 iv표 목 록 v약어 목록 vi제１장 서론 １제２장 제스처 ４2.1 제스처 ４2.2 제스처 센싱 기술 ５2.3 포스처와 제스처 ６제３장 제스처 취득 ８3.1 Kinect 스켈레톤 데이터 ８3.2 특징 벡터(Feature Vector) ９3.2.1 키넥트 데이터 정규화 ９3.2.2. Jia Sheng의 특징 벡터 １１3.2.3 특징 벡터 정의 １３제４장 제스처 인식 １７4.1 제스처 학습 및 인식 １７4.2 특징 벡터 학습 １８4.3 프레임(Frame) 간의 관계를 이용한 군집 결정 ２０제５장 학습 모델 ２１5.1 시,공간적 변이를 가진 패턴 추출법 ２１5.2 AdaBoost 알고리즘 ２３5.3 CART 알고리즘 ２６제６장 실험 및 결과 ３２6.1 실험 환경 ３２6.1.1. 실험 데이터 ３２6.1.2. 학습 및 성능 평가 방법 ３３6.2 기존 특징 벡터 평가 ３５6.2.1. Ada-Boost 평가 ３５6.2.2. CART 평가 ３６6.2.3. AdaBoost 가지치기 적용 평가 ３７6.3 제안한 특징 벡터 평가 ３８6.3.1. AdaBoost 적용 평가 ３８6.3.2. CART 적용 평가 ３９6.3.3. AdaBoost 가지치기 적용 평가 ４０6.4 비교 평가 ４１6.5 속도 변화에 따른 실험 ４２6.5.1. 느린 속도 동작(60frame) 평가 ４３6.5.2. 중간 속도 동작(40~50frame) 평가 ４４6.5.3. 빠른 속도 동작(20~30frame) 평가 ４５제７장 결 론 ４６참 고 문 헌 ４８SUMMARY ５１
최근 본 자료
댓글(0)
0