People communicate to use language of voice and gesture with others. Sign language in a gesture language is the most systematic defined and used in the life. Deaf who cannot speak communicate using sign language, but they are difficult to communicate with others don’t have knowledge sign language. Many studies have been developed for ...
People communicate to use language of voice and gesture with others. Sign language in a gesture language is the most systematic defined and used in the life. Deaf who cannot speak communicate using sign language, but they are difficult to communicate with others don’t have knowledge sign language. Many studies have been developed for recognition and classification of sign language to solve problem. Computer vision and data glove is able to recognize sign language. Computer vision is very well recognized sign language, but camera depends on working environment. Data glove using accelerometer or bending sensor has mobility and easy to use. But data glove has two problems (when finger bend, bending sensor detach data glove and not designed to consider size of use’s hands). In case of commercial data gloves are expensive using many sensors and have been used widely in the field of game using motion capture, movie and art rather than recognition of sign language. In the study to be applied to Korean finger language classification to development sensor and classification system that is suitable for Korean finger language. System for Classifying Korean finger language is composed of Hardware and Software. Hardware system is composed of sensor, IMU and DAQ. Sensor that is able to measure bending of finger is designed ring sensor to solve problem of commercial data glove. Ring sensor is designed two sensor types (strain ring sensor and bending ring sensor). Comparing performance of two sensors is conducted experiment. As a result bending ring sensor precisely measure bending of finger and is suitable to classify Korean finger language than strain ring sensor. To find 6 position of back of hand is used 1 IMU. 5 Ring sensor is equipped each finger and 2 DAQ use to acquire sensor data. Software system is designed three classifiers. Using classifiers are K-NN (Nearest Neighbor, ), Bayesian, SVM (Support Vector Machine). To compare performance of three classifiers is conducted two experiments (Korean finger language 14 consonants classification and 17 vowels classification). Using average success rate of classification and 1 data classifying speed is compared performance of three classifications. The results of two experiments, K-NN classifier has higher average success rate of classification (97.24%, 98.24%) and faster 1 data classifying speed (2.4ms, 3.2ms). Classification 31 Korean finger language is conducted experiment using bending ring sensor and K-NN classifier. Average success rate of classification and 1 data classification speed is shown each 93.55% and 3.2ms. For two cases (‘ㄹ’ and ‘ㅌ’, ‘ㅅ’ and ‘ㅠ’) where the hand posture is similar have lower classification success rate. But designed ring sensor and classification system is verified effectiveness to classify Korean finger language.사람은 음성언어와 제스처언어를 같이 사용하면서 의사소통을 한다. 제스처언어 중에서 수화는 가장 체계적으로 정의가 되어있으며 일상생활에서 사용되고 있다. 음성언어로 의사소통이 어려운 청각장애인의 경우 수화를 사용하여 의사소통하고 있지만, 상대방이 수화에 대한 지식이 없을 때는 의사소통이 어려운 문제점을 가지고 있다. 이러한 문제점을 해결하기 위해서 수화를 인식하고 분류하는 연구가 많이 진행되어 왔다. 수화를 인식하는 방법으로 컴퓨터 비전 (Computer Vision)과 데이터 글러브 (Data Glove)를 이용한 방법이 있다. 컴퓨터 비전은 수화를 인식하는데 뛰어나지만, 카메라가 외부 환경에 많은 영향을 받는 문제점을 가지고 있다. 데이터 글러브는 굽힘 센서나 가속도 센서를 사용하며 휴대와 사용하기 편하다는 장점이 있다. 하지만 굽힘 센서의 경우 손가락을 굽힐 때 센서가 데이터 글러브에서 떨어지는 문제와 사용자의 손 크기를 고려하지 않았으며 장시간 사용이 힘든 문제점을 가지고 있다. 또한, 상용화된 데이터 글러브의 경우 많은 센서를 사용하여 가격이 비싸며, 수화 인식이 아닌 모션 캡처를 활용한 게임, 영화 및 예술 분야에서 널리 쓰이고 있다. 본 연구는 한글 지화 분류에 적합한 센서와 분류 시스템을 개발하여 한글 지화 분류에 적용하고자 한다. 한글 지화 분류 시스템은 하드웨어와 소프트웨어로 두 가지로 구성하였다. 하드웨어 시스템은 손가락의 굽힘을 측정할 수 있는 센서와 손등의 위치를 파악하는 IMU, 센서의 데이터를 획득하는 DAQ로 구성하였다. 손가락의 굽힘을 측정할 수 있는 센서로 기존의 데이터 글러브의 문제점을 해결하기 위한 링 센서를 설계하였다. 링 센서는 스트레인 게이지를 사용한 스트레인 링 센서와 굽힘 센서를 사용한 굽힘 링 센서를 설계하였고, 실험을 통해서 센서의 성능을 비교하였다. 실험 결과 굽힘 링 센서가 스트레인 링 센서에 비해 손가락의 굽힘을 더 정밀하게 측정하며 한글 지화 분류에 적합한 것을 확인하였다. 손등의 위치를 파악하기 위해서 1개의 IMU를 사용하였다. IMU의 Roll, Pitch, Yaw의 값을 이용하여 6가지 손등의 위치를 파악하였다. 링 센서는 각 손가락에 1개씩 착용해 총 5개의 링 센서를 착용하였고 센서의 데이터 획득을 위해서 DAQ 2대를 사용하였다. 소프트웨어 시스템은 3가지 분류기를 사용하였다. 사용한 분류기는 K-NN (Nearest Neighbor, ), Bayesian, SVM (Support Vector Machine)이다. 분류기의 성능을 비교하기 위해서 두 가지 실험 (한글 지화 자음 14자 분류와 모음 17자 분류)을 진행하였다. 분류 평균 성공률과 1개의 샘플 데이터를 분류하는데 걸리는 시간을 가지고 분류기의 성능을 비교하였다. 두 가지 실험의 결과 K-NN (Nearest Neighbor, )의 분류 평균 성공률은 97.14%(자음 14자)와 98.24%(모음 17자)로 가장 높았고, 1개의 샘플 데이터를 분류하는데 걸리는 시간은 2.4ms(자음 14자)와 3.2ms(모음 17자)로 가장 빠른 분류 속도를 보였다. 한글 지화 31자 분류 실험은 굽힘 링 센서와 K-NN 분류기를 사용하였다. 실험 결과 평균 분류 성공률은 93.55%, 1개의 샘플 데이터를 분류하는데 걸리는 시간은 3.2ms를 보였다. 유사한 동작인 ‘ㄹ’과 ‘ㅌ’, ‘ㅅ’과 ‘ㅠ’의 경우에 낮은 분류 성공률을 보였지만, 설계한 굽힘 링 센서와 분류 시스템은 한글 지화 분류에 적합하다는 것을 실험을 통하여 검증하였다.
People communicate to use language of voice and gesture with others. Sign language in a gesture language is the most systematic defined and used in the life. Deaf who cannot speak communicate using sign language, but they are difficult to communicate with others don’t have knowledge sign language. Many studies have been developed for recognition and classification of sign language to solve problem. Computer vision and data glove is able to recognize sign language. Computer vision is very well recognized sign language, but camera depends on working environment. Data glove using accelerometer or bending sensor has mobility and easy to use. But data glove has two problems (when finger bend, bending sensor detach data glove and not designed to consider size of use’s hands). In case of commercial data gloves are expensive using many sensors and have been used widely in the field of game using motion capture, movie and art rather than recognition of sign language. In the study to be applied to Korean finger language classification to development sensor and classification system that is suitable for Korean finger language. System for Classifying Korean finger language is composed of Hardware and Software. Hardware system is composed of sensor, IMU and DAQ. Sensor that is able to measure bending of finger is designed ring sensor to solve problem of commercial data glove. Ring sensor is designed two sensor types (strain ring sensor and bending ring sensor). Comparing performance of two sensors is conducted experiment. As a result bending ring sensor precisely measure bending of finger and is suitable to classify Korean finger language than strain ring sensor. To find 6 position of back of hand is used 1 IMU. 5 Ring sensor is equipped each finger and 2 DAQ use to acquire sensor data. Software system is designed three classifiers. Using classifiers are K-NN (Nearest Neighbor, ), Bayesian, SVM (Support Vector Machine). To compare performance of three classifiers is conducted two experiments (Korean finger language 14 consonants classification and 17 vowels classification). Using average success rate of classification and 1 data classifying speed is compared performance of three classifications. The results of two experiments, K-NN classifier has higher average success rate of classification (97.24%, 98.24%) and faster 1 data classifying speed (2.4ms, 3.2ms). Classification 31 Korean finger language is conducted experiment using bending ring sensor and K-NN classifier. Average success rate of classification and 1 data classification speed is shown each 93.55% and 3.2ms. For two cases (‘ㄹ’ and ‘ㅌ’, ‘ㅅ’ and ‘ㅠ’) where the hand posture is similar have lower classification success rate. But designed ring sensor and classification system is verified effectiveness to classify Korean finger language.사람은 음성언어와 제스처언어를 같이 사용하면서 의사소통을 한다. 제스처언어 중에서 수화는 가장 체계적으로 정의가 되어있으며 일상생활에서 사용되고 있다. 음성언어로 의사소통이 어려운 청각장애인의 경우 수화를 사용하여 의사소통하고 있지만, 상대방이 수화에 대한 지식이 없을 때는 의사소통이 어려운 문제점을 가지고 있다. 이러한 문제점을 해결하기 위해서 수화를 인식하고 분류하는 연구가 많이 진행되어 왔다. 수화를 인식하는 방법으로 컴퓨터 비전 (Computer Vision)과 데이터 글러브 (Data Glove)를 이용한 방법이 있다. 컴퓨터 비전은 수화를 인식하는데 뛰어나지만, 카메라가 외부 환경에 많은 영향을 받는 문제점을 가지고 있다. 데이터 글러브는 굽힘 센서나 가속도 센서를 사용하며 휴대와 사용하기 편하다는 장점이 있다. 하지만 굽힘 센서의 경우 손가락을 굽힐 때 센서가 데이터 글러브에서 떨어지는 문제와 사용자의 손 크기를 고려하지 않았으며 장시간 사용이 힘든 문제점을 가지고 있다. 또한, 상용화된 데이터 글러브의 경우 많은 센서를 사용하여 가격이 비싸며, 수화 인식이 아닌 모션 캡처를 활용한 게임, 영화 및 예술 분야에서 널리 쓰이고 있다. 본 연구는 한글 지화 분류에 적합한 센서와 분류 시스템을 개발하여 한글 지화 분류에 적용하고자 한다. 한글 지화 분류 시스템은 하드웨어와 소프트웨어로 두 가지로 구성하였다. 하드웨어 시스템은 손가락의 굽힘을 측정할 수 있는 센서와 손등의 위치를 파악하는 IMU, 센서의 데이터를 획득하는 DAQ로 구성하였다. 손가락의 굽힘을 측정할 수 있는 센서로 기존의 데이터 글러브의 문제점을 해결하기 위한 링 센서를 설계하였다. 링 센서는 스트레인 게이지를 사용한 스트레인 링 센서와 굽힘 센서를 사용한 굽힘 링 센서를 설계하였고, 실험을 통해서 센서의 성능을 비교하였다. 실험 결과 굽힘 링 센서가 스트레인 링 센서에 비해 손가락의 굽힘을 더 정밀하게 측정하며 한글 지화 분류에 적합한 것을 확인하였다. 손등의 위치를 파악하기 위해서 1개의 IMU를 사용하였다. IMU의 Roll, Pitch, Yaw의 값을 이용하여 6가지 손등의 위치를 파악하였다. 링 센서는 각 손가락에 1개씩 착용해 총 5개의 링 센서를 착용하였고 센서의 데이터 획득을 위해서 DAQ 2대를 사용하였다. 소프트웨어 시스템은 3가지 분류기를 사용하였다. 사용한 분류기는 K-NN (Nearest Neighbor, ), Bayesian, SVM (Support Vector Machine)이다. 분류기의 성능을 비교하기 위해서 두 가지 실험 (한글 지화 자음 14자 분류와 모음 17자 분류)을 진행하였다. 분류 평균 성공률과 1개의 샘플 데이터를 분류하는데 걸리는 시간을 가지고 분류기의 성능을 비교하였다. 두 가지 실험의 결과 K-NN (Nearest Neighbor, )의 분류 평균 성공률은 97.14%(자음 14자)와 98.24%(모음 17자)로 가장 높았고, 1개의 샘플 데이터를 분류하는데 걸리는 시간은 2.4ms(자음 14자)와 3.2ms(모음 17자)로 가장 빠른 분류 속도를 보였다. 한글 지화 31자 분류 실험은 굽힘 링 센서와 K-NN 분류기를 사용하였다. 실험 결과 평균 분류 성공률은 93.55%, 1개의 샘플 데이터를 분류하는데 걸리는 시간은 3.2ms를 보였다. 유사한 동작인 ‘ㄹ’과 ‘ㅌ’, ‘ㅅ’과 ‘ㅠ’의 경우에 낮은 분류 성공률을 보였지만, 설계한 굽힘 링 센서와 분류 시스템은 한글 지화 분류에 적합하다는 것을 실험을 통하여 검증하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.