$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 키넥트 센서로부터 획득된 관절 정보를 이용하여 팔 제스처를 인식하는 방법을 나타내고, 이를 슈팅 게임에 적용한다. 이를 위해 제안된 2-계층 모델에서 계층1은 제스처와 비제스처 패턴을 HMM(Hidden Markov Model)으로 모델링하고 HMM 기반의 적응적 임계치 모델을 통해 제스처/비제스처 구분 및 제스처의 시작과 끌 지점을 검출한다. 계층2는 계층1에서 제공하는 제스처 적응 정보에 대해 CRF(Conditional Random Field)모델 기반으로 제스처 인식을 수행한다. 특히 제스처 인식의 성능 향상을 위해 CRF 모델의 누적된 시퀀스 기반 확률 값에 다수 투표 기법을 적용함으로써, 잘못된 적출 정보나 제스처 변형에서 발생하는 인식 오류를 줄이고 인식 성능을 향상하였다. 제안하는 방법의 성능을 평가하기 위해, 실제 슈팅 게임에서 시용되는 기능에 대한 팔 제스처를 정의하고, 키넥트 센서를 이용하여 데이터셋을 수집하였다. 실험 결과, 제안하는 방법은 연속된 팔 제스처 데이터에서 97.54%의 적출률 및 사전에 적출된 팔 제스처 데이터에서 100%의 높은 인식률을 보였다. 또한, 기존의 HMM 및 CRF 모델과 제안하는 모델의 인식 성능을 비교함으로써, 제안하는 방법의 우수함을 입증하였다.

Abstract AI-Helper 아이콘AI-Helper

This paper proposes a 2-layer gesture spotting and recognition model using data obtained from a kinect sensor and applies the model to the shooting game application. The layer1 models the gesture and non-gesture patterns using HMM and detects the start and end points of gesture using an adaptive thr...

주제어

저자의 다른 논문 :

LOADING...
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로