Modelo de identificación de señas y detección de mala postura en aprendizaje del abecedario de la lengua de señas colombiana basado en inteligencia computacional

Fecha

Autor corporativo

Título de la revista

ISSN de la revista

Título del volumen

Editor

Compartir

Altmetric

Resumen

A model of detection and correction of static signs within the LSC alphabet is proposed. The signs are captured using a device with an infrared camera called Leap Motion (LP), capable of obtaining in a graphical way the hand that is being visualized in front of it. In order to validate the sign recognition model, a database is built with a population of 38 people, where 25 samples per person are obtained. The sign recognition system uses three (3) individual classifiers from the following computational intelligence techniques: Support Vector Machines (SVM), Multilayer Perceptron (MLP) and Random Forests (BA). Subsequently, a Stacking-based Strong classifier is obtained from the individual classifiers. The Strong classifier achieves a sign recognition effectiveness with the test set of 97.41%. Subsequently, a correction of the signs is performed using a fuzzy Mandani-type fuzzy system.

Descripción

Se propone un modelo de detección y corrección las señas estáticas dentro del abecedario de la LSC. Las señas se capturan haciendo uso de un dispositivo con cámara infrarroja llamado Leap Motion (LP), capaz de obtener de una forma gráfica la mano que se está visualizando frente a el. Para validar el modelo de reconocimiento de señas se construye una base de datos compuesta de una población 38 personas, donde se obtienen 25 muestras por persona. El sistema de reconocimiento de señas utiliza tres (3) clasificadores individuales a partir de las siguientes técnicas de inteligencia computacional: Máquinas de Vectores de Soporte (SVM), Perceptron Multicapa (MLP) y Bosques Aleatorios (BA). Posteriormente, un clasificador Fuerte basado en Stacking es obtenido a partir de los clasificadores individuales. El clasificador Fuerte logra una efectividad en el reconocimiento de las señas con el conjunto de prueba de 97.41\%. Posteriormente se realiza una corrección de las señas a partir de un sistema difuso de tipo Mandani.

Palabras clave

LSC, Leap motion, Redes neuronales, Máquinas de soporte vectorial, Bosques aleatorios, Modelo de aprendizaje conjunto, Sistema difuso

Materias

Ingeniería Electrónica -- Tesis y disertaciones académicas , Lengua de señas , Redes neurales (Informática) , Inteligencia artificial , Sistemas difusos

Citación