Our work involves hand posture recognition based on
3D data acquired by the KinectTM sensor in the form
of point clouds. We combine a descriptor built on the
basis of the Viewpoint Feature Histogram (VFH) with
additional feature describing the number of extended
fingers. First, we extract a region corresponding to the
hand and then a histogram of the edge distances from
the palm center is built. Based on quantized version of
the histogram we calculate the number of extended fingers.
This information is used as a first feature describing
the hand which, together with VFH-based features,
form the feature vector. Before calculating VFH we
rotate the hand making our method invariant to hand
rotations around the axis perpendicular to the camera
lens. Finally, we apply nearest neighbor technique for
the posture classification. We present results of crossvalidation
tests performed on a representative dataset
consisting of 10 different postures, each shown 10 times
by 10 subjects. The comparison of recognition rate and
mean computation time with other works performed on
this dataset confirms the usefulness of our approach.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00