دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Chaudhary. Ankit
سری:
ISBN (شابک) : 9789811047985, 9789811047978
ناشر: Springer
سال نشر: 2018
تعداد صفحات: 108
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب تشخیص حرکات قوی دست برای کنترل دستی رباتیک: دست ربات -- کنترل، کنترل قوی، فناوری و مهندسی / مهندسی (عمومی)
در صورت تبدیل فایل کتاب Robust hand gesture recognition for robotic hand control به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تشخیص حرکات قوی دست برای کنترل دستی رباتیک نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب بر روی تشخیص ژست دست برهنه تغییر ناپذیر نور تمرکز
دارد در حالی که هیچ محدودیتی در انواع ژست ها وجود ندارد.
مشاهدات و نتایج تایید کرده اند که این کار تحقیقاتی می تواند
برای کنترل از راه دور دست رباتیک با استفاده از حرکات دست
استفاده شود. سیستم توسعه یافته در اینجا همچنین قادر به تشخیص
حرکات دست در شرایط نوری مختلف است. پیش پردازش با توسعه یک
الگوریتم برش تصویر انجام می شود که تضمین می کند
فقط ناحیه مورد نظر در تصویر تقسیم شده گنجانده شده است. تصویر
بخشبندی شده با یک مجموعه حرکت از پیش تعریفشده مقایسه میشود
که باید در سیستم تشخیص نصب شود. این تصاویر ذخیره شده و بردارهای
ویژگی از آنها استخراج می شود. این بردارهای ویژگی متعاقباً با
استفاده از یک هیستوگرام جهت گیری ارائه می شوند که نمای لبه ها
را در قالب فرکانس ارائه می دهد. بنابراین، اگر یک ژست دو بار در
شدت های مختلف نور نشان داده شود، هر دو تکرار به یک اشاره در
داده های ذخیره شده نشان داده می شوند. نگاشت هیستوگرام جهت گیری
تصویر قطعه بندی شده ابتدا با استفاده از روش فاصله اقلیدسی انجام
می شود. ثانیاً، شبکه عصبی نظارت شده برای همین آموزش داده شده
است و نتایج تشخیص بهتری تولید می کند. رویکردی برای کنترل دست
های رباتیک الکترومکانیکی با استفاده از حرکات دست پویا نیز با
استفاده از شبیه ساز ربات ارائه شده است. چنین دستهای رباتیکی در
عملیاتهای تجاری، نظامی یا اضطراری کاربرد دارند که جان انسانها
را نمیتوان به خطر انداخت. برای چنین کاربردهایی، یک دست رباتیک
مصنوعی برای انجام عملیات بلادرنگ مورد نیاز است. این دست روباتیک
باید بتواند انگشتان خود را مانند دست انسان حرکت دهد. برای این
منظور پارامترهای هندسه دست با استفاده از وب کم و همچنین با
استفاده از KINECT به دست می آیند. تشخیص پارامتر در هر دو روش
تغییر جهت دارد. هنگامی که پارامترهای دست به دست آمد، انگشتان؟
اطلاعات زاویه با انجام یک تحلیل هندسی به دست می آید. یک شبکه
عصبی مصنوعی نیز برای محاسبه زوایا پیاده سازی شده است. این دو
روش فقط با یک دست، راست یا چپ قابل استفاده هستند. یک روش
جداگانه که برای هر دو دست به طور همزمان قابل استفاده است نیز
ایجاد شده است و زاویه انگشتان محاسبه می شود. مطالب این کتاب
برای محققان و مهندسان حرفه ای که بر روی سیستم های بازو/دست
روباتیک کار می کنند مفید خواهد بود. بیشتر
بخوانید...
چکیده: این کتاب بر روی تشخیص ژست دست برهنه تغییر ناپذیر نور
تمرکز دارد در حالی که محدودیتی در انواع ژست ها وجود ندارد.
مشاهدات و نتایج تایید کرده اند که این کار تحقیقاتی می تواند
برای کنترل از راه دور دست رباتیک با استفاده از حرکات دست
استفاده شود. سیستم توسعه یافته در اینجا همچنین قادر به تشخیص
حرکات دست در شرایط نوری مختلف است. پیش پردازش با توسعه یک
الگوریتم برش تصویر انجام می شود که تضمین می کند فقط ناحیه مورد
نظر در تصویر تقسیم شده گنجانده شده است. تصویر بخشبندی شده با
یک مجموعه حرکت از پیش تعریفشده مقایسه میشود که باید در سیستم
تشخیص نصب شود. این تصاویر ذخیره شده و بردارهای ویژگی از آنها
استخراج می شود. این بردارهای ویژگی متعاقباً با استفاده از یک
هیستوگرام جهت گیری ارائه می شوند که نمای لبه ها را در قالب
فرکانس ارائه می دهد. بنابراین، اگر یک ژست دو بار در شدت های
مختلف نور نشان داده شود، هر دو تکرار به یک اشاره در داده های
ذخیره شده نشان داده می شوند. نگاشت هیستوگرام جهت گیری تصویر
قطعه بندی شده ابتدا با استفاده از روش فاصله اقلیدسی انجام می
شود. ثانیاً، شبکه عصبی نظارت شده برای همین آموزش داده شده است و
نتایج تشخیص بهتری تولید می کند. رویکردی برای کنترل دست های
رباتیک الکترومکانیکی با استفاده از حرکات دست پویا نیز با
استفاده از شبیه ساز ربات ارائه شده است. چنین دستهای رباتیکی در
عملیاتهای تجاری، نظامی یا اضطراری کاربرد دارند که جان انسانها
را نمیتوان به خطر انداخت. برای چنین کاربردهایی، یک دست رباتیک
مصنوعی برای انجام عملیات بلادرنگ مورد نیاز است. این دست روباتیک
باید بتواند انگشتان خود را مانند دست انسان حرکت دهد. برای این
منظور پارامترهای هندسه دست با استفاده از وب کم و همچنین با
استفاده از KINECT به دست می آیند. تشخیص پارامتر در هر دو روش
تغییر جهت دارد. هنگامی که پارامترهای دست به دست آمد، انگشتان؟
اطلاعات زاویه با انجام یک تحلیل هندسی به دست می آید. یک شبکه
عصبی مصنوعی نیز برای محاسبه زوایا پیاده سازی شده است. این دو
روش فقط با یک دست، راست یا چپ قابل استفاده هستند. یک روش
جداگانه که برای هر دو دست به طور همزمان قابل استفاده است نیز
ایجاد شده است و زاویه انگشتان محاسبه می شود. مطالب این کتاب
برای محققان و مهندسان حرفه ای که بر روی سیستم های بازو/دست
روباتیک کار می کنند مفید خواهد بود
This book focuses on light invariant bare hand gesture
recognition while there is no restriction on the types of
gestures. Observations and results have confirmed that this
research work can be used to remotely control a robotic hand
using hand gestures. The system developed here is also able to
recognize hand gestures in different lighting conditions. The
pre-processing is performed by developing an image-cropping
algorithm that
ensures only the area of interest is included in the segmented
image. The segmented image is compared with a predefined
gesture set which must be installed in the recognition system.
These images are stored and feature vectors are extracted from
them. These feature vectors are subsequently presented using an
orientation histogram, which provides a view of the edges in
the form of frequency. Thereby, if the same gesture is shown
twice in different lighting intensities, both repetitions will
map to the same gesture in the stored data. The mapping of the
segmented image's orientation histogram is firstly done using
the Euclidian distance method. Secondly, the supervised neural
network is trained for the same, producing better recognition
results. An approach to controlling electro-mechanical robotic
hands using dynamic hand gestures is also presented using a
robot simulator. Such robotic hands have applications in
commercial, military or emergency operations where human life
cannot be risked. For such applications, an artificial robotic
hand is required to perform real-time operations. This robotic
hand should be able to move its fingers in the same manner as a
human hand. For this purpose, hand geometry parameters are
obtained using a webcam and also using KINECT. The parameter
detection is direction invariant in both methods. Once the hand
parameters are obtained, the fingers? angle information is
obtained by performing a geometrical analysis. An artificial
neural network is also implemented to calculate the angles.
These two methods can be used with only one hand, either right
or left. A separate method that is applicable to both hands
simultaneously is also developed and fingers angles are
calculated. The contents of this book will be useful for
researchers and professional engineers working on robotic
arm/hand systems. Read
more...
Abstract: This book focuses on light invariant bare hand
gesture recognition while there is no restriction on the types
of gestures. Observations and results have confirmed that this
research work can be used to remotely control a robotic hand
using hand gestures. The system developed here is also able to
recognize hand gestures in different lighting conditions. The
pre-processing is performed by developing an image-cropping
algorithm that ensures only the area of interest is included in
the segmented image. The segmented image is compared with a
predefined gesture set which must be installed in the
recognition system. These images are stored and feature vectors
are extracted from them. These feature vectors are subsequently
presented using an orientation histogram, which provides a view
of the edges in the form of frequency. Thereby, if the same
gesture is shown twice in different lighting intensities, both
repetitions will map to the same gesture in the stored data.
The mapping of the segmented image's orientation histogram is
firstly done using the Euclidian distance method. Secondly, the
supervised neural network is trained for the same, producing
better recognition results. An approach to controlling
electro-mechanical robotic hands using dynamic hand gestures is
also presented using a robot simulator. Such robotic hands have
applications in commercial, military or emergency operations
where human life cannot be risked. For such applications, an
artificial robotic hand is required to perform real-time
operations. This robotic hand should be able to move its
fingers in the same manner as a human hand. For this purpose,
hand geometry parameters are obtained using a webcam and also
using KINECT. The parameter detection is direction invariant in
both methods. Once the hand parameters are obtained, the
fingers? angle information is obtained by performing a
geometrical analysis. An artificial neural network is also
implemented to calculate the angles. These two methods can be
used with only one hand, either right or left. A separate
method that is applicable to both hands simultaneously is also
developed and fingers angles are calculated. The contents of
this book will be useful for researchers and professional
engineers working on robotic arm/hand systems
Front Matter....Pages i-xxi
Introduction....Pages 1-5
Scientific Goals....Pages 7-7
State of the Art....Pages 9-24
Hand Image Segmentation....Pages 25-37
Light Invariant Hand Gesture Recognition....Pages 39-61
Fingertips Detection....Pages 63-72
Bent Fingers’ Angles Calculation....Pages 73-88
Both Hands’ Angles Calculation....Pages 89-96