Pełen tekst pracy (~3,8MB)

More documents

Recommendations

Info

$Positive stable realizations of fractional continuous-time linear systems$

ROZDZIA̷L 2. POLSKI J ↩ EZYK MIGANY 23 mówionego. Brakuje wystarczajacego ↩ i ustandaryzowanego materia̷lu badawczego. Niezbedne ↩ sekwencje gestów do trenowania i testowania uk̷ladów automatycznego rozpoznawania musza↩ zostać przygotowane. Du˙zy wp̷lyw na jako´sć przetwarzanych obrazów a tym samym tak˙ze na skuteczno´sć rozpoznawania maja↩ zmieniajace ↩ sie↩ warunki o´swietlenia. Rozpoznawanie gestów w uk̷ladzie wizyjnym wymaga przetwarzania du˙zej ilo´sci danych o charakterze wizyjnym i wykonywania z̷lo˙zonych obliczeniowo algorytmów. 2.5 Podsumowanie W rozdziale dokonano charakterystyki Polskiego Jezyka ↩ Miganego, zwracajac ↩ szczególna↩ uwage↩ na te jego w̷lasno´sci, które sa↩ istotne z punktu widzenia rozpoznawania w uk̷ladzie wizyjnym. Opisano tzw. wiazki ↩ cech dystynktywnych, a wiec ↩ grupy cech, które jednoznacznie identyfikuja↩ dany gest i moga↩ być pomocne przy wyborze wektorów cech do rozpoznawania. Przedstawiono, oparty na cechach dystynktywnych, gestograficzny zapis znaków migowych. W końcowej cze´sci ↩ rozdzia̷lu zasygnalizowano problemy istotne w przypadku rozpoznawania PJM w uk̷ladzie wizyjnym.
Rozdzia̷l 3 Problemy przetwarzania obrazu Pierwszym etapem w rozpoznawaniu wyrazów i zdań PJM w uk̷ladzie wizyjnym jest przetwarzanie obrazów w celu wyznaczenia wektorów cech. W rozdziale opisano wia˙z ↩ ace ↩ sie↩ z tym problemy dotyczace ↩ rozpoznawania koloru skóry, wyznaczania mapy g̷l ebi ↩ i identyfikacji d̷loni i twarzy. Omówiono wyniki przeprowadzonych eksperymentów oraz przedstawiono warianty wektorów cech, które uwzgledniane ↩ bed ↩ a↩ podczas klasyfikacji. 3.1 Rozpoznawanie koloru skóry Du˙zy wp̷lyw na jako´sć otrzymywanych obrazów binarnych, a tym samym tak˙ze na skuteczno´sć rozpoznawania maja↩ zmieniajace ↩ sie↩ warunki o´swietlenia. Pociaga ↩ to za soba↩ konieczno´sć stosowania metod przetwarzania obrazów, które sa↩ mniej zale˙zne od nate˙zenia ↩ docierajacego ↩ ´swiat̷la. Progowanie obrazów monochromatycznych nie daje niezawodnych rezultatów. W przypadku niejednorodnego t̷la i zmieniajacych ↩ sie↩ warunków o´swietlenia nie mo˙zna ustalić a priori, czy d̷lonie i twarz maja↩ być ja´sniejsze, czy ciemniejsze od innych obiektów. Inne rozwiazanie, ↩ polegajace ↩ na wykorzystaniu informacji o gradiencie, wia˙ze ↩ sie↩ z konieczno´scia↩ rozstrzygania, które z wyodrebnionych ↩ krawedzi ↩ nale˙z a↩ do d̷loni i twarzy. Nie jest to zadanie ̷latwe, poniewa˙z krawedzie ↩ wygladaj ↩ a↩ zupe̷lnie inaczej, nawet dla tego samego obiektu, obserwowanego pod ró˙znymi katami. ↩ Dlatego w niniejszej <strong>pracy</strong> zdecydowano sie↩ na wykorzystanie obrazów kolorowych, w których poszukuje sie↩ obszarów o chrominancji zbli˙zonej do skóry ludzkiej [32]. Metoda umo˙zliwia poprawna↩ identyfikacje↩ pod warunkiem, ˙ze ubranie osoby wykonujacej ↩ gesty i inne obiekty pojawiajace ↩ sie↩ w tle maja↩ barwy odmienne od koloru skóry ludzkiej. Spe̷lnienie tych wymagań w warunkach praktycznych jest znacznie prostsze ani˙zeli zapewnienie, aby d̷lonie i twarz osoby by̷ly najja´sniejszymi obiektami w obrazie. Przyjecie ↩ takich za̷lo˙zeń wstepnych ↩ jest dodatkowo uzasadnione tym, ˙ze osoby uczestniczace ↩ w nagrywaniu t̷lumaczeń w jezyku ↩ miganym tak˙ze sa↩ proszone o ubieranie ciemniejszych ubrań z d̷lugim rekawem ↩ i wystepuj ↩ a↩ najcze´sciej ↩ na jednorodnym tle. W przypadku, gdy w tle moga↩ sie↩ pojawić obiekty o barwach zbli˙zonych do skóry ludzkiej, np. twarze i d̷lonie innych osób, mo˙zna zaproponować metode↩ bed ↩ ac ↩ a↩ po̷l aczeniem ↩ przetwarzania obrazów kolorowych i uzyskanych w uk̷ladzie stereowizyjnym map g̷l ebi ↩ (podrozdzia̷l 24
Page 1 and 2: UNIWERSYTET ZIELONOG ÓRSKI WYDZIA
Page 3 and 4: Spis tre´sci 1 Wstep ↩ 1.1 Motyw
Page 5 and 6: Rozdzia̷l 1 Wst ↩ ep 1.1 Motywac
Page 7 and 8: ROZDZIA̷L 1. WST ↩ EP 6 Tab. 1.1
Page 9 and 10: ROZDZIA̷L 1. WST ↩ EP 8 • W li
Page 11 and 12: ROZDZIA̷L 1. WST ↩ EP 10 Markowa
Page 13 and 14: Rozdzia̷l 2 Polski J ↩ ezyk Miga
Page 15 and 16: ROZDZIA̷L 2. POLSKI J ↩ EZYK MIG
Page 23: ROZDZIA̷L 2. POLSKI J ↩ EZYK MIG
Page 27 and 28: ROZDZIA̷L 3. PROBLEMY PRZETWARZANI
Page 51 and 52: ROZDZIA̷L 4. UKRYTE MODELE MARKOWA
Page 67 and 68: Rozdzia̷l 5 Rozpoznawanie pojedync
Page 69 and 70: ROZDZIA̷L 5. ROZPOZNAWANIE POJEDYN
Page 75 and 76:
ROZDZIA̷L 5. ROZPOZNAWANIE POJEDYN
Page 77 and 78:
ROZDZIA̷L 5. ROZPOZNAWANIE POJEDYN
Page 79 and 80:
Rozdzia̷l 6 Rozpoznawanie zdań Ro
Page 81 and 82:
ROZDZIA̷L 6. ROZPOZNAWANIE ZDAŃ 8
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
7. PODSUMOWANIE 90 - zale˙zno´sci
Page 93 and 94:
7. PODSUMOWANIE 92 PJM z wykorzysta
Page 95 and 96:
7. PODSUMOWANIE 94 kana̷ly odpowia
Page 97 and 98:
Dodatek A Stanowisko do rozpoznawan
Page 99 and 100:
A. STANOWISKO DO ROZPOZNAWANIA WYRA
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Dodatek B Biblioteka funkcji przetw
Page 109 and 110:
B. BIBLIOTEKA FUNKCJI PRZETWARZANIA
Page 111 and 112:
C. APLIKACJA BAZY DANYCH 110 Rys. C
Page 113 and 114:
C. APLIKACJA BAZY DANYCH 112 Tab. C
Page 115 and 116:
C. APLIKACJA BAZY DANYCH 114 Tab. C
Page 117 and 118:
D. PRZEWODNIK U ˙ ZYTKOWNIKA HTK 1
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Dodatek E Rozpoznawane wyrazy i zda
Page 129 and 130:
E. ROZPOZNAWANE WYRAZY I ZDANIA 128
Page 131 and 132:
E. ROZPOZNAWANE WYRAZY I ZDANIA 130
Page 133 and 134:
Literatura [1] S. Akyol and P. Alva
Page 135 and 136:
LITERATURA 134 [26] E. J. Holden, a
Page 137 and 138:
LITERATURA 136 [53] N. Otsu. A thre
Page 139:
LITERATURA 138 [81] S. Young, and a
show all

Pełen tekst pracy (~3,8MB)

Create successful ePaper yourself

Delete template?

Save as template?