Un enfoque inteligente para el reconocimiento de gestos manuales

Autores
Andrade, Facundo José
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Soria, Álvaro
Descripción
En los últimos años, el reconocimiento de gestos de las manos ha atraído un creciente interés por sus aplicaciones en diversos campos, como la interacción humano-computadora, robótica, videojuegos, interpretación automática de lenguaje de señas y demás. Los sensores más nuevos proporcionan datos que pueden ser utilizados con éxito para reconocer gestos y por lo tanto el control de una computadora. Actualmente, hay varios dispositivos que producen datos útiles para el reconocimiento de gestos. Sin embargo, estos novedosos dispositivos no vienen acompañados de herramientas que permitan el creado y reconocimiento de gestos personalizados. Esto provoca que los desarrolladores deban implementar el reconocimiento de gestos específicamente para cada uno de estos para poder utilizarlos en aplicaciones de interfaz natural. En este contexto, esta tesis estudia las posibilidades del reconocimiento de gestos manuales a partir de los datos obtenidos del dispositivo Leap Motion -un pequeño dispositivo que cuenta con una extrema precisión de hasta 0,01 mm en la detección del dedo- obteniendo como resultado una herramienta de reconocimiento de gestos de fácil integración con aplicaciones de terceros. Esta herramienta toma como entrada los datos del ambiente capturados por Leap Motion y provee soporte para aprender, administrar y reconocer gestos realizados con la(s) mano(s). Para lograr esto, se proponen dos técnicas de reconocimiento de gestos actuales con el fin de reducir los esfuerzos de desarrollo de nuevas aplicaciones que utilicen esta herramienta. Estas técnicas son Alineamiento Temporal Dinámico -conocida por sus siglas en inglés como DTW- y Modelos Ocultos de Márkov. Luego de una serie de pruebas realizadas, se comprobó que con la utilización de estas técnicas se puede lograr una precisión de más del 95% en los reconocimientos.
Fil: Andrade, Facundo José. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Soria, Álvaro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Materia
Gestos personalizados
Gestos manuales
Lenguaje de señas
Intelligent Motion Recognizer
Robótica
Dispositivo Leap Motion
Interacción hombre-computación
Informática
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc/2.5/ar/
Repositorio
RIDAA (UNICEN)
Institución
Universidad Nacional del Centro de la Provincia de Buenos Aires
OAI Identificador
oai:ridaa.unicen.edu.ar:123456789/601
Acceder
id RIDUNICEN_53c4958f0756f15f7f05f38f64dff69b
oai_identifier_str oai:ridaa.unicen.edu.ar:123456789/601
network_acronym_str RIDUNICEN
repository_id_str a
network_name_str RIDAA (UNICEN)
spelling Un enfoque inteligente para el reconocimiento de gestos manualesAndrade, Facundo JoséGestos personalizadosGestos manualesLenguaje de señasIntelligent Motion RecognizerRobóticaDispositivo Leap MotionInteracción hombre-computaciónInformáticaEn los últimos años, el reconocimiento de gestos de las manos ha atraído un creciente interés por sus aplicaciones en diversos campos, como la interacción humano-computadora, robótica, videojuegos, interpretación automática de lenguaje de señas y demás. Los sensores más nuevos proporcionan datos que pueden ser utilizados con éxito para reconocer gestos y por lo tanto el control de una computadora. Actualmente, hay varios dispositivos que producen datos útiles para el reconocimiento de gestos. Sin embargo, estos novedosos dispositivos no vienen acompañados de herramientas que permitan el creado y reconocimiento de gestos personalizados. Esto provoca que los desarrolladores deban implementar el reconocimiento de gestos específicamente para cada uno de estos para poder utilizarlos en aplicaciones de interfaz natural. En este contexto, esta tesis estudia las posibilidades del reconocimiento de gestos manuales a partir de los datos obtenidos del dispositivo Leap Motion -un pequeño dispositivo que cuenta con una extrema precisión de hasta 0,01 mm en la detección del dedo- obteniendo como resultado una herramienta de reconocimiento de gestos de fácil integración con aplicaciones de terceros. Esta herramienta toma como entrada los datos del ambiente capturados por Leap Motion y provee soporte para aprender, administrar y reconocer gestos realizados con la(s) mano(s). Para lograr esto, se proponen dos técnicas de reconocimiento de gestos actuales con el fin de reducir los esfuerzos de desarrollo de nuevas aplicaciones que utilicen esta herramienta. Estas técnicas son Alineamiento Temporal Dinámico -conocida por sus siglas en inglés como DTW- y Modelos Ocultos de Márkov. Luego de una serie de pruebas realizadas, se comprobó que con la utilización de estas técnicas se puede lograr una precisión de más del 95% en los reconocimientos.Fil: Andrade, Facundo José. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Soria, Álvaro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasSoria, Álvaro2016-052016-06-21T18:49:26Z2016-06-21T18:49:26Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/601https://www.ridaa.unicen.edu.ar/handle/123456789/601spahttp://creativecommons.org/licenses/by-nc/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-29T13:41:01Zoai:ridaa.unicen.edu.ar:123456789/601instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-29 13:41:02.114RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Un enfoque inteligente para el reconocimiento de gestos manuales
title Un enfoque inteligente para el reconocimiento de gestos manuales
spellingShingle Un enfoque inteligente para el reconocimiento de gestos manuales
Andrade, Facundo José
Gestos personalizados
Gestos manuales
Lenguaje de señas
Intelligent Motion Recognizer
Robótica
Dispositivo Leap Motion
Interacción hombre-computación
Informática
title_short Un enfoque inteligente para el reconocimiento de gestos manuales
title_full Un enfoque inteligente para el reconocimiento de gestos manuales
title_fullStr Un enfoque inteligente para el reconocimiento de gestos manuales
title_full_unstemmed Un enfoque inteligente para el reconocimiento de gestos manuales
title_sort Un enfoque inteligente para el reconocimiento de gestos manuales
dc.creator.none.fl_str_mv Andrade, Facundo José
author Andrade, Facundo José
author_facet Andrade, Facundo José
author_role author
dc.contributor.none.fl_str_mv Soria, Álvaro
dc.subject.none.fl_str_mv Gestos personalizados
Gestos manuales
Lenguaje de señas
Intelligent Motion Recognizer
Robótica
Dispositivo Leap Motion
Interacción hombre-computación
Informática
topic Gestos personalizados
Gestos manuales
Lenguaje de señas
Intelligent Motion Recognizer
Robótica
Dispositivo Leap Motion
Interacción hombre-computación
Informática
dc.description.none.fl_txt_mv En los últimos años, el reconocimiento de gestos de las manos ha atraído un creciente interés por sus aplicaciones en diversos campos, como la interacción humano-computadora, robótica, videojuegos, interpretación automática de lenguaje de señas y demás. Los sensores más nuevos proporcionan datos que pueden ser utilizados con éxito para reconocer gestos y por lo tanto el control de una computadora. Actualmente, hay varios dispositivos que producen datos útiles para el reconocimiento de gestos. Sin embargo, estos novedosos dispositivos no vienen acompañados de herramientas que permitan el creado y reconocimiento de gestos personalizados. Esto provoca que los desarrolladores deban implementar el reconocimiento de gestos específicamente para cada uno de estos para poder utilizarlos en aplicaciones de interfaz natural. En este contexto, esta tesis estudia las posibilidades del reconocimiento de gestos manuales a partir de los datos obtenidos del dispositivo Leap Motion -un pequeño dispositivo que cuenta con una extrema precisión de hasta 0,01 mm en la detección del dedo- obteniendo como resultado una herramienta de reconocimiento de gestos de fácil integración con aplicaciones de terceros. Esta herramienta toma como entrada los datos del ambiente capturados por Leap Motion y provee soporte para aprender, administrar y reconocer gestos realizados con la(s) mano(s). Para lograr esto, se proponen dos técnicas de reconocimiento de gestos actuales con el fin de reducir los esfuerzos de desarrollo de nuevas aplicaciones que utilicen esta herramienta. Estas técnicas son Alineamiento Temporal Dinámico -conocida por sus siglas en inglés como DTW- y Modelos Ocultos de Márkov. Luego de una serie de pruebas realizadas, se comprobó que con la utilización de estas técnicas se puede lograr una precisión de más del 95% en los reconocimientos.
Fil: Andrade, Facundo José. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Soria, Álvaro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
description En los últimos años, el reconocimiento de gestos de las manos ha atraído un creciente interés por sus aplicaciones en diversos campos, como la interacción humano-computadora, robótica, videojuegos, interpretación automática de lenguaje de señas y demás. Los sensores más nuevos proporcionan datos que pueden ser utilizados con éxito para reconocer gestos y por lo tanto el control de una computadora. Actualmente, hay varios dispositivos que producen datos útiles para el reconocimiento de gestos. Sin embargo, estos novedosos dispositivos no vienen acompañados de herramientas que permitan el creado y reconocimiento de gestos personalizados. Esto provoca que los desarrolladores deban implementar el reconocimiento de gestos específicamente para cada uno de estos para poder utilizarlos en aplicaciones de interfaz natural. En este contexto, esta tesis estudia las posibilidades del reconocimiento de gestos manuales a partir de los datos obtenidos del dispositivo Leap Motion -un pequeño dispositivo que cuenta con una extrema precisión de hasta 0,01 mm en la detección del dedo- obteniendo como resultado una herramienta de reconocimiento de gestos de fácil integración con aplicaciones de terceros. Esta herramienta toma como entrada los datos del ambiente capturados por Leap Motion y provee soporte para aprender, administrar y reconocer gestos realizados con la(s) mano(s). Para lograr esto, se proponen dos técnicas de reconocimiento de gestos actuales con el fin de reducir los esfuerzos de desarrollo de nuevas aplicaciones que utilicen esta herramienta. Estas técnicas son Alineamiento Temporal Dinámico -conocida por sus siglas en inglés como DTW- y Modelos Ocultos de Márkov. Luego de una serie de pruebas realizadas, se comprobó que con la utilización de estas técnicas se puede lograr una precisión de más del 95% en los reconocimientos.
publishDate 2016
dc.date.none.fl_str_mv 2016-05
2016-06-21T18:49:26Z
2016-06-21T18:49:26Z
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/601
https://www.ridaa.unicen.edu.ar/handle/123456789/601
url http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/601
https://www.ridaa.unicen.edu.ar/handle/123456789/601
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv http://creativecommons.org/licenses/by-nc/2.5/ar/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc/2.5/ar/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
dc.source.none.fl_str_mv reponame:RIDAA (UNICEN)
instname:Universidad Nacional del Centro de la Provincia de Buenos Aires
reponame_str RIDAA (UNICEN)
collection RIDAA (UNICEN)
instname_str Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.name.fl_str_mv RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.mail.fl_str_mv lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;
_version_ 1844619008365559808
score 12.559606

Publicaciones similares