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
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/601
Ver los metadatos del registro completo
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 |