Modelo Bio-inspirado para el Reconocimiento de Gestos Usando Primitivas de Movimiento en Visión

Sandra E. Nope, Humberto Loaiza, Eduardo Caicedo

Resumen

Se aborda el problema del reconocimiento de gestos usando la información de movimiento con el fin de obtener un modelo bio-inspirado para, en un futuro, utilizarlo en la programación de robots mediante el paradigma del aprendizaje por imitación. En este trabajo se extraen las primitivas de movimiento a partir de imágenes consecutivas, capturadas por una cámara web estándar. Para la programación por imitación de robots se identificó, como primera fase, el reconocimiento de gestos, en el cual es necesario resolver tres aspectos principales: La representación instantánea del movimiento, la integración temporal de dicha información y, la estrategia de clasificación. Estos tres aspectos serán tratados a lo largo de este trabajo y, en contraste con otros, la extracción del movimiento y su codificación está inspirada en el procesamiento del movimiento realizado en el cerebro de macacos. El modelo obtenido fue aplicado al reconocimiento de cuatro tipos de gestos realizados con la mano por diferentes personas. El porcentaje de aciertos varió entre 91.42% y 97.14%, utilizando diferentes estrategias estándar de clasificación.

Palabras clave

Reconocimiento de gestos; modelo bio-inspirado; primitivas de movimiento; codificación del movimiento; integración temporal; visión artificial

Texto completo:

PDF

Referencias

Bobick A.F. y J.W. Davis (2001). The Recognition of Human Movement using Temporal Templates. IEEE Transactions on Pattern Analysis and Machine Intelligence Vol. 23, 257- 267.

Bruce V. y P.R. Green (1990). Visual Perception: Physiology, Psychology and Ecology. Nottingham: Lawrence Erlbaum Associates.

DeVanois R.L., M.C. Morgan y D.M. Snodderly (1974). Psychophysical studies of monkey vision. III. Spatial luminance contrast sensitivity test of macaque and human observers. Vision Research Vol. 14, 1974.

Duffy C. y R. Wurtz (1997). MTS neurons respond to speed patterns in optical flor. Journal of Neuroscience Vol. 17(8), pp. 2839-2851.

Graciano M., R. Andersen y R. Snowden (1994). Tuning of MTS neurons to spiral motions. Journal of Neuroscience Vol. 14(1), pp. 54-67.

Nope S., H. Loaiza y E. Caicedo (2006a). Review of Techniques for Motion Estimation in Artificial Vision. Revista Colombiana de Tecnologías de Avanzada Vol. 2, pp. 102- 108.

Nope S., H. Loaiza y E. Caicedo (2006b). Aplicaciones del Movimiento y su Representación Biológica en el Reconocimiento de Gestos. Ingeniería y competitividad Vol. 8(2), pp. 55-63

Orban G.A., H. Kennedy y J. Bullier (1986). Velocity sensitivity and direction selectivity of neurons in areas V1 and V2 of the monkey: influence of eccentricity. Journal of Neurophysiology Vol. 56(2), pp. 462-480.

Pomplun M., J. Martinez-Trujillo, E. Simine, Y. Liu, S. Treue y J.K. Tsotsos (2002). A Neurally-Inspired Model for Detecting and Localizing Simple Motion Patterns in Image Sequences. Workshop on Dynamic Perception. Bochum, Alemania.

Santos-Victor S. y G. Sandini (1996). Uncelebrated obstacle detection using normal flor. Matching Vision and Applications Vol. 9, pp. 130-137.

Treue S. y R.A. Andersen (1996). Neural responses to velocity gradients in macaque cortical area MT. Visual Neuroscience Vol. 13, pp. 797-804.

Wang C. y M. Brandstein (1999). Multi-source face tracking with audio and visual data. IEEE MMSP, pp. 169-174.

Abstract Views

395
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912