Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Ankle Active Rehabilitation Strategies Analysis Based on the Characteristics of Human and Robotic Integrated Biomechanics Simulation Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Hand Gesture Recognition Using Interactive Image Segmentation Method

verfasst von : Disi Chen, Gongfa Li, Jianyi Kong, Guozhang Jiang, Ying Sun, Du Jiang, Zhaojie Ju

Erschienen in: Intelligent Robotics and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, a novel hand gesture recognition method using interactive image segmentation algorithm is proposed. We applied Gaussian mixture model to build the model of color image and the iteration of expectation maximum algorithm learnt the parameters. Then the graph model of color image is built. Finally, the segmentation is achieved by minimizing the energy of graph model according to min-cut/max-flow algorithm. Segmentation results were quantitatively tested and compared, by evaluate the region accuracy and boundary accuracy of segmentation results. To apply interactive image segmentation method into a fully automatic recognition framework, we applied human skin feature and depth information to generate the initial seeds. We also built a hand gesture database which contains ten kind of hand gestures for recognition test, proving that the segmentation of hand gesture images improved the recognition accuracy.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Review of Gesture Recognition Based on Computer Vision
Nächstes Kapitel Simulation of 2-DOF Articulated Robot Control Based on Adaptive Fuzzy Sliding Mode Control
Literatur
1.
Chen, D.C., Li, G.F., Jiang, G.Z., Fang, Y.F., Ju, Z.J., Liu, H.H.: Intelligent computational control of multi-fingered dexterous robotic hand. J. Comput. Theor. Nanosci. 12, 6126–6132 (2015)CrossRef
2.
Ju, Z.J., Zhu, X.Y., Liu, H.H.: Empirical copula-based templates to recognize surface EMG signals of hand motions. Int. J. Humanoid Robot. 8, 725–741 (2011)CrossRef
3.
Sinop, A.K., Grady, L.: A seeded image segmentation framework unifying graph cuts and random walker which yields a new algorithm. In: IEEE 11th International Conference on Computer Vision (ICCV), Rio de Janeiro, Brazil, pp. 1–8 (2007)
4.
Grady, L.: Multilabel random walker image segmentation using prior models. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005, San Diego, USA, pp. 763–770 (2005)
5.
Varun, G., Carsten, R., Antonio, C., Andrew, B., Andrew, Z.: Geodesic star convexity for interactive image segmentation. In: IEEE Computer Vision and Pattern Recognition, San Francisco, USA, CVPR 2010, pp. 3129–3136 (2010)
6.
Xu, Y., Yu, G., Wang, Y., Wu, X., Ma, Y.: A hybrid vehicle detection method based on Viola-Jones and HOG+SVM from UAV images. Sensors 16(8), 1325 (2016)CrossRef
7.
Bian, X., Zhang, X., Liu, R., Ma, L., Fu, X.: Adaptive classification of hyperspectral images using local consistency. J. Electron. Imaging. 23, 063014–063014 (2014)CrossRef
8.
Song, H., Wang, Y.: A spectral-spatial classification of hyperspectral images based on the algebraic multigrid method and hierarchical segmentation algorithm. Remote Sens. 8(4), 1–23 (2016)
9.
Hatwar, S., Anil, W.: GMM based image segmentation and analysis of image restoration tecniques. Int. J. Comput. Appl. 109, 45–50 (2015)
10.
Banbura, M., Modugno, M.: Maximum likelihood estimation of factor models on datasets with arbitrary pattern of missing data. J. Appl. Econ. 29, 133–160 (2014)MathSciNetCrossRef
11.
Simonetto, A., Leus, G.: Distributed maximum likelihood sensor network localization. IEEE Trans. Sig. Process. 62(6), 1424–1437 (2013)MathSciNetCrossRef
12.
Zhang, Y., Brady, M., Smith, S.: Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Trans. Med. Imaging. 20, 45–57 (2001)CrossRef
13.
Lee, G., Lee, S., Kim, G., Park, J., Park, Y.: A modified GrabCut using a clustering technique to reduce image noise. Symmetry 8, 64 (2016)MathSciNetCrossRef
14.
Margolin, R., Zelnik-Manor, L., Tal, A.: How to evaluate foreground maps?. In: IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, pp. 248–255 (2014)
15.
Zhao, Y., Nie, X., Duan, Y., Huang, Y., Luo, S.: A benchmark for interactive image segmentation algorithms. In: IEEE Person-Oriented Vision, Kona, USA, pp. 3–38 (2011)
Metadaten
Titel
Hand Gesture Recognition Using Interactive Image Segmentation Method
verfasst von
Disi Chen
Gongfa Li
Jianyi Kong
Guozhang Jiang
Ying Sun
Du Jiang
Zhaojie Ju
Copyright-Jahr
2017
Buch
Intelligent Robotics and Applications

Print ISBN: 978-3-319-65288-7

Electronic ISBN: 978-3-319-65289-4

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-65289-4_51