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:
Occlusion-Robust Face Detection Using Shallow and Deep Proposal Based Faster R-CNN Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Improved GLOH Approach for One-Shot Learning Human Gesture Recognition

verfasst von : Nabin Kumar Karn, Feng Jiang

Erschienen in: Biometric Recognition

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

A method is presented for One-Shot Learning Human Gesture Recognition. Shi-Tomasi corner detector and sparse optical flow are used to quickly detect and track robust key-points around motion patterns in scale space. Then Improved Gradient Location and Orientation Histogram feature descriptor is applied to capture the description of robust key interest point. All the extracted features from the training samples are clustered with the k-means algorithm to learn a visual codebook. Subsequently, simulation orthogonal matching pursuit is applied to achieve descriptor coding which map each feature into a certain visual codeword. K-NN classifier is used to recognizing the gesture. The proposed approach has been evaluated on ChaLearn gesture database.

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 Gesture Recognition Benchmark Based on Mobile Phone
Nächstes Kapitel A Sign Language Recognition System in Complex Background
Literatur
1.
Mitra, S., Acharya, T.: Gesture recognition: a survey. EEE Trans. Syst. Man Cybern. Part C Appl. Rev. 37(3), 311–324 (2007)CrossRef
2.
Guyon, I., Athitsos, V., Jangyodsuk, P.: ChaLearn gesture challenge: design and first results. In: IEEE Conference on CVPR Workshops, pp. 1–6 (2012)
3.
Malima, A., Ozgur, E., Çetin, M.: A fast algorithm for vision-based hand gesture recognition for robot control. In: IEEE Signal Processing and Communications Applications, pp. 1–4 (2006)
4.
Guha, T., Ward, R.K.: Learning sparse representations for human action recognition. IEEE Trans. Pattern Anal. Mach. Intell. 34(8), 1576–1588 (2012)CrossRef
5.
6.
Han, J., Shao, L., Xu, D., Shotton, J.: Enhanced computer vision with Microsoft Kinect sensor: a review. IEEE Trans. Cybern. 43(5), 1318–1334 (2013)CrossRef
7.
Oikonomidis, I., Kyriazis, N., Antonis, A.: Efficient model-based 3D tracking of hand articulations using Kinect. In: Proceedings of the BMVC, pp. 1–11 (2011)
8.
Wang, J., Liu, Z., Wu, Y., Yuan, J.: Mining: actionlet ensemble for action recognition with depth cameras. In: Proceedings of the IEEE Conference on CVPR, pp. 1290–1297 (2012)
9.
Ren, Z., Yuan, J., Meng, J., Zhang, Z.: Robust part-based hand gesture recognition using Kinect sensor. IEEE Trans. Multimedia 15(5), 1110–1120 (2013)CrossRef
10.
Cai, Q., Gallup, D., Zhang, C., Zhang, Z.: 3D deformable face tracking with a commodity depth camera. In: Proceedings of the 11th European Conference on Computer Vision, pp. 229–242 (2010)
11.
Shotton, J., Fitzgibbon, A.W., Cook, M., Sharp, T., Finocchio, M., Moore, R., Kipman, A., Blake, A.: Real-time human pose recognition in parts from single depth images. In: Proceedings of the IEEE Conference on CVPR, pp. 1297–1304 (2011)
12.
Laptev, I.: On space-time interest points. Int. J. Comput. Vision 64(2–3), 107–123 (2005)CrossRef
13.
Hernández-Vela, A.: BoVDW: bag-of-visual-and-depth-words for gestur recognition. In: 21st International Conference on Pattern Recognition, pp. 449–452 (2012)
14.
Ming, Y., Ruan, Q., Hauptmann, A.: Activity recognition from RGB-D camera with 3D local spatio-temporal features. In: IEEE Conference on Multimedia and Expo, pp. 344–349 (2012)
15.
Wan, J., Ruan, Q., Li, W.: One-shot learning gesture recognition from RGB-D data using bag of features. J. Mach. Learn. Res. 14(9), 2549–2582 (2013)
16.
Wan, J., Ruan, Q., Li, W., An, G., Zhao, R.: 3D SMoSIFT three-dimensional sparse motion scale invariant feature transform for activity recognition from RGB-D videos. J. Electron. Imaging 23(2), 023017 (2014)CrossRef
17.
Wang, J., Yang, J., Yu, K., Lv, F., Huang, T., Gong, Y.: Locality-constrained linear coding for image classification. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 3360–3367 (2010)
18.
Liang, G., Chen, Y., Fang, G., Chen, X., Gao, W.: A vision-based sign language recognition system using tied-mixture density HMM. In: Proceedings of the 6th International Conference on Multimodal Interfaces, pp. 198–204 (2004)
19.
Ramamoorthy, A., Vaswani, N., Chaudhury, S., Banerjee, S.: Recognition of dynamic hand gestures. Pattern Recogn. 36(9), 2069–2081 (2003)CrossRefMATH
20.
Mahbub, U., Roy, T., Rahman, Md.S., Imtiaz, H.: One-shot-learning gesture recognition using motion history based gesture silhouettes. In: Proceedings of the International Conference on Industrial Application Engineering, pp. 186–193 (2013)
21.
Wan, J., Ruan, Q., An, G., Li, W.: Hand tracking and segmentation via graph cuts and dynamic model in sign language videos. In: Proceedings of IEEE 11th International Conference on Signal Processing, vol. 2, pp. 1135–1138 (2012)
22.
Shao, L., Ji, L.: Motion histogram analysis based key frame extraction for human action/activity representation. In: Proceedings of Canadian Conference on Computer and Robot Vision, pp. 88–92 (2009)
23.
Zhou, R., Junsong, Y., Jingjing, M., Zhengyou, Z.: Robust part-based hand gesture recognition using Kinect sensor. IEEE Trans. Multimedia 15(5), 1110–1120 (2013)CrossRef
24.
Reyes, M., Dominguez, G., Escalera, S.: Feature weighting in dynamic time warping for gesture recognition in depth data. In: Proceedings of the IEEE International Conference on Computer Vision Workshops, pp. 1182–1188 (2011)
25.
Fanello, S.R., Gori, I., Metta, G., Odone, F.: One-shot learning for real-time action recognition. In: Sanches, J.M., Micó, L., Cardoso, J.S. (eds.) IbPRIA 2013. LNCS, vol. 7887, pp. 31–40. Springer, Heidelberg (2013)CrossRef
26.
Shi, J., Tomasi, C.: Good features to track. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 593–600 (1994)
27.
28.
Mikolajczyk, K., Schmid, C.: A performance evaluation of local descriptors. IEEE Trans. on Pattern Anal. Mach. Intell. (S0162-8828), 1615–1630 (2005)
29.
Farnebäck, G.: Two-Frame motion estimation based on polynomial expansion. In: Bigun, J., Gustavsson, T. (eds.) SCIA 2003. LNCS, vol. 2749, pp. 363–370. Springer, Heidelberg (2003)CrossRef
Metadaten
Titel
Improved GLOH Approach for One-Shot Learning Human Gesture Recognition
verfasst von
Nabin Kumar Karn
Feng Jiang
Copyright-Jahr
2016
Buch
Biometric Recognition

Print ISBN: 978-3-319-46653-8

Electronic ISBN: 978-3-319-46654-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46654-5_49