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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Path Following of Autonomous Agents Under the Effect of Noise Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Random Forest Based Gesture Segmentation from Depth Image

verfasst von : Renjun Tang, Hang Pan, Xianjun Chen, Jinlong Chen

Erschienen in: Advances in Swarm Intelligence

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Gesture image segmentation is a challenge task due to the high degree of freedom of human gestures, large differences in shape and high flexibility, traditional pattern recognition and image processing methods are not effective in gesture detection. The traditional image segmentation based on the detection of skin color and the image of the depth image are limited by the effects of ambient light, skin color difference and image depth variation, resulting in unsatisfactory results. Therefore, we propose a hand gesture depth image segmentation method based on random forest. The method learns the gesture image feature representation of the depth image by supervising learning. Experiments show that the proposed method segments the gesture s’ pixels from the backgrounds area of the depth image. The proposed method potential has widely usages in gesture tracking, gesture recognition and human computer interaction.

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 Image Filtering Enhancement
Nächstes Kapitel DL-GSA: A Deep Learning Metaheuristic Approach to Missing Data Imputation
Literatur
1.
Erol, A., Bebis, G., Nicolescu, M., Boyle, R.D., Twombly, X.: Vision-based hand pose estimation: a review. Comput. Vis. Image Underst. 108(1–2), 52–73 (2007)CrossRef
2.
Bretzner, L., Laptev, I., Lindeberg, T.: Hand gesture recognition using multi-scale colour features, hierarchical models and particle filtering. In: Proceedings of the Fifth IEEE International Conference on Automatic Face and Gesture Recognition, 2002, (pp. 423–428). IEEE (2002)
3.
Chen, Q., Georganas, N.D., Petriu, E.M.: Real-time vision-based hand gesture recognition using haar-like features. In: Proceedings of the 2007 Instrumentation and Measurement Technology Conference. IMTC 2007, pp. 1–6. IEEE (2007)
4.
Bilal, S., Akmeliawati, R., El Salami, M.J., Shafie, A.A.: A hybrid method using haar-like and skin-color algorithm for hand posture detection, recognition and tracking. In: 2010 International Conference on Mechatronics and Automation (ICMA), pp. 934–939. IEEE (2010)
5.
Jo, Y.G., Lee, J.Y., Kang, H.: Segmentation tracking and recognition based on foreground-background absolute features, simplified SIFT, and particle filters. In: IEEE Congress on Evolutionary Computation, 2006. CEC 2006, pp. 1279–1284. IEEE (2006)
6.
Hong, H., Zhu, X.: A human hand-image detection based on skin-color and circular degree. In: 10th ACIS International Conference on Software Engineering, Artificial Intelligences, Networking and Parallel/Distributed Computing, 2009. SNPD 2009, pp. 373–376. IEEE (2009)
7.
Manresa, C., Varona, J., Mas, R., Perales, F.J.: Hand tracking and gesture recognition for human-computer interaction. ELCVIA Electron. Lett. Comput. Vis. Image Anal. 5(3), 96–104 (2005)CrossRef
8.
Chen, F.S., Fu, C.M., Huang, C.L.: Hand gesture recognition using a real-time tracking method and hidden Markov models. Image Vis. Comput. 21(8), 745–758 (2003)CrossRef
9.
Velloso, M.L.F., Carneiro, T.A., de Souza, F.J.: Unsupervised change detection using fuzzy entropy principle. In: Proceedings of the 2004 IEEE International Geoscience and Remote Sensing Symposium, 2004. IGARSS 2004, vol. 4, pp. 2550–2553. IEEE (2004)
10.
Malassiotis, S., Aifanti, N., Strintzis, M.G.: A gesture recognition system using 3D data. In: Proceedings of the First International Symposium on 3D Data Processing Visualization and Transmission 2002, pp. 190–193. IEEE (2002)
11.
12.
Tang, M.: Recognizing hand gestures with Microsoft’s Kinect. Department of Electrical Engineering of Stanford University, Palo Alto (2011)
13.
Tompson, J., Stein, M., Lecun, Y., Perlin, K.: Real-time continuous pose recovery of human hands using convolutional networks. ACM Trans. Graph. (ToG) 33(5), 169 (2014)CrossRef
14.
Neverova, N., Wolf, C., Taylor, G.W., Nebout, F.: Hand segmentation with structured convolutional learning. In: Asian Conference on Computer Vision, pp. 687–702. Springer, Cham (2014)
Metadaten
Titel
Random Forest Based Gesture Segmentation from Depth Image
verfasst von
Renjun Tang
Hang Pan
Xianjun Chen
Jinlong Chen
Copyright-Jahr
2018
Buch
Advances in Swarm Intelligence

Print ISBN: 978-3-319-93817-2

Electronic ISBN: 978-3-319-93818-9

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-93818-9_48

Premium Partner

    Bildnachweise