Real-Time Gesture Recognition Based On Motion Quality Analysis
Reconnaissance de geste en temps-réel basée sur l'analyse de la qualité du mouvement
Résumé
This paper presents a robust and anticipative real-time gesture recognition and its motion quality analysis module. By utilizing a motion capture device, the system recognizes gestures performed by a human, where the recognition process is based on skeleton analysis and motion features computation. Gestures are collected from a single person. Skeleton joints are used to compute features which are stored in a reference database, and Principal Component Analysis (PCA) is computed to select the most important features, useful in discriminating gestures. During real-time recognition, using distance measures, real-time selected features are compared to the reference database to find the most similar gesture. Our evaluation results show that: i) recognition delay is similar to human recognition delay, ii) our module can recognize several gestures performed by different people and is morphology-independent, and iii) recognition rate is high: all gestures are recognized during gesture stroke. Results also show performance limits.
Ce papier présent une reconnaissance de geste en temps-réel robuste et anticipative ainsi que son module d'analyse de geste. A l'aide d'un périphérique de captation de mouvement qui fournit le squelette d'une personne, le système reconnait les gestes effectués par un humain grâce à l'analysé des caractéristiques du mouvement (vitesse, amplitude, fluidité...). Les gestes de base sont enregistrés dans une base de données de référence par une seule personne. Les articulations (joints) du squelette sont utilisés pour calculer les caractéristiques stockées dans la base de données de référence. Une Analyse en Composante Principale (ACP) est calculé pour déterminer les caractéristiques les plus importantes qui permettent de discriminer les gestes. Pendant la reconnaissance en temps-réel, les caractéristiques temps-réel sont comparées avec celles qui se trouvent dans la base de données de référence avec différentes mesures de distances afin de trouver le geste le plus similaire. Les résultats de nos évaluations montrent que : i) le délai de reconnaissance du module informatique est similaire à celui d'un humain, ii) notre module peut reconnaître plusieurs gestes effectuées par des personnes différentes ayant des morphologies différentes, et iii) le temps de reconnaissance est haut: tous les gestes sont reconnus au moins pendant la période de "stroke". Les résultats montrent également la limite de performance de notre système.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|