thông qua camera kỹ thuật số
Hệ thống đƣợc xây dựng với mục đích điều khiển thiết bị điện gia dụng thông qua nhận dạng cử chỉ bàn tay bằng camera kỹ thuật số. Do đó để cài đặt hệ thống ta cần phải chuẩn bị:
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
- Camera kỹ thuật số
- Máy vi tính cài hệ điều hành Windows XP trở lên - Hệ thống phần cứng ghép nối ngoại vi
Các bƣớc thực hiện:
- Đặt camera ở vị trí thích hợp và thuận tiện cho việc điều khiển thiết bị. - Kết nối camera với máy tính. Ngày nay các camera hiện đại có thể kết nối
qua sóng wifi rất thuận tiện cho việc triển khai cài đặt.
- Ghép nối thiết bị điện với máy tính thông qua hệ thống phần cứng ghép nối thiết bị ngoại vi nhƣ các cổng giao tiếp qua USB, LPT, COM, bluetooth hay wifi v.v…
- Cài đặt chƣơng trình điều khiển trên máy tính.
- Thiết lập giao tiếp phần cứng tƣơng ứng với các lệnh điều khiển. Phần này tùy vào thực tế sử dụng mà có các thiết lập khác nhau tƣơng ứng với tín hiệu điều khiển gửi đến thiết bị ngoại vi.
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
Những kết quả đạt đƣợc :
Trong quá trình thực hiện đồ án, tác giả đã đạt đƣợc kết quả sau :
- Tìm hiểu đƣợc các vấn đề về lý thuyết nhận dạng, từ đó xác định đuợc hai vấn đề quan trọng cần nghiên cứu để áp dụng vào bài toán nhận dạng cử chỉ là biểu diễn cử chỉ bàn tay và thuật toán học phân lớp. - Hiểu và có thể sử dụng đƣợc các tập cơ sở dữ liệu nhận dạng có sẵn
để viết ứng dụng sử dụng chúng trong điều khiển một số chƣơng trình máy tính, thiết bị điện gia dụng.
- Tự xây dựng đƣợc cơ sở dữ liệu mới sử dụng bộ huấn luyện Haar Training của thƣ viện OpenCV.
- Tìm hiểu đƣợc một số bƣớc cơ bản của quá trình training trong thƣ viện OpenCV.
- Xây dựng đƣợc hệ thống thử nghiệm liên kết giữa phần mềm máy tính và thiết bị ngoại vi phục vụ cho điều khiển thiết bị dân dụng.
Huớng phát triển tiếp theo :
Trong phần thực nghiệm về tính thích nghi cho thấy hệ thống hoạt động chƣa tốt trong các điều kiện thiếu ánh sáng; bên cạnh đó, hệ thống hiện tại chỉ hoạt động tốt với các cử chỉ ở tƣ thế chính diện, còn khá nhạy cảm với góc quay của bàn tay. Trong những nghiên cứu tiếp theo, tác giả sẽ tiếp tục nghiên cứu các phƣơng pháp chuẩn hóa ánh sáng trƣớc khi đƣa vào nhận dạng để hệ thống có thể thích nghi tốt hơn với các điều kiện ánh sáng thay đổi.
Ngoài ra, để rút ngắn thời gian nhận dạng, tác giả sẽ nghiên cứu các phƣơng pháp phát hiện điểm ảnh màu da để khoanh vùng ảnh chứa cử chỉ bàn tay. Khi đó
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
hệ thống chỉ nhận dạng trên các vùng ảnh có phân bố màu da lớn, điều này sẽ làm giảm đáng kể thời gian nhận dạng cũng nhƣ loại bỏ đƣợc các trƣờng hợp nhận dạng nhầm vùng nền thành cử chỉ.
Một hạn chế nữa của hệ thống là mới chỉ dừng lại ở bài toán nhận dạng cử chỉ tĩnh mà chƣa xét đến các cử chỉ động của bàn tay. Do đó bài toán nhận dạng cử chỉ động cũng là một vấn đề cần đƣợc quan tâm.
Trên đây là những kết quả đạt đƣợc cũng nhƣ những hƣớng nghiên cứu tiếp theo của luận văn. Tuy luận văn đã đạt đƣợc những kết quả nhất định nhƣng cũng không tránh khỏi những thiếu sót. Tác giả mong nhận đƣợc ý kiến đóng góp từ thầy cô và các bạn để tác giả tiếp tục hoàn thiện hơn trong những nghiên cứu tiếp theo.
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
TÀI LIỆU THAM KHẢO
Tiếng Việt:
[1]. Đỗ Năng Toàn, Phạm Việt Bình, Giáo trình xử lý ảnh, Khoa công (adsbygoogle = window.adsbygoogle || []).push({});
nghệthông tin Đại học Thái Nguyên, 2007.
[2]. Đồng Văn Thái, Nhận dạng cử chỉ bàn tay ứng dụng trong điều khiển chương trình máy tính. SoICT 2010.
Tiếng Anh:
[3]. Freeman, W.T. and M. Roth, Orientation Histograms for Hand Gesture Recognition. IEEE Intl. Wkshp. on Automatic Face and Gesture
Recognition, Zurich, June, 1995, 1994.
[4]. Viola, P. and M.J. Jones, Robust Real-Time Face Detection. International Journal of Computer Vision, 2004: p. 137–154.
[5]. Rowley, H.A., S. Baluja, and T. Kanade, Neural Network-Based Face Detection. IEEE Patt. Anal. Mach. Intell., 1998: p. 22–38.
[6]. Vapnik, V., Support-Vector Networks. Machine Learning, 1995: p. 273- 297.
[7]. Osuna, E.E. and F. Girosi, Reducing the run-time complexity in support vector machines. ICPR, 1998.
[8]. Sung, K.-K. and T. Poggio, Example-Based Learning for View-Based
Human Face Detection. TRANSACTIONS ON PATTERN ANALYSIS
AND MACHINE INTELLIGENCE, 1998. 20: p. 39-51
[9]. Llorca, D.F., et al. A multi-class svm classifier for automatic hand
washing quality assessment. in of the British Machine Vision Conference. 2007.
[10]. Freund, Y. and R.E. Schapire, A Short Introduction to Boosting. Journal of Japanese Society for Artificial Intelligence, 1999. 14: p. 771-780. [11]. Ong, E.-J. and R. Bowden. A Boosted Classifier Tree for Hand Shape
Detection. in IEEE Intl. Conference on Automatic Face and Gesture Recognition. 2004.
[12]. Nolker, C. and H. Ritter, Illumination Independent Recognition on Deictic Arm Postures, in 24th Annual Conf. of the IEEE Industrial Electronics Society. 1998: Germany. p. 2006- 2011.
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
[13]. Kolsch, M. and M. Turk. Robust Hand Detection. in Conference on Automatic Face and Gesture Recognition. 2004: IEEE Intl.
[14]. Kolsch, M. and M. Turk. Analysis of Rotational Robustness of Hand Detection with a Viola-Jones Detector. in Conference on Pattern Recognition. 2004: IEEE Intl.
[15]. Lienhart, R. and J. Maydt, An Extended Set of Haarlike Features for Rapid Object Detection. 2002. 1: p. 900-903.