scholarly journals Hand Gesture Recognition Sebagai Pengganti Mouse Komputer Menggunakan Kamera

2019 ◽  
Vol 3 (2) ◽  
pp. 64-76
Author(s):  
Helda Yunita ◽  
Endang Setyati

Akhir-akhir ini perkembangan teknologi semakin pesat, metode interaksi dan komunikasi antara pengguna dengan komputer adalah salah satu tuntutan perkembangan teknologi. Berbagai macam pembaharuan teknologi mengusahakan untuk meminimalisir berbagai macam perangkat menjadi satu agar lebih mudah digunakan. User lebih membutuhkan peralatan komunikasi yang bersifat alami karena tidak membutuhkan kontak langsung dengan peralatan input. Misalnya dengan gerakan dari tubuh manusia didepan kamera komputer sudah bisa menginterpretasikan. Untuk mengatasi masalah tersebut maka dilakukan suatu penelitian tentang deteksi isyarat tangan. Inputan berupa isyarat dan gerakan tangan didepan kamera dapat memberikan aksi pergerakan pada mouse yang diistilahkan dengan kamera mouse. Metode yang digunakan adalah convexhull algorithm. Melalui convexhull algorithm bisa didapatkan jumlah jari tangan yang kemudian dapat dijadikan acuan dalam pengerjaan aksi mouse. Sebenarnya sudah banyak penelitian tentang camera mouse, tetapi implementasinya masih banyak yang bergantung dengan peralatan tambahan. Penelitian ini mengembangkan penelitian yang sudah ada, yaitu hand gesture recognition dengan implemen-tasi pergerakan mouse dari video secara realtime. Dengan hand gesture recognition dan menggunakan metode convexhull algorithm pengenalan tangan akan lebih mudah hanya dengan menggunakan kamera, hanya dengan hitungan detik aksi mouse pada komputer dapat berjalan dengan baik yaitu dengan tingkat akurasi sebesar 68 % dari 75 kali percobaan

2020 ◽  
Vol 17 (4) ◽  
pp. 497-506
Author(s):  
Sunil Patel ◽  
Ramji Makwana

Automatic classification of dynamic hand gesture is challenging due to the large diversity in a different class of gesture, Low resolution, and it is performed by finger. Due to a number of challenges many researchers focus on this area. Recently deep neural network can be used for implicit feature extraction and Soft Max layer is used for classification. In this paper, we propose a method based on a two-dimensional convolutional neural network that performs detection and classification of hand gesture simultaneously from multimodal Red, Green, Blue, Depth (RGBD) and Optical flow Data and passes this feature to Long-Short Term Memory (LSTM) recurrent network for frame-to-frame probability generation with Connectionist Temporal Classification (CTC) network for loss calculation. We have calculated an optical flow from Red, Green, Blue (RGB) data for getting proper motion information present in the video. CTC model is used to efficiently evaluate all possible alignment of hand gesture via dynamic programming and check consistency via frame-to-frame for the visual similarity of hand gesture in the unsegmented input stream. CTC network finds the most probable sequence of a frame for a class of gesture. The frame with the highest probability value is selected from the CTC network by max decoding. This entire CTC network is trained end-to-end with calculating CTC loss for recognition of the gesture. We have used challenging Vision for Intelligent Vehicles and Applications (VIVA) dataset for dynamic hand gesture recognition captured with RGB and Depth data. On this VIVA dataset, our proposed hand gesture recognition technique outperforms competing state-of-the-art algorithms and gets an accuracy of 86%


2020 ◽  
Vol 29 (6) ◽  
pp. 1153-1164
Author(s):  
Qianyi Xu ◽  
Guihe Qin ◽  
Minghui Sun ◽  
Jie Yan ◽  
Huiming Jiang ◽  
...  

2021 ◽  
pp. 108044
Author(s):  
Fangtai Guo ◽  
Zaixing He ◽  
Shuyou Zhang ◽  
Xinyue Zhao ◽  
Jinhui Fang ◽  
...  

Author(s):  
Sruthy Skaria ◽  
Da Huang ◽  
Akram Al-Hourani ◽  
Robin J. Evans ◽  
Margaret Lech

Sign in / Sign up

Export Citation Format

Share Document