지화 인식을 위한 계층적 은닉 마코프 모델

국문 초록 (Abstract)

지화(finger language)는 수화(sign language)에 포함되며, 손의 제스쳐로 한글의 모음, 자음을 표현하는 언어 체계이다. 한글 지화는 총 31 제스쳐로 구성되어 있으며, 정확한 인식을 위해서는 하나의 제스쳐에 대해 학습 모델이 많이 필요로 하게 된다. 대량의 학습 모델이 존재할 경우, 입력 데이터는 많은 공간을 탐색하는데 시간을 소비하게 된다. 따라서 실시간 인식 시스템은 이러한 탐색 공간을 줄이는 것이 가장 중요한 문제로 인식되고 있다. 본 논문에서는 이러한 문제를 해결하기 위해 인식률 저하 없이 탐색 공간을 효율적으로 줄이는 계층적 HMM 구조를 제안하였다. 지화는 손목의 방향성에 따라 총 3개의 범주로 설정, 입력 데이터는 이 범주 안에서 모델을 검색하게 된다. 이러한 사전 분류를 진행하여 비슷한 한글 지화의 분별력을 확립하게 되며 탐색 공간 또한 효율적으로 관리되므로 실시간 인식 시스템에 적용 가능하다. 실험 결과, 제안된 방법은 일반적인 HMM 인식 방법보다 평균 3배 정도의 시간을 단축할 수 있있고, 비슷한 한글 지화 제스쳐에 대해 오인식 또한 감소하였다.

다국어 초록 (Multilingual Abstract)

The finger language is the part of the sign language, which is a language system that expresses vowels and consonants with hand gestures. Korean finger language has 31 gestures and each of them needs a lot of learning models for accurate recognition. If there exist mass learning models, it spends a lot of time to search. So a real-time awareness system concentrates on how to reduce search spaces. For solving these problems, this paper suggest a hierarchy HMM structure that reduces the exploration space effectively without decreasing recognition rate. The Korean finger language is divided into 3 categories according to the direction of a wrist, and a model can be searched within these categories. Pre-classification can discern a similar finger Korean language. And it makes a search space to be managed effectively. Therefore the proposed method can be applied on the real-time recognition system. Experimental results demonstrate that the proposed method can reduce the time about three times than general HMM recognition method.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 지화 인식과 HMM
• Ⅲ. 계층적 지화 인식 시스템
• Ⅳ. 실험
• Ⅳ. 결론
• REFERENCES

참고문헌 (Reference)

1 강민지, "지화 인식을 위한 동영상 처리에 관한 연구" 한국지능시스템학회 14 (14): 184-189, 2004

2 양희덕, "연속된 수화 인식을 위한 자동화된 수화 및 지화 적출" 한국정보과학회 38 (38): 102-107, 2011

3 Jakub segen, "Shadow Gestures:3D Hand Pose Estimation Using a Single Camera" 1 : 479-485, 1999

4 Oh Il-Seok, "Pattern Recognition" Kyobo library 349-354, 2008

5 Seungki Min, "Optimize Data Glove-based System for Korean Finger Spelling Recognition" 34 : 237-241, 2007

6 Nianjun Liu, "Model structure selection & training algorithms for an HMM gesture recognition system" IEEE 100-105, 2004

7 Yamaguchi, "Japanese sign language recognition system using information infrastructure" 5 : 65-66, 1995

8 Manjula, Waldron, "Isolated ASL Sign Recognition System for Deaf persons" 3 : 261-271, 1995

9 Yoon, H. S., "Hand gesture recognition using combined features of location, angle and velocity" 34 : 1491-1501, 2001

10 Lee Hyung-Ji, "Extracting feature vectors for hand gesture recognition of sign language" 11 : 895-898, 1998

11 Kazuyuki Imagawa, "Color-Based Hands Tracking System for Sign Language Recognition" 462-467, 1998

12 Frank Weichert, "Analysis of the Accuracy and Robustness of the Leap Motion Controller" 13 : 6380-6393, 2013

13 Lawrence Rabiner, "A tutorial on hidden Markov models and selected applications in speech recognition" 77 : 257-286, 1989

14 Ji-Hwan Kim, "3-D Hand Motion Tracking and Gesture Recognition Using a Data Glove" 1013-1018, 2009