باز ترکیب ویژگیهای حوزه فرکانس و مکان جهت تشخیص ماشینی زبان اشاره

مهندسی مخابرات جنوب

دوره 13، شماره 50، دی 1402، صفحه 33-46   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jce.2023.1973676.1179

نویسنده

سیروس تن ناز^*

گروه برق، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران مرکز تحقیقات مایکروویو و آنتن، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران

چکیده

در این مقاله، یک سیستم برای تشخیص حروف الفبای زبان اشاره فارسی ارائه شده است. این سیستم قادر است 32 حالت ساکن دست برای حروف الفبای فارسی را تشخیص داده و آن را به متن فارسی ترجمه کند. به این منظور، تصاویری از حالتهای دست برای هر یک از حروف الفبا در نظر گرفته شده است. پایگاه داده شامل 600 تصویر از افراد مختلف توسط یک دوربین دیجیتالی تهیه شده است. تمامی دادههای تصویری را به حوزه دودویی منتقل کرده و اندازه آنها را با یک مقیاس واحد تغییر دادهایم. پیشپردازش دادههای تصویری شامل برش تصویر و حذف نویز میباشد. بعد از پیش پردازش، 3 الگوریتم برای استخراج ویژگی ها پیشنهاد می شود. الگوریتمهای پیشنهادی شامل الگوریتم ناحیهبندی تصویر، الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل و تبدیل رادون میباشد. الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل، نحوه قرارگیری نقاط روی منحنی پیرامونی دست نسبت به یکدیگر و نسبت به مرکز ثقل را نشان داده و لذا اطلاعات ساختاری مناسبی را برای توصیف حالتها ارائه می کند. الگوریتم بعدی، مبتنی بر ناحیهبندی تصویر است. در این الگوریتم در هر یک از ناحیهها نسبت تعداد پیکسلهای سفید بر کل تعداد پیکسلها محاسبه میشود. در تبدیل رادون علاوه بر این که اطلاعات کلی تصویر در هر یک از حالتها را بدست آوردیم، با استفاده از روش پیشنهاد شده و با کنار گذاشتن اطلاعات اضافی در آن، دقت تشخیص را بالا بردهایم.

کلیدواژه‌ها

رادون؛ استخراج ویژگی ها؛ ناحیه بندی تصویر؛ زبان اشاره

مراجع

[1]       S. Tannaz and T. Sedghi., “Image Retrieval Using Dynamic Weighting of Compressed High Level Features Framework with LER Matrix ,” Iranian Journal of Electrical & Electronic Engineering, vol. 14, no. 2, pp. 153-161, June 2018 , doi:10.22068/IJEEE.14.2.153.

[2]       H. S. Anupama, B. A. Usha, S. Madhushankar, V. Vivek and Y. Kulkarni, "Automated Sign Language Interpreter Using Data Gloves," International Conference on Artificial Intelligence and Smart Systems (ICAIS), Coimbatore, India, 2021, pp. 472-476, doi: 10.1109/ICAIS50930.2021.9395749.

[3]       M. Jalali and T.Sedghi , “Extraction of Multiple Hybrid Features to Reduce the Semantic Vacuum with the Semi-Supervised Classification,” Journal of Communication Engineering Islamic Azad University, vol. 12, no. 45, pp. 153-161, 2022 , doi:10.30495/jce.2022.691134.

[4]       X. Zhang, J. Zhao and J. Tian, “A Robust Coinversion Model for Soil Moisture Retrieval From Multisensory Data,” IEEE Transactions on Geoscience and Remote Sensing, vol. 52, no. 8, pp. 5230-5237, July 2014, doi: 10.1109/tgrs.2013.2287513.

[5]       W. Chen,” Single-Shot Imaging Without Reference Wave Using Binary Intensity Pattern for Optically-Secured-Based Correlation, “ IEEE Photonics Journal, vol. 8, no. 1, February 2016, pp. 1943-0655, doi: 10.1109/jphot.2016.2523245.

[6]       S. Shafei, H. Vahdati, T.Sedghi and A. Charmin “Modulation Based Combination of High Level Features Generated from SCCF & Contourlet Transforms for CBIR Applications,” Wireless Personal Communications, vol.126, no. 1, pp. 197-208, 05 May 2022, doi: 10.1007/s11277-022-09740-9.

[7]       S. Shafei, H. Vahdati, T. Sedghi and A. Charmin , “CBMIR System Based on Matrix Weighting Framework and Linear Transformation with KNN,” Electrica , vol. 22, no. 2, pp. 258-266J , 2022, doi: 10.54614/electrica.2022.210130.

[8]       S. Shafei, H. Vahdati, T. Sedghi and A. Charmin , “Novel high level retrieval system based on mathematic algorithm & technique for MRI medical imaging and classification, ” Journal of Instrumentation , vol. 16, no. 17, p. p07055 28,  July 2021, doi: 10.1088/1748-0221/16/07/P07055.

[9]       M .Jalali, “High-Scale Image Clustering with Semantic Cues Modeling and Spatial Simulation, ” Journal of Southern Communication Engineering Islamic Azad University Bushehr Branch, vol. 12, no. 47,pp. 61-70, Spring 2023, doi :10.30495/jce.2022.1968473.1173.

[10]    T. Sedghi, Y. Zeforoosh and M. Jalali, “Response Vector for Calculation of Training Signal based on Progressive Non-Recursive Fusion of Multi-Spectral Image, ” International Journal of Engineering & Technology, vol. 2, no. 1, pp. 30-34, 28 October 2013.

[11]    Z. Yang, Y. Ke, T. Chen, M. Grzegorzek and J. See, “Doing More With Moiré Pattern Detection in Digital Photos, ” IEEE Transactions on Image Processing, vol. 32, pp. 694-708, 2023, doi : 10.1109/TIP.2022.3232232.

[12]    X. Zhang, S. Zhou, J. Fang and Y. Ni, “Pattern Recognition of Construction Bidding System Based on Image Processing,” International Journal of Computer Systems Science & Engineering, vol. 35, no. 4, pp. 247–256, july 2020, doi : 10.32604/csse.2020.35.247.

[13]    A. Shariq, A. Khan, A. M. Khan, M. Khurram, M. F. Umer and M. S. Salam, “Image Processing Based Pattern Recognition and Computerized Embroidery Machine,” Pakistan Journal of Engineering and Technology, PakJET, vol. 5, no. 4, pp. 68–74, 2022, doi :10.51846/vol5iss4pp68-74.

[14]    M. Fakheri, T. Sedghi, M. G. Shayesteh and M. C. Amirani, “Framework for image retrieval using machine learnin g and statistical similarity matching techniques, ” IET Image Processingn, vol. 7, no. 1, pp. 1-11, February 2013, doi: 10.1049/iet-ipr.2012.0104.

[15]    J. Bao, B. Wang, X. Yang, and H. Zhu, ‘‘Nearest neighbor query in road networks,’’ (in Chinese), Ruan Jian Xue Bao/J. Softw, vol. 29, no. 3, pp. 642–662, Mar. 2018.

[16]    H. Li, B. Cai, S. Qiao, Q. Wang, and Y. Wang,  “Expanding Tree-Based Continuous K Nearest Neighbor Query in Road Networks With Traffic Rules, ” IEEE Access, vol. 6, pp. 72594–72608, 2018, doi: 10.1109/ACCESS.2018.2881414.

[17]    K. Bok, Y. Park and J. Yoo, “An efficient continuous k-nearest neighbor query processing scheme for multimedia data sharing and transmission in location based services ”, Multimedia Tools and Applications, vol. 78, pp. 5403–5426, 2019, doi :10.1007/s11042-018-6433-3.

[18]    R. Salman, “Novel Technique in Content Based Image Retrieval using Classification by Deep Learning in Artificial Intelligence,” International Journal of Intelligent Systems and Applications in Engineering, vol. 10, no. 2s,  pp. 256-259, Desember 2019.

[19]    Gh. Raghuwanshi and V. Tyagi, “Novel Technique for Object Based Image Retrieval Using EM Segmentation for localized image retrieval,” Multimedia Tools and Aplications, vol. 76, no. 12, pp. 13741–13759, June 2017, doi :10.1007/s11042-016-3747-x.