Käsieleiden tunnistaminen konenäön avulla
Ranne, Joni (2020)
Ranne, Joni
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020060517214
https://urn.fi/URN:NBN:fi:amk-2020060517214
Tiivistelmä
Työn tarkoituksena oli tehdä konenäkösovellus, joka tunnistaa useita käsieleitä käyttäen webkameraa. Lisätoimintona oli sormenpään löytäminen osoittavista eleistä. Työtä voisi käyttää ohjaamaan erilaisia käsieleisiin pohjautuvia sovelluksia, pelejä tai kodin älylaitteita. Työssä tunnistetiin neljä eri elettä suljettu nyrkki, avoin käsi sormet levällään, yhdellä sormella osoittava käsi ja osoittava käsiele, jossa on myös peukalo avattuna.
Työn ensimmäinen vaihe oli kuvien valmisteleminen tunnistus mallin koulutusta varten. Tämä sisälsi noin 850 kuvan ottamista 11 eri ihmisen käsistä. Työn toinen vaihe oli koneoppimisen käyttäminen mallin kouluttamiseen. Tätä mallia käytettiin koulutuksen jälkeen tunnistamaan käsieleitä konenäkösovelluksessa. Työn kolmas vaihe oli kirjoittaa C++ kielellä konenäkökirjastoa hyödyntävä ohjelmistokoodi, joka käyttää koulutettua mallia.
Tunnistimen tarkkuus oli hyvä läheltä, mutta kauempaa tunnistus ei onnistunut ollenkaan. Tämä johtui kaikella todennäköisyydellä koulutuskuvista, jotka olivat kaikki otettu läheltä käsiä. Valittu malli oli myös liian raskas tietokoneelle, jota käytettiin tunnistukseen. Tunnistus nopeus oli 0,3 ruutua sekunnissa.
Työn ensimmäinen vaihe oli kuvien valmisteleminen tunnistus mallin koulutusta varten. Tämä sisälsi noin 850 kuvan ottamista 11 eri ihmisen käsistä. Työn toinen vaihe oli koneoppimisen käyttäminen mallin kouluttamiseen. Tätä mallia käytettiin koulutuksen jälkeen tunnistamaan käsieleitä konenäkösovelluksessa. Työn kolmas vaihe oli kirjoittaa C++ kielellä konenäkökirjastoa hyödyntävä ohjelmistokoodi, joka käyttää koulutettua mallia.
Tunnistimen tarkkuus oli hyvä läheltä, mutta kauempaa tunnistus ei onnistunut ollenkaan. Tämä johtui kaikella todennäköisyydellä koulutuskuvista, jotka olivat kaikki otettu läheltä käsiä. Valittu malli oli myös liian raskas tietokoneelle, jota käytettiin tunnistukseen. Tunnistus nopeus oli 0,3 ruutua sekunnissa.