Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΚωτσιαντής, Σωτήρης-
dc.contributor.authorΚαζλάροφ, Βαγγέλ-
dc.contributor.otherKazllarof, Vangjel-
dc.description.abstractΗ διπλωματική αυτή εργασία παρουσιάζει την όραση των υπολογιστών που σε συνδυασμό με τη χρήση μεθόδων μηχανικής μάθησης, μπορούν να δημιουργήσουν εφαρμογές που αναγνωρίζουν μοτίβα, όπως χειρονομίες. Αρχικά, γίνεται μια ιστορική αναδρομή στις επιστήμες της υπολογιστικής όρασης και της μηχανικής μάθησης, όπως και στην αναγνώριση χειρονομιών. Στη συνέχεια, αναλύεται περισσότερο η υπολογιστική όραση, μελετώντας αλγόριθμους εύρεσης περιγράμματος και κυρτής θήκης αντικειμένων, και μεθόδων βελτίωσής τους μέσα από την επεξεργασία εικόνας. Εν συνεχεία, γίνεται αναφορά σε μεθόδους μηχανικής μάθησης, εστιάζοντας στους αλγόριθμους ταξινόμησης και ιδιαίτερα στον Random Forest ταξινομητή. Τέλος, κατασκευάζεται και αναλύεται μια εφαρμογή, η οποία αναγνωρίζει δεκαεφτά χειρονομίες μέσα από την εύρεση του περιγράμματός τους και της κυρτής τους θήκης, δημιουργώντας έτσι και εκπαιδεύοντας ένα σύνολο δεδομένων αποτελούμενο από τις αποστάσεις μεταξύ του περιγράμματος και της κυρτής θήκης. Επιπλέον, η εφαρμογή είναι ικανή να υπολογίζει αριθμητικές πράξεις, να κατασκευάζει πίνακες και να εφαρμόζει άλγεβρα πινάκων όπως επίσης και να υπολογίζει συναρτήσεις και να εφαρμόζει ανάλυση μιας μεταβλητής, μέσα από χειρονομίες και ενός βοηθητικού πάνελ.el
dc.subjectΚυρτές θήκεςel
dc.subjectΥπολογιστική όρασηel
dc.subjectΜηχανική μάθησηel
dc.subjectΔέντρα απόφασηςel
dc.titleΥπολογιστική όραση και μηχανική μάθηση για αναγνώριση συμβόλων νοηματικής γλώσσαςel
dc.title.alternativeComputer vision and machine learning for sign language gesture recognitionel
dc.contributor.committeeΑλεβίζος, Παναγιώτης-
dc.contributor.committeeΓράψα, Θεοδούλα-
dc.description.translatedabstractThis master thesis presents the computer vision in combination with machine learning techniques, in order to develop applications that recognize patterns, such as hand gestures. Initially, there is a throwback to the disciplines of computer vision and machine learning, in addition to the recognition of hand gestures. Then, there is a deeper analysis in computer vision, by studying contour finding and convex hull algorithms, and the way they are improved through image processing. After that, there is a reference in machine learning techniques, focusing on classification algorithms, especially the Random Forest classifier. Finally, an application is developed and analyzed, which recognizes seventeen hand gestures, through their contour and the convex hull, and by generating and training a dataset with the defects. Additionally, the application is capable of arithmetic calculations, of constructing matrices and applying basic algebra on them as well as of creating functions and applying analysis, through hand gestures and a helper panel.el
dc.subject.alternativeConvex hullsel
dc.subject.alternativeConvexity defectsel
dc.subject.alternativeRandom forestel
dc.subject.alternativeComputer visionel
dc.subject.alternativeMachine learningel
dc.subject.alternativeDecision treesel
dc.degreeΜεταπτυχιακή Εργασίαel
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Kazllarof(math).pdf2.16 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons