سورس برنامه تشخیص حالت دست (زبان اشاره) برای ناشنوایان در متلب با یادگیری عمیق

در این پروژه با استفاده از الگوریتم های تشخیص الگو و یادگیری ماشین مانند یادگیری عمیق، تشخیص حالت دست را در زبان اشاره (الفبای اشاره ای فارسی محسن لوح موسوی) برای ناشنوایان پیاده سازی کرده ایم.

برنامه تشخیص حالت دست از مسائل یادگیری ماشین و هوش مصنوعی می باشد، لذا در ابتدا هوش مصنوعی و کاربردهای آن را توضیح می دهیم:

هوش مصنوعی

هوش مصنوعی (Artificial Intelligence) یا AI فناوری و شاخه‌ای در علوم کامپیوتر است که به مطالعه و توسعه نرم‌افزار و دستگاه‌های هوشمند می‌پردازد. مسائل (یا اهداف) اصلی در تحقیقات هوش مصنوعی به منطق، دانش، طراحی، یادگیری، ارتباطات، درک و توانایی حرکت دادن یا استفاده از اشیا مربوط می‌شود.

هوش عمومی (یا هوش مصنوعی قوی) هنوز یکی از اهداف بلندمدت است. روش‌هایی که در حال حاضر محبوبیت دارند، عبارتند از روش‌های آماری، هوش محاسباتی و هوش مصنوعی سمبولیک سنتی.

کاربردهای هوش مصنوعی

کاربردهای هوش مصنوعی چنان گسترده و فراگیر شده‌اند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمی‌شوند و نام تخصصی خود را دارند. تأثیر هوش مصنوعی را اکنون می‌توان در همه جهات و نقاط زندگی مردم دید.آیفونی که قادر به تشخیص اعضای خانه است یا تلویزیونی که نور صفحه نمایش دلخواه را با تعداد افراد تنظیم می‌کند، همه و همه کاربردهای هوش مصنوعی هستند.

کاربردهای عملی آن دسته از کاربردهای هوش مصنوعی هستند که عملیات خاصی را انجام داده و عمل یا تأثیر آن به وضوح توسط کاربر احساس خواهد شد. برای مثال جستجوی خودکار گوگل که از الگوریتم‌ها و متدهای پیچیده هوش مصنوعی استفاده می‌کند.

پس از انجام یک عملیات پرهزینه و البته سریع نتایج مرتبط را به شما نشان خواهد داد. ماشین‌هایی که قادر هستند خودشان را کنترل کنند. ربات‌های پرنده یا قایق‌های هوشمند نمونه‌ای بارز و موفق از این نوع کاربردها هستند. تشخیص حالت دست نیز یکی از کاربردهای هوش مصنوعی است.

 

فیلتر گابور در استخراج ویژگی با متلب

موجک گابور از جهت حداقل سازی عدم قطعیت دو بعدی توأم بین حوزه های مکان و فرکانس، یک تبدیل بهینه میباشد. این موجک را میتوان به عنوان آشکارسازهای جهتدار و تطبیق پذیر با مقیاس، بمنظور آشکارسازی خطوط و لبه ها در تصاویر مورد استفاده قرار داد. همچنین از خصوصیت های آماری این تبدیل میتوان جهت تعیین ساختار و محتوای بصری تصاویر بهره گرفت. ویژگی های تبدیل گابور در چندین کاربرد آنالیز تصاویر شامل کلاسه بندی و قطعه بندی بافت ها، بازشناسی تصاویر، ثبت تصاویر و مسیریابی حرکت  به کار رفته اند.

مراحل انجام پروژه

برنامه تشخیص حالت دست از چهار مرحله برای تشخیص حالت دست تشکیل شده است، در مرحله اول ابتدا تصاویر باید پیش پردازش شوند، لذا فیلتر گابور را روی تصاویر اعمال می کنیم، در محله دوم ویژگی های مهم تصویر را استخراج می کنیم و مجمعه آموزشی (training set) را بوجود می آوریم، در محله سوم مجموعه آموزشی را به دسته بند ها (classifier) می دهیم تا آموزش ببینند و در واقع نام این مرحله را می توان مرحله آموزش (training) نامید. در مرحله آخر نیز تصاویر جدید را به دسته بندها می دهیم، این تصاویر در مرحله آموزش به دسته بندها داده نشده.

در این پروژه (برنامه تشخیص حالت دست) از الگوریتم های یادگیری ماشین مانند neural network،deep learning و svm  و زبان برنامه نویسی متلب در قسمت یادگیری ماشین استفاده کرده ایم. دیتاست این پروژه از ۵۰ شخص مختلف جمع آوری شده است.

 

سورس پروژه های موجود در درس دانلود در زمینه یادگیری ماشین و هوش مصنوعی را می توانید از اینجا مشاهده کنید.

 

ویژگی های برنامه تشخیص حالت دست عبارتند از:

  • پیاده سازی با زبان برنامه نویسی متلب
  • پیش پردازش داده ها با الگوریتم های پردازش تصویر مانند رفع نویز و استفاده از فیلتر گابور
  • استفاده از الگوریتم های دسته بندی مختلف برای بازشناسی
  • استفاده از یادگیری عمیق در بازشناسی

این پروژه با opencv نیز پیاده سازی شده و می توانید از اینجا آن را دانلود کنید.

 

 

 

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

دیدگاهی بنویسید

0