Bundan tashqari O‘zbekiston Respublikasi Prezidenti Islom Karimovning

II-BOB. IMO-ISHORA HARAKATLARI ORQALI SURDOTILI SO‘ZLARNI TANISHNING DASTURIY VOSITASINI ISHLAB CHIQISH.

1. 
   Imo-ishora harakatlari tanish bilan bog'liq ishlar
   

Tadqiqotchilar o'nlab yillar davomida har xil turdagi asboblarni imo-ishoralagan holda ishora tilini aniqlash tizimlarida ishlashmoqda. Sensorga asoslangan qurilmalar, masalan, sensor-imo-ishoraqoplar imo-ishora harakati haqidagi ma'lumotni to'liq olish uchun ishlatilishi mumkin. Biroq, ushbu qurilmalar tabiiy muhitdan foydalanuvchi tajribasi, tizimni o'rnatishdagi qiyinchiliklar va yuqori xarajatlar tufayli tashqi laboratoriyalardan foydalanish qiyin. Microsoft Kinect kabi yuqori sifatli, yuqori sifatli sezgir asboblarning yaqinda mavjudligi, ko'rishni asoslangan AIITni aniqlashni potentsial jihatdan mazali qiladi. Natijada ZEIIT va boshqa imo-ishoralarni bunday asboblarni imo-ishoralash bir necha yil ichida yuqori qiziqishlarni oshirdi.
Vizual asoslangan sensorlardan foydalanib, imo-ishora harakatlarini tan olishning eng keng tarqalgan yondashuvi, tasirni qayta ishlash Hususiyatidan foydalangan holda RGB yoki chuqurlikdagi tasirlardan past darajadagi Hususiyatlarni ajratib olish va keyinchalik Hususiyatlarga ko'ra imo-ishoralarni tasniflash uchun statistik tasniflovchi vositalarni imo-ishoralashdir. Scale-invariant funksiyalarini o'zgartirish (SIFT) imo-ishoralaniladi[12,13].
Orientatsiyalar gradyanlari (OG) Wavelet Moments va Gabor Filtrlar (GF). Odatda tasniflagichlar orasida Sun'iy neyron tarmoqlari (SNT), Vektorli mashinalari (VM) mavjud. Bu usullar ozgina oddiy imo-ishora harakatlarini tan olishda mustahkamdir. Masalan, bizda SIFT-asosidagi imo-ishora harakati Hususiyatlari va SVM klassifikatoridan foydalangan holda oltita maxsus belgini tan olishda 96,23% aniqlik haqida xabar berildi. Biroq, ZEIIT belgilarining kompleksligi va ko'plab odamlar o'rtasidagi farqlarga ega bo'lgan belgilar tasniflanadi[9,10]..
Odatdabu usullari kerakli aniqlikka erisha olmaydi. Bizda statik ZEIIT alifbosi belgilarini aniqlash uchun "Gabor Filter" asosidagi usul imo-ishoralanildi, natijada "r" va "u" (17% chalkashlik darajasi) kabi o'xshash belgilar orasida faqatgina 75% o'rtacha aniqlik va yuqori chalkashlik darajalari qayd etildi.
ZEIIT bilan bir qatorda, imo-ishoralardagi pozalarni baholash va imo-ishora harakatlarini tan olish uchun boshqa ko'plab usullar ishlab chiqilgan va imo-ishoralanilgan. Oikonomidis va boshqa imo-ishorani tiklashi mumkin bo'lgan modeldagi yondashuvni ishlab chiqdi va 3D ning hamma modeli imo-ishora tasiriga mos keladi. Imkoniyati cheklangan insonlar va boshqa oddiy imo-ishora harakatlarini 86,66% aniqlik bilan aniqlaydigan konturli tasirlari tahlil usulini taklif qildi. Bu usul qiyin va boshqa Radiusli morfologiyaga ga asoslangan dvigatelning tasir dekompozitsiya usuli yordamida 8 yo'nalishni ko'rsatuvchi imo-ishoralarni aniqlab olishga harakat qildi, bu esa 91,2% aniqlik darajasiga yetdi. Ren va boshqa Microsoft Kinect Cao Dong, Ming S Leu va Zhaozheng Yin Missuri Ilmiy va Texnologiya Universiteti kitoblari va izlanish usullaridan foydalangan holda zaif eshtuvchi imo-ishora alifbosi aniqlashni qisman asoslangan imo-ishora harakati tanib olish usuli taklif kilindi.
5 ta raqamdan iborat 14 ta imo-ishora harakati va 93,2% aniqlik bilan tan olingan 4 ta oddiy arifmetik belgilar mavjud edi. Dominio va boshqa bir nechta biriktirilgan.
Imo-ishora harakatini aniqlash uchun chuqur asoslangan identifikatorlar. Deskriptorlarga imo-ishora mintaqaning chekka masofasi va balandligi, imo-ishora konturining egriligi va palma hududida namunalarning joy almashishi kiritilgan.
SVM ning12 ta statik ZEIIT alifbosini va raqamli belgilarni aniqlash uchun imo-ishoralarda tasniflarni tasniflash uchun 93,8% aniqlik darajasiga erishildi. Shunga qaramay, yuqorida ko’rsatilgan usullar faqat kichik sonni (15 dan kam) oddiygina taniydi va imo-ishoralar (maxsus belgilar, ZEIIT raqamlari yoki ZEIIT alifbosi belgilarining kichik qismi) Shotton va boshqa chuqurlik kontrasti Hususiyatlari va tasodifiy klassifikatoridan foydalanib, inson tanasining piksel-by-pixel qismini turli qismlarga bo’luvchi seminal yondashuvni taklif qildi. Ushbu usul muvaffaqiyatli amalga oshirildi[12,13].
Kinekt tizimida inson tana vaznini baholash uchun. O’tkir va boshqa imo-ishorani qismlarga ajratish uchun Shotton metodini moslashtirdi va ma'lum bo’lgan imo-ishora harakatlariga qo’shma koordinatalarni xaritalash orqali 10 ZEIIT raqamli belgini muvaffaqiyatli tan oldi va natijada 99,96% aniqlik bilan chiqdi. Liang va boshqa masofaviy moslashuvchan Hususiyatli nomzodlarni tanlash shemasi va super-pikselli qismlarga asoslangan Markov Random Fields (MRF) usulini imo-ishoralash orqali piksel-pikselli asoslangan imo-ishorani ajralish usulini takomillashtirdi. Ko’rsatilgan algoritm 17 punktli o’sish (89% va 72%) piksel pikselli tasnifi bo’yicha aniqlikda.
Pikselli tasniflash algoritmiga asoslangan so’nggi yutuqlar juda ko’p sonli murakkab imo-ishora harakatlarini tan olishning yuqori potentsialini ko’rsatdi. Kam darajadagi tasir Hususiyatlariga qaraganda, chuqurlik taqqoslash Hususiyatlari har piksel kontekstida 2D rasmi va chuqurlik gradyanlari haqida ko’proq ma'lumot beruvchi tavsiflarni o’z ichiga oladi[11,13].

2.