Issn 2091-5446 ilmiy axborotnoma научный вестник scientific journal

ILMIY AXBOROTNOMA

INFORMATIKA

2021 - yil, 1 - son 
112 
From Table (1), we can notice that the accuracy of identifying UzSL based on gestures achieved 
very high results. It can be also seen that the accuracy slightly decreased when the number of training 
images are decreased. Moreover, it can be remarked that the accuracy achieved by applying SVM classifier 
is better than the one accomplished by applying the minimum distance and k-NN classifiers. Also, we note 
that, SIFT achieved excellent results. But, after applying LDA the feature length becomes only 210 features 
and then the classification process becomes more faster. Table (2) shows that the best accuracy achieved 
when the PeakThr=0.0, Psize=16 × 16 and Nangels is 8. When the PeakThr parameter increases, the number 
of features decreases and then the accuracy decreases. The highest accuracy achieved when Psize=16 × 16. 
When the Psize increases, then SIFT will consider as global features and decreases Psize will not extract 
more features which are necessary in identification process. Increasing the Nangels and Nbins will extract 
and collect features in different orientations and solve rotation problem. 
Conclusions 
In this paper, we have proposed a system for UzSL recognition based on gesture extracted from 
Uzbek sign images. We have used SIFT technique to extract these features. The SIFT is used as it extracts 
invariant features which are robust to rotation and occlusion. Then, LDA technique is used to solve 
dimensionality problem of the extracted feature vectors and to increase the separability between classes, 
thus increasing the accuracy for our system. In our proposed system, we have used three classifiers, SVM, 
k-NN, and minimum distance. The experimental results showed that our system has achieved an excellent 
accuracy around 98.9%. Also, the results proved that our approach is robust against any rotation and they 
achieved an identification rate of near to 99%. In case of image occlusion (about 60% of its size ), our 
approach has accomplished an accuracy (approximately 50%). In our future work, we are going to find a 
way to improve the results of our system in case of image occlusion and also increase the size of the dataset 
to check its scalability. Also, we will try to identify characters from video frames and then try to implement 
real time UzSL system.