Issn 2091-5446 ilmiy axborotnoma научный вестник scientific journal

Experimental Results 
To evaluate our proposed system, we have used Matlab platform under windows 32-bit operating 
system to implement it and run some experiments. The experiments have been conducted using a PC with 
the following specifications: Intel(R) Core(TM) i5-2400 CPU @ 3.10 GHz, and 4.00 GB RAM. 
The dataset used in our experiments is an UzSL database images which were collected in Suez Canal 
University. The database consisting of 210 gray level UzSL images with size 200 × 200. These images 
represent 30 Uzbek characters (7 images for each character). The images are collected in different 
illumination, rotation, quality levels, and image partiality. All images are centered and cropped to 200×200. 
Examples of these images are shown in Fig (3) in which two different samples of the first two characters 
(e.g. Alef and Baa) are shown. These samples (gestures) are collected from various individuals who have 
different sizes of hand. However, this does not matter as our method depends on SIFT features. 
Fig.3. A sample of collected UzSL gestures representing two characters ( a and b represent (Alif) while
c and d represent (Ba) 
Experiment Scenarios and Discussions 
To test our proposed system, four scenarios are designed. We conducted the first scenario to 
understand the effect of changing the number of training data and to evaluate the performance stability over 
the standardize data (without occlusion nor rotation). In this scenario, SIFT technique is used to extract 
features form testing and training images. Then, SVM using Gaussian kernel, k-NN (k=5), and Nearest 
Neighbor classifiers are applied to testing images to recognize the UzSL character. In this experiment 
scenario, the number of training images ranged from one to six images and the rest images are used as 
testing images. The parameters of this experiment are 16 × 16 Psize, Nbins=4, Nangels=8, and PeakThr=0. 
Table (1) summarize the results obtained from this scenario.