Modelo Bio-inspirado para el Reconocimiento de Gestos Usando Primitivas de Movimiento en Visión

Abstract

[ES] Se aborda el problema del reconocimiento de gestos usando la información de movimiento con el fin de obtener un modelo bio-inspirado para, en un futuro, utilizarlo en la programación de robots mediante el paradigma del aprendizaje por imitación. En este trabajo se extraen las primitivas de movimiento a partir de imágenes consecutivas, capturadas por una cámara web estándar. Para la programación por imitación de robots se identificó, como primera fase, el reconocimiento de gestos, en el cual es necesario resolver tres aspectos principales: La representación instantánea del movimiento, la integración temporal de dicha información y, la estrategia de clasificación. Estos tres aspectos serán tratados a lo largo de este trabajo y, en contraste con otros, la extracción del movimiento y su codificación está inspirada en el procesamiento del movimiento realizado en el cerebro de macacos. El modelo obtenido fue aplicado al reconocimiento de cuatro tipos de gestos realizados con la mano por diferentes personas. El porcentaje de aciertos varió entre 91.42% y 97.14%, utilizando diferentes estrategias estándar de clasificación.

[EN] This article addresses the issue of gesture recognition using movement primitives to obtain a bio-model that, in a close future, can be used in the robot programming through the imitation learning paradigm. Those movement primitives are extracted from consecutive images caught by a standard web cam. For robot programming by imitation, gesture recognition was identified as first phase, which requires three main aspects to be taken into consideration. These are the instantaneous movement representation, the temporal integration of related information, and the classification strategy. These three aspects are going to be developed in this article and in contrast to other works in this field; the movement extraction and its codification are inspired in the macaco´s brain motion processing. The obtained model was applied then to the recognition of four different hand gestures performed by different people. The success percentage using different standard classification strategies varied between 91.42% and 97.14%.