DOI:

https://doi.org/10.14483/2322939X.4684

Publicado:

2013-10-16

Número:

Vol. 10 Núm. 1 (2013)

Sección:

Entorno Social

CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES

Autores/as

  • Jair Cervantes
  • Farid García Lamont
  • José H. Santiago
  • Josue Espejal Cabrera
  • Adrian Trueba

Palabras clave:

Lenguaje de Señas Mexicano, Clasificación, SVM (es).

Descargas

Resumen (es)

El desarrollo de herramientas que faciliten la comunicación de personas sordas es un reto de investigación actual muy importante. Una línea de investigación es el desarrollo de sistemas de visión con un gran poder de generalización. Obtener una buena precisión de generalización requiere un conjunto de datos muy grande durante el entrenamiento, y el incremento de datos muchas veces solo añade información repetitiva y no representativa. En este artículo describimos el desarrollo de un sistema de reconocimiento de lenguaje de señas. El sistema propuesto permite identificar con una alta precisión el Lenguaje de Señas Mexicano introduciendo datos muy representativos generados artificialmente, que permiten mejorar la capacidad de generalización del clasificador. Los resultados obtenidos muestran que el algoritmo propuesto mejora la precisión de generalización de las SVM al utilizar la metodología propuesta.

Referencias

M. Al-Roussan, K. Assaleh and A. Talaa, “Video-based signer-independent Arabic sign language recognition using Hidden Markov Models”. Appl. Soft Comput, vol. 9, num. 3. 2009.

M. Assa, K. Grobel, “Video-based sign language recognition using Hidden Markov Models”. In: Proc. Gesture Workshop, pp. 97-109. 1997.

H. Baird, State of the art of document image degradation modeling. In: Proc. 4th IAPR Workshop on Document Analysis Systems, pp. 1-16. 2000.

B. Bauer, H. Hienz, Relevant features for video-based continuous sign language recognition. In: FG’00. IEEE Computer Society, Washington, DC, USA, pp. 440-450. 2000.

R. Cole, et al., New tools for interactive speech and language training: using animated conversational agents in the classrooms of profoundly deaf children. In: Proc. ESCA/SOCRATES Workshop on Method and Tool Innovations for Speech Science Education, London, pp. 45-52. 1999.

Cole, R., Van Vuuren, S., Pellom, B., Hacioglu, K., Ma, J., Movellan, J., Schwartz, S., Wade-Stein, D., Ward, W., Yan, J., 2003. Perceptive animated interfaces: rst steps toward a new paradigm for human computer interaction. IEEE Transactions on Multimedia: Special Issue on Human Computer Interaction 91 (9), 1391-1405.

Y. Cui, J. Weng, Appearance-based hand sign recognition from intensity image sequences, Comput. Vis. Image Understand. 78 (2) (2000) 157-176.

S. C. Chen, D. Q. Zhang, Z. H. Zhou, “Enhanced (PC)2A for face recognition with one training image per person”. Pattern Recognition Lett., vol. 25, num. 10, 1173-1181. 2004.

P. Dreuw, P. Appearance-Based Gesture Recognition. Diploma Thesis, RWTH Aachen University, Aachen, Germany. 2005.

P. Dreuw, D. Stein, T. Deselaers, D. Rybach, D. Zahedi, J. Bungeroth, H. Ney, “Spoken language processing techniques for sign language recognition and translation”. In: Technology and Disability, vol. 20, Amsterdam. 2008.

G. L. Fang, W. Gao, D. B. Zhao, “Large vocabulary sign language recognition based on fuzzy decision trees”. IEEE Trans. Systems Man Cybernet, vol. 34, núm. 3, 305-314. 2004.

W. Gao, S. G. Shan, X. G. Chai, “Virtual face image generation for illumination and pose insensitive face recognition”. In: Internat. Conf. on Acoustic, Speech and Signal Processing, pp. 776-779. 2003.

N. Habili and A. Moini, “Segmentation of face and hands in sign language video sequences using color and motion cues”. IEEE Trans Circ Syst Video Technol: 1086-1097. 2004.

J. Henk Haarmann, A. C. Katherine, D. S. Ruchkin, “Short-term semantic retention during on-line sentence comprehension. Brain potential evidence from llergap constructions”, Cognitive Brain Research, vol. 15, núm. 2: 178-190. 2003.

M. A. Hussain, Automatic recognition of sign language gestures, Master Thesis, Jordan University of Science and Technology, Irbid, 1999.

Feng Jiang, Wen Gao, Hongxun Yao, Debin Zhao and Xilin Chen, Synthetic data generation technique in Signer-independent sign language recognition, Pattern Recognition Letters 30: 513- 524. 2009.

M. W. Kadous, Machine recognition of Auslan signs using PowerGloves: Towards large-lexicon recognition of sign language. In: Proc. Workshop Integration of Gestures in Language and Speech, pp. 165-174. 1996.

I. Kononenko, “Machine learning for medical diagnosis: history, state of the art and perspective”, Artificial Intelligence in Medicine, vol. 23, pp. 89-109, 2001.

X. Lu, Jain, A. K., Ber. resampling for face recognition chem. In: 4th Internat. Conf. on Audio and Video based Biometric Person Authentication, pp. 869- 877. 2003.

D. MacKenzie, “Electronic device allows the blind to see”, New Scientist, vol. 208, núm. 2785, 6 November 2010: 10.

Farid Melgani and Yakoub Bazi, Classi cation of Electrocardiogram Signals With Support Vector Machines and Particle Swarm Optimization, IEEE Transactions on Information Technology in Biomedicine, Vol. 12, No. 5, September 2008

Y. Nam and K. Whon. “Recognition of space^e”time hand-gestures using Hidden Markov Model”. In: ACM symposium on virtual reality software and technology Hong Kong; p. 51-58. 1996.

R. San-Segundo, R. Barra, R. Córdoba, L. F. D’Haro, F. Fernandez, J. Ferreiros, J. M. Lucas, J. Macias-Guarasa, J. M. Montero, J. M. Pardo, Speech to sign language translation system for Spanish. Speech Commun. 50, 1009-1020. 2008.

R. San-Segundo, J.M. Pardo, J. Ferreiros, V. Sama, R. Barra-Chicote, J.M. Lucas, D. Sánchez, A. García, “Spoken Spanish generation from sign language”, Interacting with Computers, vol. 22, núm. 2: 123-139. 2010.

N. Tanibata, N. Shimada, Y. Shirai, “Extraction of hand features for recognition of sign language words”. In Internat. Conf. on Vision Interface: 391-398. 2002.

P. Vamplew and A. Adams, “Recognition of sign language gestures using neural networks”. Australian J. Intell. Information Process. Systems, vol. 5, num. 2: 94 102. 1998.

M. Zahedi, P. Dreuw, D. Rybach, T. Deselaers and H. Ney, Using geometric features to improve continuous appearance-based sign language recognition. In: British Machine Vision Conference (BMVC), Vol. 3, Edinburgh, UK. 2006.

Cómo citar

IEEE

[1]
J. Cervantes, F. G. Lamont, J. H. Santiago, J. E. Cabrera, y A. Trueba, «CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES», Rev. vínculos, vol. 10, n.º 1, pp. 328–341, oct. 2013.

ACM

[1]
Cervantes, J., Lamont, F.G., Santiago, J.H., Cabrera, J.E. y Trueba, A. 2013. CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES. Revista vínculos. 10, 1 (oct. 2013), 328–341. DOI:https://doi.org/10.14483/2322939X.4684.

ACS

(1)
Cervantes, J.; Lamont, F. G.; Santiago, J. H.; Cabrera, J. E.; Trueba, A. CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES. Rev. vínculos 2013, 10, 328-341.

APA

Cervantes, J., Lamont, F. G., Santiago, J. H., Cabrera, J. E., & Trueba, A. (2013). CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES. Revista vínculos, 10(1), 328–341. https://doi.org/10.14483/2322939X.4684

ABNT

CERVANTES, J.; LAMONT, F. G.; SANTIAGO, J. H.; CABRERA, J. E.; TRUEBA, A. CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES. Revista vínculos, [S. l.], v. 10, n. 1, p. 328–341, 2013. DOI: 10.14483/2322939X.4684. Disponível em: https://revistas.udistrital.edu.co/index.php/vinculos/article/view/4684. Acesso em: 18 oct. 2021.

Chicago

Cervantes, Jair, Farid García Lamont, José H. Santiago, Josue Espejal Cabrera, y Adrian Trueba. 2013. «CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES». Revista vínculos 10 (1):328-41. https://doi.org/10.14483/2322939X.4684.

Harvard

Cervantes, J., Lamont, F. G., Santiago, J. H., Cabrera, J. E. y Trueba, A. (2013) «CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES», Revista vínculos, 10(1), pp. 328–341. doi: 10.14483/2322939X.4684.

MLA

Cervantes, J., F. G. Lamont, J. H. Santiago, J. E. Cabrera, y A. Trueba. «CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES». Revista vínculos, vol. 10, n.º 1, octubre de 2013, pp. 328-41, doi:10.14483/2322939X.4684.

Turabian

Cervantes, Jair, Farid García Lamont, José H. Santiago, Josue Espejal Cabrera, y Adrian Trueba. «CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES». Revista vínculos 10, no. 1 (octubre 16, 2013): 328–341. Accedido octubre 18, 2021. https://revistas.udistrital.edu.co/index.php/vinculos/article/view/4684.

Vancouver

1.
Cervantes J, Lamont FG, Santiago JH, Cabrera JE, Trueba A. CLASIFICACIÓN DEL LENGUAJE DE SEÑAS MEXICANO CON SVM GENERANDO DATOS ARTIFICIALES. Rev. vínculos [Internet]. 16 de octubre de 2013 [citado 18 de octubre de 2021];10(1):328-41. Disponible en: https://revistas.udistrital.edu.co/index.php/vinculos/article/view/4684

Descargar cita

Visitas

1475

Descargas

Los datos de descargas todavía no están disponibles.