Programming gestures simulator with statistical modeling

Well-known R system of statistical mod-eling is applied for creating a simulator of recognition of a fragment of the ges-ture language associated with movements of the fingers of human hand. The effectiveness of the use of statistical modeling system for fast recognition and prediction of gestures i...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2017
Автори:	Doroshenko, А.Yu., Novak, O.S.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Інститут програмних систем НАН України 2017
Теми:	UDC 681.3
Онлайн доступ:	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/129
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Problems in programming

Репозитарії

Problems in programming

id	pp_isofts_kiev_ua-article-129
record_format	ojs
resource_txt_mv	ppisoftskievua/8b/674eada4a35bcac6005397fd02eb7f8b.pdf
spelling	pp_isofts_kiev_ua-article-1292018-07-23T13:46:01Z Programming gestures simulator with statistical modeling Программирование симулятора жестов методом статистического моделирование Програмування симулятора жестів методом статистичного моделювання Doroshenko, А.Yu. Novak, O.S. UDC 681.3 УДК 681.3 УДК 681.3 Well-known R system of statistical mod-eling is applied for creating a simulator of recognition of a fragment of the ges-ture language associated with movements of the fingers of human hand. The effectiveness of the use of statistical modeling system for fast recognition and prediction of gestures is demonstrated with an example of a game problem. Проведено настройку и применение инструментария известной системы R статистического моделирования для создания симулятора распознавания фрагмента языка жестов, связанного с движениями пальцев человеческой руки. Продемонстрирована эффективность использования системы статистического моделирования для быстрого распознавания и прогнозирования жестов на примере одной игровой задачи. Проведено налаштування та застосування інструментарію відомої системи R статистичного моделю-вання для створення симулятора розпізнавання фрагмента мови жестів, пов’язаного з рухами пальців людської руки. Продемонстрована ефективність використання системи статистичного моделювання для швидкого розпізнавання та прогнозування жестів на прикладі однієї ігрової задачі. Інститут програмних систем НАН України 2017-06-13 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/129 PROBLEMS IN PROGRAMMING; No 1 (2015) ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 1 (2015) ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 1 (2015) 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/129/122 Copyright (c) 2017 ПРОБЛЕМИ ПРОГРАМУВАННЯ
institution	Problems in programming
baseUrl_str	https://pp.isofts.kiev.ua/index.php/ojs1/oai
datestamp_date	2018-07-23T13:46:01Z
collection	OJS
language	Ukrainian
topic	UDC 681.3
spellingShingle	UDC 681.3 Doroshenko, А.Yu. Novak, O.S. Programming gestures simulator with statistical modeling
topic_facet	UDC 681.3 УДК 681.3 УДК 681.3
format	Article
author	Doroshenko, А.Yu. Novak, O.S.
author_facet	Doroshenko, А.Yu. Novak, O.S.
author_sort	Doroshenko, А.Yu.
title	Programming gestures simulator with statistical modeling
title_short	Programming gestures simulator with statistical modeling
title_full	Programming gestures simulator with statistical modeling
title_fullStr	Programming gestures simulator with statistical modeling
title_full_unstemmed	Programming gestures simulator with statistical modeling
title_sort	programming gestures simulator with statistical modeling
title_alt	Программирование симулятора жестов методом статистического моделирование Програмування симулятора жестів методом статистичного моделювання
description	Well-known R system of statistical mod-eling is applied for creating a simulator of recognition of a fragment of the ges-ture language associated with movements of the fingers of human hand. The effectiveness of the use of statistical modeling system for fast recognition and prediction of gestures is demonstrated with an example of a game problem.
publisher	Інститут програмних систем НАН України
publishDate	2017
url	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/129
work_keys_str_mv	AT doroshenkoayu programminggesturessimulatorwithstatisticalmodeling AT novakos programminggesturessimulatorwithstatisticalmodeling AT doroshenkoayu programmirovaniesimulâtoražestovmetodomstatističeskogomodelirovanie AT novakos programmirovaniesimulâtoražestovmetodomstatističeskogomodelirovanie AT doroshenkoayu programuvannâsimulâtoražestívmetodomstatističnogomodelûvannâ AT novakos programuvannâsimulâtoražestívmetodomstatističnogomodelûvannâ
first_indexed	2025-07-17T09:54:08Z
last_indexed	2025-07-17T09:54:08Z
_version_	1838409851412152320
fulltext	Прикладні засоби програмування та програмне забезпечення © А.Ю. Дорошенко, О.С. Новак, 2015 58 ISSN 1727-4907. Проблеми програмування. 2015. № 1 УДК 681.3 А.Ю. Дорошенко, О.C. Новак ПРОГРАМУВАННЯ СИМУЛЯТОРА ЖЕСТІВ МЕТОДОМ СТАТИСТИЧНОГО МОДЕЛЮВАННЯ Проведено налаштування та застосування інструментарію відомої системи R статистичного моделю- вання для створення симулятора розпізнавання фрагмента мови жестів, пов’язаного з рухами пальців людської руки. Продемонстрована ефективність використання системи статистичного моделювання для швидкого розпізнавання та прогнозування жестів на прикладі однієї ігрової задачі. Вступ Сучасні об’єкти управління в скла- дних технічних системах вимагають від розробників все більш досконалих мето- дів організації та оптимізації параметрів цих систем. Одним із таких методів є ма- шинне навчання [1], основний зміст якого полягає у можливості узагальнення на ос- нові автоматизованих засобів спостере- ження, аналізу та прийняття рішення що- до значень параметрів управління. При цьому спостереження часто виступають у вигляді часових рядів – послідовностей значень з часовими відмітками. Використання невербальних засо- бів взаємодії користувачів з об’єктами управління, такими як розпізнавання ви- разів очей або обличчя, розпізнавання звукових сигналів і жестів рук складають важливий клас методів підвищення інте- лектуальності інтерфейсів в системах уп- равління. Серед них чи не найчастіше ви- користовується мова жестів людських рук, а системи з сенсорними рукавичками відіграють важливу роль в галузі розпі- знавання жестів. Виявлення жесту перед- бачає визначення початкової та кінцевої точок руху при безперервному потоці вхі- дних сигналів. В статті розглядається клас систем управління маніпуляторами, в яких центральне місце, як джерело прийняття рішень, займає людина-оператор, що діє на основі сенсорної системи типу «рука- вичка», яка є необхідним компонентом для розпізнавання мови жестів [2]. Такі системи використовують людські руки для взаємодії з середовищем у багатьох галузях науки і техніки, таких як системи телеприсутності, віртуальної реальності, робототехніки, медицини та охорони здо- ров'я тощо. Важливим завданням при цьому є розуміння та навчання мові жес- тів, що здатне значно збільшити можли- вості користувачів при виконанні завдань у названих галузях. В роботі розробляється прототип системи розпізнавання жестів пальцями людської руки на основі використання се- нсорної рукавички. Записані спочатку да- ні спостереження від сенсорів пальців по- тім аналізуються і, фактично, абстрагу- ються до певних понять на основі цих да- них. Це дозволяє будувати маніпулятори на більш високому, концептуальні рівні, а також може значно підвищувати ефектив- ність взаємодії користувачів з керованим об’єктом під час маніпуляцій з ним. На сьогодні використовуються різ- ні підходи до розпізнавання жестів, зок- рема, приховані моделі Маркова (ПММ [3]), моделі скінченних автоматів [4]. В роботі [5] було запропоновано нове по- няття «концептуального підґрунтя» (concept grounding) для застосування в об- ласті навчання роботів. Це поняття перед- бачало абстрагування і виокремлення концептів із спостережених даних з пода- льшою побудовою простору концептів, так щоб навчання можна було планувати на більш високому рівні. Фактично, більшість моделей фор- мування концептів на основі аналізу да- них є системами кластеризації, адже у бі- льшості випадків концепти можуть бути представлені у вигляді кластерів. Проте треба мати на увазі, що сенсорні сигнали, Прикладні засоби програмування та програмне забезпечення 59 як правило, дуже є часто зашумленими. Хоча є багато методів кластеризації, проте не існує найкращого алгоритму, що може обробляти всі види наборів даних, отриманих із зашумленого навко- лишнього середовища. Метою даної робо- ти є створення алгоритму навчання системи розпізнавання жестів пальцями людської руки, оснащеної сенсорною ру- кавичкою. 1. Загальні відомості 1.1. Часові ряди. У багатьох галу- зях науки і техніки є змінні, значення яких вимірюється послідовно через певні відрізки часу. Наприклад, банки фіксують процентні ставки та обмінні курси кожно- го дня, а відділи статистики державних установ обчислюють економічні показни- ки країни на щорічній основі. Послідов- ності спостережених даних, отриманих в такий спосіб, формують часові ряди. Спо- стереження, які збираються за фіксовані інтервали часу вибірки, складають ряди історичних даних. При вивченні часових рядів часто приймається статистичний підхід, при якому історичні дані розглядаються як ре- алізації послідовностей випадкових вели- чин. Основними особливостями багатьох часових рядів є тенденції та сезонні коли- вання, які можуть бути описані детермі- новано за допомогою математичних фун- кцій часового аргументу. Ще одна важли- ва особливість більшості часових рядів полягає у тому, що близькі один до одно- го в часі спостереження, як правило, ко- релюють, тобто послідовно залежить одне від одного. Велика частина методологій аналізу часових рядів спрямована на ви- явлення цих кореляцій на основі викорис- тання відповідних статистичних моделей [6]. Після того, як знайдена хороша мо- дель, її можна використовувати для про- гнозування наступних значень часових рядів або задач моделювання. Перевірена статистична модель може також викорис- товуватись в якості основи для статистич- них тестів. 1.2. Статистичні моделі. Пошук відповідних статистичних моделей для часових мрядів є нетривіальним завдан- ням. Як правило, застосовується багатос- тупенева стратегія побудови моделі [6], що включає три основні кроки, кожен з яких може бути використана кілька разів: 1) специфікація моделі (або її іден- тифікація), 2) підгонки моделі, 3) діагностика (випробування) мо- делі. У специфікації (або ідентифікації) моделі, класи моделей часових рядів ви- бираються такі, які можуть бути відповід- ними для даного спостережуваного ряду. На цьому будується графік часового ряду, обчислюються різні статистичні характе- ристики даних, а також застосовуються інші знання про предметну галузь. Слід підкреслити, що модель, обрана на цьому кроці, є попередньою і підлягає перегляду при подальшому аналізі. При виборі моделі дотримуються принципу концептуальної економії (principle of parsimony [6]); тобто, викори- стовувана модель повинна мати наймен- шу кількість параметрів, які адекватно описують часовий ряд. Підгонка моделі полягає в знахо- дженні найкращого оцінки невідомих па- раметрів у рамках даної моделі. Критері- ями, що розглядаються для оцінки пара- метрів, як правило, є спосіб найменших квадратів і максимальної правдоподіб- ності. Діагностика модель виконує оцінку якості заданої моделі і відповідає на пи- тання, наскільки добре модель відповідає даним і чи виконуються прийняті при- пущення щодо моделі. Якщо невідповід- ностей не виявлено, моделювання можна продовжити, і модель може бути викорис- тана, наприклад, для прогнозування на- ступних значень. В іншому випадку, тре- ба вибирати іншу модель у світлі виявле- них недоліків; тобто, повернутися до кро- ку специфікації моделі. Таким чином, цикл повторюється, допоки, не буде знай- дено прийнятної моделі. 1.3. Система R. Створений в ро- боті прототип симулятора використовує Прикладні засоби програмування та програмне забезпечення 60 засоби програмування статистичного мо- делювання і машинного навчання з відо- мої системи, заснованої на мові програ- мування R [6–8]. R – це мова і середовище для вико- нання статистичних розрахунків і їх гра- фічного відображення. R забезпечує ши- рокий вибір статистичних і графічних ме- тодів, зокрема лінійного та нелінійного моделювання, класичні статистичних ви- пробувань, аналізу часових рядів, класи- фікації, кластеризації та інше, і має вели- ку здатність до розширення. До того ж R являє собою систему з відкритим кодом, що пояснює велику популярність цієї системи серед дослідників. Так як R розроблена саме під за- дачі аналізу даних, то окрім великої кіль- кості різних пакетів/бібліотек які вміють вирішувати майже всі стандартні задачі, вона має дуже багато синтаксичного «цу- кру» (з популярних мов програмування з R у цьому контексті можуть поспереча- тися лише Matlab, та, у меншій мірі, python). Наприклад, побудова параболи на відрізку [–50, 50]: Data = c() Data$X < – 50:50 Data$Y < – Data$X^2 plot(Data$X,Data$Y,type='line') чи скорочений варіант: Data = – 50:50 plot(data,data^2,type='line') В загальному випадку машинне навчання – це набір інструментів і мето- дів, спрямованих на виведення закономі- рностей із даних спостережень. У машин- ному навчанні, власне навчання полягає з добуванні якомога більше інформації від даних через алгоритми, які аналізують основні структури даних, і відділяють сигнал від шуму. Після того як сигнал, або образ (паттерн) отримано, алгоритми навчання просто вважають все інше, що залишилося, за шум. Тому методи машинного навчання також називають алгоритмами розпізнавання образів. Ми можемо "натренувати" наші машини на те, як генеруються дані в певному кон- тексті, що дозволяє використовувати ці алгоритми для автоматизації інших кори- сних завдань. Отже поняття даних спос- тережень, вивчення від нього, а потім ав- томатизація якогось процесу розпізнаван- ня знаходиться в центрі машинного нав- чання. Два особливо важливих типів про- блем займають центральне місце серед інших основних проблеми, для яких ство- рюються інструменти машинного навчан- ня: проблема класифікації і проблема регресії. 1.4. Ланцюги Маркова. У теорії ймовірностей ланцюгом Маркова з непе- рервним часом називається випадковий процес  0:)( ttX визначе- ний у неперервному часовому проміжку, що приймає значення у деякій скінченній чи зліченній множині і задовольняє влас- тивість Маркова. Відмінність цього виду ланцюгів Маркова від дискретних ланцю- гів Маркова полягає у тому, що переходи між станами можуть відбуватися в будь- які моменти часу і час наступного перехо- ду теж є випадковою величиною. Ланцюги Маркова з неперервним часом можна формально означити як ).\|( )0 ,\|( tththt sshtht xXxXP tsxXXXP     Дискретні ланцюги маркова можна означити як початковий розподіл ,...2,1),(,,...),( 021  iiXPpppp i T та матрицю перехідних функцій   ).\|()()( 0 iXjXPhPhP hij  Схематичне зображення ланцюга Маркова для його прикладу з двома ста- нами можна побачити на рис. 1. На вході симулятора ми маємо де- кілька (5, за кількістю пальців) числових рядів, де значення кожного елемента ряду означає ступінь згину пальця. Прикладні засоби програмування та програмне забезпечення 61 Рис. 1. Ланцюг Маркова для двох станів 2. Модель симулятора жестів Схематично модель симулятора же- стів показано на рис. 2. Рис. 2. Схема симулятора жестів На вході симулятора ми маємо де- кілька (5, за кількістю пальців) числових рядів, де значення кожного елемента ряду означає ступінь згину пальця. Як сенсори ми можемо використо- вувати тензорезистори чи їх оптичний са- моробний аналог [9] (інший варіант має значно нижчу вартість, але має декілька інших проблем). Вибране обладнання пра- цює з напругою до 5В (3.3В потрібно для енергозберігаючих мікроконтролерів, 4.5В – робоча напруга для більшості мікроконт- ролерів, 5В ми отримуємо безпосередньо з порту USB [10]). Але при напрузі до 5В ми отримуємо дуже низьку різницю ∆U між станами повністю прямого та повністю зі- гнутого пальця. У випадку підвищення на- пруги до прийнятної (9В) ми не зможемо безпосередньо використовувати АЦП мік- роконтролера для аналізу зміни напруги (наприклад, у мікроконтролері ATMega- 32A-PU напруга більша, ніж 5.5В [11]), що може ускладнити схему. Логічно було б для аналізу число- вих рядів використовувати вже існуючі методи [12, 13], проте через специфіку проблеми вони не застосовні для даної за- дачі [14]. Для визначення статичного жесту ми використовуємо банк даних, де задано інформацію про всі жести (які важливі саме для нашої задачі і які маємо розпі- знавати). Для прогнозування руху ми викори- стовуємо ланцюги Маркова. У цьому ви- падку, ми розглядаємо кожну ланку як ве- ктор ),,,,( 321 nppppp  , де ip – числове значення датчика, n – кількість датчиків. Частота замірів t вливає на точність прогнозування, а також на час розрахунків та сумарних обсягів даних. Відповідно, ймовірності переходів між ланками розра- ховуються на основі статистичних даних. Причому, ланка де вектор p був опізна- ний як «знайомий» жест буде кінцевою. А усі «неопізнані» ланки – наповнювачами. Таким чином ми отримаємо деякий обсяг ланцюгів Маркова, де кожен ланцюг – один паттерн для динамічного прогнозу- вання. При великій кількості таких ланцю- гів і невеликій кількості жестів або без не- обхідності в дуже великій точності є сенс їх згрупувати. 3. Приклад застосування симулятора Для демонстрації роботи статисти- чного симулятора було вибрано приклад відомої гри «камінь-ножиці-папір». У ній використовуються 3 жести: «камінь» (па- льці стиснуті в кулак), «ножиці» (вказів- ний та середній випрямлені, інші – зжаті) та «папір» (усі пальці випрямлені). Рухи користувача зчитуються за допомогою се- нсорної рукавички. Система аналізує його рух та демонструє контрфігуру (ножиці б’ють папір, папір б’є камінь, камінь б’є ножиці). При цьому система автоматично підлаштовується під паттерн руху корис- USB вхід (емулятор) База даних Статистична модель Модуль обробки даних Результат розпізнавання та прогноз Прикладні засоби програмування та програмне забезпечення 62 тувача, зменшуючи час реакції тим більше, чим більше ігор було зіграно. Дані на USB вході емулюються за допомогою програми написаної на C#. Як база даних використовується MS SQL. Модуль обробки та алгоритми роз- пізнавання жестів реалізовані на мові R (додатково до основних можливостей мови ми підключили пакет RODBC [15], який дозволяє проводити загрузку даних з MS SQL). Рукавичка підключена до комп’ю- тера через з’єднання USB (емуляція), декі- лька разів за секунду передаються дані з датчиків, які зберігаються до бази даних (для подальшого аналізу). Паралельно з цим вони передаються на створену модель (якщо це перших запуск, то модель ство- рюється на основі даних у базі). Дані, які потрапляють до моделі безпосередньо, ви- користовуються для аналізу та прогнозу- вання. Причому, ми виконуємо як статич- не, так і динамічне розпізнавання жестів [16, 17]. Для статичного розпізнавання ми використовуємо банк даних, з інформаці- єю про можливі жести (в нашому випадку таких лише 3). В такому випадку обмеження для статичного розпізнавання жестів можна задати як (на прикладі «паперу») for (i in 1:5) { ambits$paper[i] <- list((max – –delta) : ( max +delta)) } та в подальшому використовувати в пере- вірці select <– function(grid, ambits){ return (grid$val0 %in% ambits[[1]] & grid$val1 %in% ambits[[2]] & grid$val2 %in% ambits[[3]] & grid$val3 %in% ambits[[4]] & grid$val4 %in% ambits[[5]]) } Експериментальні дані для цього прикладу роботи статичного розпізнавання показано на рис. 3. По осі Х ми бачимо прив’язку до локального часу у системі (на момент коли рух відбувався). По осі Y – значення дат- чика по відносній шкалі (0 – повністю зіг- нутий, 100 – повністю розігнутий). На рис. 4 ми бачимо результат розпізнавання статичних жестів. Вісь Х повністю збіга- ється з рис. 2, по осі Y демонструються початкові точки, у яких значення було розпізнане як «відоме». 3 відповідає жесту «папір», 2 відповідає жесту «камінь» та 1 відповідає жесту «ножиці». На рис. 4 сірий колір представляє «камінь», червоний – «ножиці», а жовтий – «папір». Прогнозування перевірялось при досить великому обсязі даних (декілька гі- габайт). Дані з датчиків знімались 4 рази за секунду. При великому зашумленні (до ±20% від справжнього значення) вдалось досягти точності в 95 % без детального аналізу повного ланцюга Маркова. Відпо- відно, при невеликому зашумленні або зо- всім без зашумлення ми можемо досягти точності до 99–100 % (частково цьому сприяє той факт, що нам дуже легко розді- лити кінцеві жести). При більшій кількості жестів чи їх «перетину» точність може по- гіршуватися. Але ми завжди можемо ком- пенсувати це, збільшивши кількість ланок для аналізу. Рис. 3. Вид вхідних даних симулятора в системі R Прикладні засоби програмування та програмне забезпечення 63 Рис. 4. Результати розпізнавання жестів для прикладу «Камінь-ножиці-папір» Висновки В роботі розроблено прототип си- мулятора розпізнавання жестів пальцями людської руки на основі використання се- нсорної рукавички та системи R для про- грамування статистичної обробки. Часові ряди даних спостережень, генеровані си- мулятором, аналізуються методом статис- тичного моделювання, що дозволяє потім ефективно прогнозувати поведінку пальців людської руки. А це, в свою чергу, дозво- ляє будувати маніпулятори на більш висо- кому, концептуальні рівні, а також може значно підвищувати ефективність взаємо- дії користувачів з керованим об’єктом під час маніпуляцій з ним. Слід зазначити, що мова R відрізня- ється від більшості «популярних» мов про- грамування і має достатньо переваг (у ви- гляді синтаксичного «цукру» та безлічі го- тових прикладних пакетів) для того, щоб її почали використовувати в дослідницьких задачах. Крім того, більшість функцій на- писані з використанням С/С++ дозволяє системі R не відставати з показників про- дуктивності. Дана робота підтверджує життєзда- тність такого підходу до прогнозування поведінки людини при виконанні деякої кількості однотипних рухів. Є також мож- ливість для подальшого підвищення ефек- тивності та гнучкості системи (наприклад, використовуючи інтелектуальну систему кластеризації замість банку даних. 1. Smola A., Vishwanathan S.V.N.. Introduction to machine learning. – Cambridge University Press, 2008. – 234 р. 2. A Concept Grounding Approach for Glove- Based Gesture Recognition / Yu. Huang, D. Monekosso, H. Wang, J.C. Augusto // in: Proc. 2011 Seventh Int. Conf. on Intelligent Environments.-IEEE Computer Society, 2011. – P. 358–361. 3. Weaver J., Starner T., Pentland A. Real-time American Sign Language recognition using desk and wearable computer based video // IEEE Trans. Pattern Anal. Mach. Intell. – 1998. – Vol. 33, N. 12. – P. 1371–1378. 4. Hong P., Turk M., and Huang T.S. Gesture modeling and recognition using finite state machines // In Proc. 4-th IEEE Int. Conf. Autom. Face Gesture Recogn., Grenoble, France. – 2000. – P. 410–415. 5. Mitchell T. Machine Learning. – McGraw- Hill. – 1997. – 414 р. 6. Cryer J.D., Chan K-S. Time Series Analysis with Applications in R, 2nd ed. – Springer, 2008. – 501 p. 7. Braun J., Murdoch D.J. First Course in Statistical Programming with R. Cambridge University Press. – 2007. – 175 p. 8. The R Project for Statistical Computing, http://www.r-project.org/ 9. Датчик (резистор) изгиба своими руками https://www.youtube.com/watch?v=oBX0LF1 Ol2I 10. USB 2.0 Specification http://www.usb.org/ developers/ docs/usb20_docs/ 11. Atmel Atmega32A-PU datasheet http://www.atmel.com/images/atmel-8155-8- bit-microcontroller-avr- atmega32a_datasheet.pdf 12. Анализ временных рядов и прогнозирова- ние http://pokrovka11.files.wordpress.com/ 2011/12/emetrix_time_series.pdf 13. Лукашин Ю.П. Адаптивные методы крат- косрочного прогнозирования временных рядов: Учебное пособие. – М.: Финансы и статистика, 2003. – 416 с. Прикладні засоби програмування та програмне забезпечення 64 14. Новак А.С., Дорошенко А.Е. Способ управ- ления манипулятором для робототехниче- ской системы телеприсутствия // Сучасна освіта і наука в Україні. Традиції та інно- вації // Матеріали ХІХ всеукраїнської нау- ково-практичної заочної конференції з мі- жнародною участю 25–26 квітня 2014, Одеса, 2014. 15. Package ‘RODBC’ http://cran.r- project.org/web/packages/RODBC/RODBC.p df 16. Static hand gesture recognition http://diuf.unifr.ch/diva/SeminarGest09/report Messer.pdf 17. Static and dynamic hand-gesture recognition for augmented reality application http://www.mmk.ei.tum.de/publ/pdf/07/07rei2 .pdf Одержано 10.12.2014 Про авторів: Дорошенко Анатолій Юхимович, доктор фізико-математичних наук, професор, завідувач відділу теорії комп’ютерних обчислень, Новак Олександр Сергійович, магістрант кафедри автоматики та уп- равління в технічних системах. Місце роботи авторів: Національний технічний університет України «КПІ» та Інститут програмних систем НАН України. Тел.: (044) 526 3559. E-mail: dor@isofts.kiev.ua novak.as@i.ua http://www.mmk.ei.tum.de/publ/pdf/07/07rei2 http://www.mmk.ei.tum.de/publ/pdf/07/07rei2 mailto:dor@isofts.kiev.ua

Programming gestures simulator with statistical modeling

Репозитарії

Схожі ресурси