Hand GR

LCS

• LCS(Longest Common Subsequence)는 두 문자열 간의 유사성을 측정하는 방법

• 동일한 순서를 유지하면서 두 문자열이 공통적으로 갖는 가장 긴 문자 시퀀스를 식별

제스처 인식에 LCS를 사용할경우 이점

• LCS는 복잡한 모양을 처리할 수 있어 볼록하고 오목한 윤곽이 있는 제스처에 적합합니다.

• 제스처의 일부가 가려져도 표시되는 제스처 부분의 표현은 영향을 받지 않습니다.

• LCS는 윤곽 노이즈에 강하므로 윤곽이 노이즈나 결함의 영향을 받는 경우에도 여전히 정확한 제스처 인식을 제공할 수 있습니다. 이는 LCS가 노이즈에 민감할 수 있는 미분 계산에 의존하지 않기 때문입니다.

• 견고성은 매개변수 'w'를 조정하여 더 높일 수 있습니다.

• 제스처의 위치, 방향 또는 거리가 변경되더라도 LCS 기반 비교는 여전히 제스처를 인식할 수 있습니다.

Linear Alignment of LCSs

• LCS(Longest Common Subsequences)의 선형 정렬은 두 시퀀스를 비교하고 선형으로 정렬하여 유사성을 결정하는 데 사용되는 기술

선형 정렬 순서

1. 특징 추출 및 전처리

• 이 단계에서는 제스처 데이터(예: 이미지 시퀀스 또는 깊이 데이터)에서 특징을 추출합니다.
• 이러한 기능에는 윤곽선 정보, 키포인트 또는 기타 관련 설명자가 포함되는 경우가 많습니다.
• 그런 다음 추출된 특징을 전처리하여 노이즈를 줄이고 크기와 방향을 정규화하며 LCS(Longest Common Subsequences)와 같은 시퀀스로 나타냅니다.

2. 유사성 측정

• 특징이 추출되어 시퀀스로 표시되면 테스트 제스처를 데이터베이스의 각 참조 제스처와 비교하기 위해 유사성 측정이 사용됩니다.
• 앞에서 설명한 방법에서 이것은 기준 제스처와 테스트 제스처의 정규화된 LCS 요소 간의 절대 차이를 계산하는 것을 포함합니다.
• 결과 차이 Dm(j)는 테스트 제스처와 클래스 m의 참조 제스처 간의 유사성을 나타냅니다.

3. 베스트 매치 및 분류

• 각 기준 제스처에 대한 유사도 측정을 계산한 후 계산된 차이의 최소값인 Dm을 찾아 베스트 매치를 결정합니다.
• 테스트 제스처는 최소 거리 규칙에 따라 Dm 값이 가장 작은 클래스에 할당됩니다.

4. 사후 처리(선택 사항)

• 경우에 따라 임시 평활화, 다수결 투표 또는 컨텍스트 정보 통합과 같은 분류 결과를 구체화하기 위해 추가 사후 처리 단계를 적용할 수 있습니다.