Publisher

IAESCOREIAESCORE

Journal International Journal of Electrical and Computer Engineering (IJECE)International Journal of Electrical and Computer Engineering (IJECE) Abstract

Dalam makalah ini, kami mengusulkan dan mengimplementasikan metode baru yang beroperasi secara real‑time untuk mengenali gerakan tangan menggunakan peta kedalaman. Peta kedalaman menyimpan informasi mengenai jarak objek dari titik pengamatan. Sensor Kinect milik Microsoft digunakan sebagai perangkat masuk untuk menangkap gambar berwarna beserta peta kedalamannya yang bersesuaian. Pertama, kami mendeteksi tangan telanjang pada latar belakang yang berantakan dengan memanfaatkan tingkat keabuan khas tangan yang berada dekat dengan sensor. Selanjutnya, algoritma Scale Invariant Feature Transform (SIFT) diterapkan untuk mengekstraksi vektor fitur. Akhirnya, pohon kosakata bersama metode pengelompokan K‑means digunakan untuk mengklasifikasikan postur tangan menjadi sepuluh set sederhana, yaitu “satu, “dua, “tiga, “empat, “lima, “enam, “tujuh, “delapan, “sembilan, dan “sepuluh, berdasarkan jumlah jari yang terulur. Pohon kosakata memungkinkan penggunaan kosakata yang lebih besar dan diskriminatif secara efisien, sehingga meningkatkan akurasi pengelompokan. Hasil percobaan menunjukkan keunggulan metode yang diusulkan dibandingkan pendekatan lain yang tersedia, dengan kemampuan mengenali gerakan numerik dengan akurasi lebih dari 90 %.

Conclusion

Metode pengenalan gerakan tangan berbasis sensor Kinect yang memanfaatkan citra kedalaman abu‑abu berhasil mendeteksi tangan secara independen dari latar belakang dan pencahayaan bila tangan berada dekat sensor.Dengan melatih pohon kosakata menggunakan parameter optimal (jumlah level dan faktor cabang), sistem mencapai akurasi tinggi yang teruji pada dataset internal serta basis data Sebastien Marcel, mengungguli pendekatan terkini.Implementasi pada robot @home membuktikan bahwa metode ini dapat beroperasi secara real‑time dengan akurasi signifikan untuk aplikasi robotik.

Future Research

Penelitian selanjutnya dapat menyelidiki integrasi peta kedalaman dengan data sensor lain, seperti citra RGB atau inframerah, untuk meningkatkan ketahanan sistem terhadap occlusion dan variasi pencahayaan yang ekstrim. Selain itu, penerapan arsitektur pembelajaran mendalam, misalnya Convolutional Neural Network, pada data kedalaman dapat dieksplorasi guna memperoleh representasi fitur end‑to‑end yang lebih kuat dibandingkan kombinasi SIFT dan pohon kosakata. Selanjutnya, evaluasi kinerja algoritma dalam lingkungan dinamis dengan latar belakang bergerak dan keberadaan beberapa pengguna secara bersamaan diperlukan untuk mengembangkan mekanisme adaptif yang memungkinkan pengenalan gerakan tangan multi‑pengguna secara real‑time. Penelitian tersebut diharapkan dapat memperluas aplikasi interaksi manusia‑robot, khususnya pada skenario industri dan layanan publik yang menuntut respons cepat dan akurasi tinggi. Dengan memperhatikan keterbatasan saat ini, seperti kebutuhan pelatihan data yang intensif dan sensitivitas terhadap posisi relatif tangan, pendekatan baru dapat mengoptimalkan efisiensi komputasi dan skalabilitas sistem. Akhirnya, studi perbandingan antara metode tradisional dan pendekatan berbasis deep learning pada dataset yang lebih beragam akan memberikan panduan bagi pengembangan standar evaluasi yang universal.

Metadata

File size	447.54 KB
Pages	9
DMCA	ReportReport