Examinando por Materia "Reconocimiento de gestos"
Mostrando 1 - 4 de 4
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Aplicaciones del movimiento y su representación biológica en el reconocimiento de gestos.(2011-10-13) Caicedo Bravo, Eduardo Francisco; Loaiza Correa, Humberto; Nope, Sandra E.En este artículo se aborda el problema de reconocimiento de gestos usando la información de movimiento. El movimiento contiene información importante que es usada para la percepción del mundo tanto por personas como por animales. En este trabajo se utiliza una cámara web para capturar las imágenes utilizadas como base para la extracción de la información de movimiento. El modelo presentado será utilizado en el futuro en un sistema de aprendizaje por demostración aplicado en robótica. Para abordar dicho problema, se ha identificado como primera fase al reconocimiento de gestos y para ello, la arquitectura requiere que se resuelvan tres aspectos principales: la representación instantánea del movimiento, la integración en el tiempo de dicha información y la estrategia de clasificación. En este trabajo se aborda sólo el primero de ellos. En contraste con otros trabajos, en éste la extracción del movimiento y su codificación está inspirada en el procesamiento del movimiento realizado en el cerebro de macacos. El modelo mostrado ha sido aplicado al reconocimiento de cuatro gestos realizados por diferentes personas, cuyo porcentaje de reconocimiento de gestos fue de 89.6% y con una robustez ante diferentes puntos de vista de 96.9%.Publicación Acceso abierto Evaluación de modelos convolucionales para la clasificación del abecedario dactilológico de la lengua de señas americana (ASL)(Universidad del Valle, 2025) Sinisterra Garzón, William Alberto; Alfonso-Morales, WilfredoEste estudio tiene como objetivo comprobar la capacidad de un modelo de red neuronal convolucional (CNN) \textit{ad hoc} para ordenar las señas del alfabeto de la lengua de señas americana (American Sign Language) (ASL). Inicialmente, se realizó una búsqueda exhaustiva en Kaggle para identificar un conjunto de datos adecuado que cumpliera los requisitos del proyecto. Posteriormente, se realizó un preprocesamiento detallado de las imágenes, en el que se ajustaron las dimensiones y se normalizaron los valores de los píxeles para garantizar la coherencia de los datos. Además, se generaron vectores únicos para las etiquetas de clasificación, lo que facilitó su uso en la red neuronal. Posteriormente, se configuró el entorno de desarrollo Kaggle utilizando Keras y TensorFlow, para aprovechar la potencia del acelerador GPU en el procesamiento de datos de manera eficiente y rápida. Se diseñó la red neuronal para adaptarse a diferentes números de clases de ASL, permitiendo la evaluación de la capacidad del modelo para manejar varios niveles de complejidad de clasificación. Para la optimización de hiper-parámetros, se utilizó Optuna, una herramienta para explorar diferentes combinaciones durante el entrenamiento de forma eficiente. Por último, se obtuvieron modelos finales con parámetros optimizados y se compararon con modelos no optimizados en términos de rendimiento y eficacia. Esta comparación puso de manifiesto la importancia de la optimización en el rendimiento y la eficiencia de los modelos CNN.Publicación Acceso abierto Interpretación de gestos dinámicos de la lengua de señas utilizando técnicas de visión artificial(Universidad del Valle, 2025) Arango Fabbri, Joshua; Alfonso-Morales, Wilfredo; Nope Rodríguez, Sandra EsperanzaEste trabajo propone el desarrollo de un sistema de reconocimiento de gestos dinámicos de la lengua de señas colombiana mediante el uso de redes neuronales artificiales combinando técnicas de visión por computador con modelos de aprendizaje profundo. En particular, se implementó una arquitectura basada en redes Long Short-Term Memory (LSTM), la cual permite modelar de forma eficiente las secuencias temporales características de los gestos dinámicos. Para ello, se utilizaron técnicas de extracción de características a partir de landmarks generados mediante herramientas de visión artificial, lo que permitió capturar la posición y el movimiento de las articulaciones clave a lo largo del tiempo. Se aplicaron también técnicas de preprocesamiento y normalización de datos con el fin de aumentar la robustez del sistema frente a variaciones entre personas, posiciones de cámara y tipos de fondo. El sistema fue evaluado utilizando una base de datos propia compuesta por videos etiquetados de distintos gestos dinámicos, logrando una exactitud del 96 %.Publicación Acceso abierto Prototipo de sistema de reconocimiento de gestos de mano en tiempo real para la interacción humano-computadora – GestOS(Universidad del Valle, 2025) Marulanda Valero, John Jader; Askar Rodríguez, Miguel ÁngelEl presente trabajo se centró en el desarrollo de GestOS, un prototipo de reconocimiento de gestos de mano en tiempo real orientado a mejorar la interacción humano-computadora. Su propósito fue ofrecer una alternativa más accesible e inclusiva a los métodos tradicionales de entrada, como el teclado y el mouse, beneficiando tanto a personas con discapacidades como a quienes buscan nuevas formas de interacción. GestOS se construyó con una arquitectura modular compuesta por cuatro capas: presentación (React, TypeScript y Tailwind CSS), aplicación (Electron y Node.js), lógica de negocio (Python, MediaPipe y OpenCV) y acceso al sistema (PyAutoGUI, pynput y otras librerías). Este diseño permitió mantener una estructura escalable, estable y de fácil mantenimiento. El sistema emplea un enfoque híbrido que combina el análisis de puntos clave de la mano con modelos de aprendizaje automático, logrando reconocer siete gestos principales y algunos adicionales con una precisión cercana al 90%. Para evaluar su funcionamiento, se realizaron pruebas funcionales, de rendimiento y de accesibilidad con 43 usuarios, basadas en las normas WCAG 2.1 (nivel AA). Los resultados fueron positivos, aunque se identificaron áreas de mejora, como el rendimiento en condiciones de baja iluminación y la personalización de gestos. GestOS demuestra que la visión artificial puede contribuir significativamente a crear interfaces más naturales e inclusivas. A futuro, se plantea mejorar la precisión, la velocidad de respuesta y permitir el entrenamiento personalizado de gestos, fortaleciendo así la accesibilidad tecnológica.