Alekseew, Michael (2015)
Hochpräzise Algorithmen zur Detektion von Armen für Interaktionssysteme aus kapazitiven Abstandssensoren.
Technische Universität Darmstadt
Masterarbeit, Bibliographie
Kurzbeschreibung (Abstract)
In dieser Master-Thesis wird basierend auf den Sensordaten des kapazitiven Nahbereichssystemes CapTap eine Handmittelpunktpositions-Erkennung implementiert und getestet. Dazu werden die 24 Sensorwerte verwendet und Referenzdaten einer Handerkennung über die Microsoft Kinect Version 2 kombiniert. Diese Werte werden in einer Trainingsmatrix zusammengefasst und auf diesen Trainingsdaten eine Random Decision Forest (RDF) Algorithmus trainiert. Dieser RDF wird dann verwendet um alleine von den Sensorwerten auf Handmittelpunktpositionen schließen zu können. Diese Ergebnisse werden wieder mit der Handerkennung durch der Kinect verglichen und ein Schluss Ergebnis gezogen. In this master-thesis a hand-center-point recognition based on the sensor data of the capacitive near-field-system CapTap should be implemented and tested. Therefore the 24 sensor-values are combined with reference data from a hand recognition with the Microsoft Kinect version 2. This values are combined in a trainings-matrix and on this trainings-data a Random Decision Forest (RDF) algorithm is trained. This RDF will be used to get the hand-center-point position only based on the sensor values of the CapTap. The results will be compared to the hand recognition of the Kinect and at the end a result will be given.
| Typ des Eintrags: | Masterarbeit |
|---|---|
| Erschienen: | 2015 |
| Autor(en): | Alekseew, Michael |
| Art des Eintrags: | Bibliographie |
| Titel: | Hochpräzise Algorithmen zur Detektion von Armen für Interaktionssysteme aus kapazitiven Abstandssensoren |
| Sprache: | Deutsch |
| Publikationsjahr: | 2015 |
| Kurzbeschreibung (Abstract): | In dieser Master-Thesis wird basierend auf den Sensordaten des kapazitiven Nahbereichssystemes CapTap eine Handmittelpunktpositions-Erkennung implementiert und getestet. Dazu werden die 24 Sensorwerte verwendet und Referenzdaten einer Handerkennung über die Microsoft Kinect Version 2 kombiniert. Diese Werte werden in einer Trainingsmatrix zusammengefasst und auf diesen Trainingsdaten eine Random Decision Forest (RDF) Algorithmus trainiert. Dieser RDF wird dann verwendet um alleine von den Sensorwerten auf Handmittelpunktpositionen schließen zu können. Diese Ergebnisse werden wieder mit der Handerkennung durch der Kinect verglichen und ein Schluss Ergebnis gezogen. In this master-thesis a hand-center-point recognition based on the sensor data of the capacitive near-field-system CapTap should be implemented and tested. Therefore the 24 sensor-values are combined with reference data from a hand recognition with the Microsoft Kinect version 2. This values are combined in a trainings-matrix and on this trainings-data a Random Decision Forest (RDF) algorithm is trained. This RDF will be used to get the hand-center-point position only based on the sensor values of the CapTap. The results will be compared to the hand recognition of the Kinect and at the end a result will be given. |
| Freie Schlagworte: | Business Field: Digital society, Research Area: Human computer interaction (HCI), Capacitive sensors, Human-computer interaction (HCI), 3D Interaction, 3D Sensor technologies, Machine learning, Random forests |
| Fachbereich(e)/-gebiet(e): | 20 Fachbereich Informatik 20 Fachbereich Informatik > Graphisch-Interaktive Systeme |
| Hinterlegungsdatum: | 21 Mai 2019 11:40 |
| Letzte Änderung: | 21 Mai 2019 11:41 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum