TU Darmstadt / ULB / TUbiblio

Hochpräzise Algorithmen zur Detektion von Armen für Interaktionssysteme aus kapazitiven Abstandssensoren

Alekseew, Michael (2015):
Hochpräzise Algorithmen zur Detektion von Armen für Interaktionssysteme aus kapazitiven Abstandssensoren.
Darmstadt, TU, Master Thesis, 2015, [Master Thesis]

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.

Item Type: Master Thesis
Erschienen: 2015
Creators: Alekseew, Michael
Title: Hochpräzise Algorithmen zur Detektion von Armen für Interaktionssysteme aus kapazitiven Abstandssensoren
Language: German
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.

Uncontrolled Keywords: 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
Divisions: 20 Department of Computer Science
20 Department of Computer Science > Interactive Graphics Systems
Date Deposited: 21 May 2019 11:40
Export:

Optionen (nur für Redakteure)

View Item View Item