A New Depth-based Function for 3D Hand Motion Tracking

Les methodes s’appuyant sur une base de donnees pour suivre un grand nombre de postures de la main necessitent une base importante de gestes. Cet article presente une nouvelle methode de suivi utilisant une base de donnees construite a partir d’un nombre reduit de gestes de la main pour suivre et reproduire les mouvements de la main. La base de donnees est construite a partir de nuages de points 3D representant les gestes de la main. Une analyse en composante principale (ACP) est appliquee a chaque nuage de points permettant de produire une nouvelle representation independante de la position et de l’orientation 3D de chaque nuage de points. Ceci permet d’obtenir une classification des gestes ou chaque element de la base represente une classe de gestes 3D de la main. Une fois la base construite, le suivi des mouvements de la main consiste alors a apparier chaque image en entree avec un geste de la base de donnees. Pour cela, la methode proposee explore la base de gestes en comparant chaque nuage de points en entree avec ceux de la base de donnees. Afin de reduire le cout de l’exploration, nous definissons une fonction de comparaison se basant sur les transformees de distance 3D. Des resultats experimentaux utilisant des donnees reelles obtenus par une camera 3D (Swissranger400) montrent le potentiel de notre methode.

[1]  Hocine Ouhaddi,et al.  3D Hand Gesture Tracking by Model Registration , 1999 .

[2]  Nicol N. Schraudolph,et al.  3D hand tracking by rapid stochastic gradient descent using a skinning model , 2004 .

[3]  Stan Sclaroff,et al.  3D hand pose reconstruction using specialized mappings , 2001, Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001.

[4]  Gang Xu,et al.  Occlusion-Free Hand Motion Tracking by Multiple Cameras and Particle Filtering with Prediction , 2006 .

[5]  John A. Nelder,et al.  A Simplex Method for Function Minimization , 1965, Comput. J..

[6]  Hideo Saito,et al.  Model-Based Hand Tracking by Chamfer Distance and Adaptive Color Learning Using Particle Filter , 2009, EURASIP J. Image Video Process..

[7]  David J. Fleet,et al.  Model-based hand tracking with texture, shading and self-occlusions , 2008, 2008 IEEE Conference on Computer Vision and Pattern Recognition.

[8]  Jovan Popović,et al.  Real-time hand-tracking with a color glove , 2009, SIGGRAPH 2009.

[9]  Daniel P. Huttenlocher,et al.  Comparing Images Using the Hausdorff Distance , 1993, IEEE Trans. Pattern Anal. Mach. Intell..

[10]  Wim H. Hesselink,et al.  A General Algorithm for Computing Distance Transforms in Linear Time , 2000, ISMM.

[11]  J. Dennis,et al.  Direct Search Methods on Parallel Machines , 1991 .

[12]  S. Bouakaz,et al.  A Two-Step Minimization Algorithm For Model-Based Hand Tracking , 2010 .

[13]  Paulo R. S. Mendonça,et al.  Model-based 3D tracking of an articulated hand , 2001, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001.

[14]  Björn Stenger,et al.  Model-based hand tracking using a hierarchical Bayesian filter , 2006, IEEE Transactions on Pattern Analysis and Machine Intelligence.

[15]  Ying Wu,et al.  Analyzing and capturing articulated hand motion in image sequences , 2005, IEEE Transactions on Pattern Analysis and Machine Intelligence.

[16]  Björn Stenger,et al.  A Real-Time Hand Gesture Interface Implemented on a Multi-Core Processor , 2007, MVA.

[17]  Luc Van Gool,et al.  Stochastic Meta-Descent for Tracking Articulated Structures , 2004, 2004 Conference on Computer Vision and Pattern Recognition Workshop.

[18]  David C. Hogg,et al.  Towards 3D hand tracking using a deformable model , 1996, Proceedings of the Second International Conference on Automatic Face and Gesture Recognition.

[19]  Yoshiaki Shirai,et al.  Real-time 3D hand posture estimation based on 2D appearance retrieval using monocular camera , 2001, Proceedings IEEE ICCV Workshop on Recognition, Analysis, and Tracking of Faces and Gestures in Real-Time Systems.