Pengenalan Pose Tangan Menggunakan HuMoment

Abstract

Abstrak -Computer vision yang didasarkan pada pengenalan bentuk memiliki banyak potensi dalam interaksi manusia dan komputer. Pose tangan dapat dijadikan simbol interaksi manusia dengan komputer seperti halnya pada penggunaan berbagai pose tangan pada bahasa isyarat. Berbagai pose tangan dapat digunakan untuk menggantikan fungsi mouse, untuk mengendalikan robot, dan sebagainya. Penelitian ini difokuskan pada pembangunan sistem pengenalan pose tangan menggunakan HuMoment. Proses pengenalan pose tangan dimulai dengan melakukan segmentasi citra masukan untuk menghasilkan citra ROI (Region of Interest), yaitu area telapak tangan. Selanjutnya, dilakukan proses deteksi tepi. Kemudian, dilakukan ekstraksi nilai HuMoment. Nilai HuMoment dikuantisasikan ke dalam bukukode yang dihasilkan dari proses pelatihan menggunakan K-Means. Proses kuantisasi dilakukan dengan menghitung nilai Euclidean Distance terkecil antara nilai HuMoment citra masukan dan bukukode. Berdasarkan hasil penelitian, nilai akurasi sistem dalam mengenali pose tangan adalah 88,57%. Various hand poses can be used to replace the mouse, motion control robots, and others. This study focused on the development of a hand pose recognition system using HuMoment quantization. The process begins with image segmentation to generate the image ROI (Region of Interest). Then the edge detection proess is performed. After that, the value of HuMoment is extracted. The HuMoment value quantized into codebook which is resulted from the training process using K-Means. Quantization process is done by calculating the smallest Euclidean Distance between the HuMoment of input image and codebook. Based on this research, the recognition accuracy is 88.57%.Keywords -Hand Pose Recognition; Computer Vision; HuMoment; Depth Image; Kinect I. PENDAHULUANDengan semakin meningkatnya penggunaan komputer dalam kehidupan sehari-hari, maka muncul tantangan baru bagaimana memberikan kenyamanan dan kemudahan dalam menggunakan komputer, salah satunya adalah kebutuhan akan metode interaksi dan komunikasi yang lebih alami antara pengguna dan computer.Penggunaan pose tangan merupakan salah satu solusi untuk memenuhi kebutuhan manusia dalam interaksi manusia dan komputer (Computer Human Interaction) yang lebih intuitif, cepat, dan sejalan dengan fungsi natural anggota tubuh manusia. Tangan dapat menghasilkan beragam pose. Setiap pose memiliki maksud dan makna tersendiri sesuai dengan kesepakatan umum ataupun kesepakatan diantara yang melakukan komunikasi. Oleh karena itu pose tangan dapat digunakan untuk menggantikan fungsi mouse, untuk mengontrol gerak robot, dan sebagainya.Depth-sensing dan gesture-tracking seperti Microsoft Kinect atau Leap Motion Controller merupakan contoh inovasi teknologi dalam metode interaksi manusia dan komputer. Teknologi tersebut memberikan peluang kepada pengguna untuk berinteraksi dengan komputer menggunakan gerakan tangan atau badan. Namun, sistem pengenalan gerakan yang digunakan berdasakan pada posisi skeleton bukan pose atau bentuk.

Klasifikasi Nada Sesuai Kodàly Handsign Dengan Metode K-Nearest Neighbor Pada Leap Motion Controller

“…Teknologi tersebut memberikan peluang kepada pengguna untuk berinteraksi dengan komputer menggunakan gerakan tangan atau badan bahkan pose tangan. Selain teknologi-teknologi tersebut, penelitian mengenai penggunaan tangan dalam interaksi manusia dan komputer serta penelitian mengenai pengenalan pose tangan telah banyak diaplikasikan pada beberapa jurnal ilmiah diantaranya yaitu penelitian mengenai pengenalan pose tangan menggunakan metode HuMoment [1]. Selain itu, terdapat penelitian mengenai pengenalan bahasa isyarat yaitu pengenalan American Sign Language (ASL) berdasarkan nilai estimasi pose tangan dari depth-sensor secara realtime [2] dan juga terdapat penelitian mengenai penggunaan tangan sebagai interaksi alamiah dengan Augmented-Reality Interface [3].…”

Tone Classification Matches Kodàly Handsign with the K-Nearest Neighbor Method at Leap Motion Controller

“…This technology provides opportunities for users to interact with computers using hand or body movements and even hand poses. In addition to these technologies, research on the use of hands in human and computer interaction and research on the introduction of hand poses have been widely applied in several scientific journals, including research on the introduction of hand poses using the HuMoment method [2]. In addition, there is research on the introduction of sign language, namely the introduction of American Sign Language (ASL) based on the estimated value of hand pose from sensor depth in real-time [3], and there is also research on the use of hands as a natural interaction with the Augmented-Reality Interface [4].…”

Breast Cancer Image Segmentation Using K-Means Clustering Based on GPU Cuda Parallel Computing

“…In this case, the segmentation process is done to the medical image of cancer with K -Means Clustering method which will be implemented with two types of computation. Implementation of K-Means clustering method for image segmentation has been done by Dina Budhi Utami and Muhammad Ichwan to support hand recognition process using HuMoment [12]. The research builds on the above image that Kinect produces.…”