التعرف على الإيماءات

يتم اكتشاف موقع يد الطفل وحركته بواسطة خوارزمية التعرف على الإيماءات

التعرف على الإيماءات هو مجال بحث وتطوير في علوم الكمبيوتر وتكنولوجيا اللغة يهتم بالتعرف على الإيماءات البشرية وتفسيرها. فرع من فروع رؤية الكمبيوتر،[بحاجة لمصدر] يستخدم خوارزميات رياضية لتفسير الإيماءات.[1]

يقدم التعرف على الإيماءات مسارًا لأجهزة الكمبيوتر للبدء في فهم وتفسير لغة الجسد البشرية بشكل أفضل، وهو ما لم يكن ممكنًا في السابق من خلال النص أو واجهات المستخدم الرسومية غير المحسنة (GUIs).

يمكن أن تنشأ الإيماءات من أي حركة أو حالة جسدية، ولكنها تنشأ عادة من الوجه أو اليد. أحد مجالات هذا المجال هو التعرف على المشاعر المستمدة من تعبيرات الوجه وإيماءات اليد. يتمكن المستخدمون من إجراء إيماءات بسيطة للتحكم في الأجهزة أو التفاعل معها دون لمسها فعليًا.

تم التوصل إلى العديد من الأساليب باستخدام الكاميرات وخوارزميات الرؤية الحاسوبية لتفسير لغة الإشارة، ومع ذلك فإن التعرف على الوضعية، والمشية، والقرب، والسلوكيات البشرية هو أيضًا موضوع تقنيات التعرف على الإيماءات. [2]

نظرة عامة

عادةً ما تقوم البرامج الوسيطة بمعالجة التعرف على الإيماءات، ثم ترسل النتائج إلى المستخدم.

يتم تطبيق التعرف على الإيماءات في مجالات مثل:

يمكن إجراء التعرف على الإيماءات باستخدام تقنيات الرؤية الحاسوبية ومعالجة الصور.[5]

تتضمن الأدبيات العمل الجاري في مجال رؤية الكمبيوتر حول التقاط الإيماءات أو الوضعيات والحركات البشرية الأكثر عمومية بواسطة الكاميرات المتصلة بجهاز الكمبيوتر.[6][7][8][9]

تم استخدام مصطلح «التعرف على الإيماءات» للإشارة بشكل أضيق إلى رموز الكتابة اليدوية غير المدخلة للنص، مثل الحبر على الجهاز اللوحي الرسومي، وإيماءات اللمس المتعدد، والتعرف على إيماءات الماوس. هذا هو التفاعل بين الكمبيوتر من خلال رسم الرموز باستخدام مؤشر جهاز التأشير.[10][11][12] توسع تقنية الحوسبة بالقلم نطاق التعرف على الإيماءات الرقمية إلى ما هو أبعد من أجهزة الإدخال التقليدية مثل لوحات المفاتيح والفئران، وتقلل من تأثير الأجهزة على النظام.[كيف؟]

أنواع الإيماءات

في واجهات الكمبيوتر، يتم التمييز بين نوعين من الإيماءات:[13] نأخذ في الاعتبار الإيماءات عبر الإنترنت، والتي يمكن اعتبارها أيضًا عمليات معالجة مباشرة مثل التدرج والتدوير، وعلى النقيض من ذلك، تتم معالجة الإيماءات غير المتصلة بالإنترنت عادةً بعد انتهاء التفاعل؛ على سبيل المثال يتم رسم دائرة لتنشيط قائمة السياق.

  • الإيماءات غير المتصلة: هي الإيماءات التي تُعالَج بعد تفاعل المستخدم مع الكائن. مثال على ذلك إيماءة لتفعيل قائمة.
  • الإيماءات المتصلة: إيماءات معالجة مباشرة. تُستخدم لتغيير حجم كائن ملموس أو تدويره.

واجهة بدون لمس

واجهة المستخدم بدون لمس (TUI) هي نوع ناشئ من التكنولوجيا حيث يتم التحكم في الجهاز عن طريق حركة الجسم والإيماءات دون لمس لوحة المفاتيح أو الماوس أو الشاشة.[14]

أنواع التكنولوجيا بدون لمس

هناك العديد من الأجهزة التي تستخدم هذا النوع من الواجهة مثل الهواتف الذكية وأجهزة الكمبيوتر المحمولة والألعاب وأجهزة التلفزيون ومعدات الموسيقى.

يستخدم أحد أنواع الواجهات التي لا تعمل باللمس اتصال البلوتوث بالهاتف الذكي لتنشيط نظام إدارة الزوار الخاص بالشركة. يؤدي هذا إلى التخلص من الحاجة إلى لمس الواجهة، سواء للراحة أو لتجنب مصدر محتمل للتلوث كما حدث أثناء جائحة كوفيد-19.[15]

أجهزة الإدخال

يمكن تحقيق القدرة على تتبع حركات الشخص وتحديد الإيماءات التي قد يقوم بها من خلال أدوات مختلفة. واجهات المستخدم الحركية (KUIs) هي نوع ناشئ من واجهات المستخدم التي تسمح للمستخدمين بالتفاعل مع أجهزة الحوسبة من خلال حركة الأشياء والأجسام.[بحاجة لمصدر] تشمل أمثلة واجهات المستخدم الرئيسية واجهات المستخدم الملموسة والألعاب التي تعتمد على الحركة مثل وي وكنيكت من مايكروسوفت وغيرها من المشاريع التفاعلية.[16]

على الرغم من وجود قدر كبير من الأبحاث التي أجريت في مجال التعرف على الإيماءات المستندة إلى الصور/الفيديو، إلا أن هناك بعض الاختلافات في الأدوات والبيئات المستخدمة بين التنفيذات.

  • القفازات السلكية. تُزوّد هذه القفازات الحاسوب بمعلومات حول موضع ودوران اليدين باستخدام أجهزة تتبع مغناطيسية أو بالقصور الذاتي. علاوة على ذلك، تستطيع بعض القفازات اكتشاف انحناء الأصابع بدقة عالية (5-10 درجات)، أو حتى توفير تغذية راجعة لمسية للمستخدم، وهي محاكاة لحاسة اللمس. كان جهاز داتا جلوفز أول جهاز متوفر تجاريًا يشبه القفازات لتتبع اليد،[17] وهو جهاز يشبه القفازات يمكنه اكتشاف موضع اليد وحركتها وانحناء الأصابع. يستخدم هذا الجهاز كابلات ألياف بصرية تمتد على طول ظهر اليد. تُولّد نبضات ضوئية، وعندما تُثنى الأصابع، يتسرب الضوء من خلال شقوق صغيرة، ويُسجّل فقدان الضوء، مما يُعطي تقديرًا تقريبيًا لوضعية اليد.
  • الكاميرات التي تستشعر العمق. باستخدام كاميرات متخصصة، مثل كاميرات الإضاءة المنظمة أو كاميرات زمن الرحلة، يُمكن إنشاء خريطة عمق لما يُرى من خلال الكاميرا على مسافة قصيرة، واستخدام هذه البيانات لتقريب تمثيل ثلاثي الأبعاد لما يُرى. تُعدّ هذه الكاميرات فعّالة في كشف إيماءات اليد بفضل قدرتها على التصوير على مسافة قصيرة.[18]
  • كاميرات ستيريو. باستخدام كاميرتين معروفتي العلاقة بينهما، يمكن تقريب تمثيل ثلاثي الأبعاد من خلال مخرجات الكاميرتين. للحصول على علاقاتهما، يمكن استخدام مرجع تحديد المواقع مثل شريط المعجم أو مُصدر الأشعة تحت الحمراء.[19] بالاقتران مع قياس الحركة المباشر (الرؤية سداسية الأبعاد)، يمكن اكتشاف الإيماءات مباشرةً.
  • وحدات التحكم القائمة على الإيماءات. تعمل هذه الوحدات كامتداد للجسم، بحيث يمكن للبرنامج التقاط بعض حركات الإيماءات بسهولة. ومن الأمثلة الناشئة على تقنيات التقاط الحركة القائمة على الإيماءات تقنية تتبع حركة اليد الهيكلية، التي تُطور لتطبيقات الواقع المعزز والافتراضي. ومن الأمثلة على هذه التقنية شركتا التتبع يو سينز وجيستيجون، اللتان تتيحان للمستخدمين التفاعل مع محيطهم دون الحاجة إلى وحدات تحكم.[20][21]
  • استشعار واي فاي[22]
  • تتبع إيماءات الفأرة، حيث ترتبط حركة الفأرة برمز ترسمه يد الشخص، والذي يمكنه دراسة تغيرات التسارع بمرور الوقت لتمثيل الإيماءات.[23][24][25] كما يعوض البرنامج عن ارتعاش الإنسان والحركة غير المقصودة.[26][27][28] يمكن استخدام مستشعرات هذه المكعبات الذكية الباعثة للضوء لاستشعار الأيدي والأصابع، بالإضافة إلى الأشياء الأخرى القريبة، ويمكن استخدامها لمعالجة البيانات. معظم التطبيقات موجودة في الموسيقى وتوليف الصوت،[29] ولكن يمكن تطبيقها في مجالات أخرى.
  • كاميرا واحدة. يمكن استخدام كاميرا قياسية ثنائية الأبعاد للتعرف على الإيماءات عندما لا تكون الموارد/البيئة مناسبة لأشكال أخرى من التعرف على الصور. كان يُعتقد سابقًا أن الكاميرا الواحدة قد لا تكون بنفس فعالية الكاميرات المجسمة أو كاميرات العمق، لكن بعض الشركات تطعن في هذه النظرية. تقنية التعرف على الإيماءات القائمة على البرامج تستخدم كاميرا قياسية ثنائية الأبعاد قادرة على اكتشاف إيماءات اليد القوية.[بحاجة لمصدر]

الخوارزميات

اعتمادًا على نوع بيانات الإدخال، يمكن تفسير الإيماءة بطرق مختلفة. ومع ذلك، تعتمد معظم التقنيات على مؤشرات رئيسية مُمثلة في نظام إحداثيات ثلاثي الأبعاد. بناءً على الحركة النسبية لهذه المؤشرات، يمكن اكتشاف الإيماءة بدقة عالية، اعتمادًا على جودة الإدخال ونهج الخوارزمية.[30]

لتفسير حركات الجسم، يجب تصنيفها وفقًا لخصائصها المشتركة والرسالة التي قد تعبر عنها. على سبيل المثال، في لغة الإشارة، تُمثل كل إشارة كلمة أو عبارة.

يميز بعض الأدبيات بين طريقتين مختلفتين في التعرف على الإيماءات: تعتمد على النموذج ثلاثي الأبعاد وتعتمد على المظهر.[31] تعتمد الطريقة الرئيسية على معلومات ثلاثية الأبعاد حول العناصر الرئيسية لأجزاء الجسم للحصول على عدة معايير مهمة، مثل وضع راحة اليد أو زوايا المفاصل. وقد أثبتت المناهج المشتقة منها، مثل النماذج الحجمية، أنها تتطلب قدرات حاسوبية مكثفة، وتتطلب المزيد من التطورات التكنولوجية لتطبيقها في التحليل الفوري. أما الأنظمة القائمة على المظهر، فتستخدم الصور أو مقاطع الفيديو للتفسير المباشر. هذه النماذج أسهل في المعالجة، لكنها تفتقر عادةً إلى الشمولية المطلوبة للتفاعل بين الإنسان والحاسوب.

خوارزميات تعتمد على نموذج ثلاثي الأبعاد

يتم تفسير اليد الحقيقية (يسارًا) كمجموعة من الرؤوس والخطوط في إصدار الشبكة ثلاثية الأبعاد (يمينًا)، ويستخدم البرنامج موقعها النسبي وتفاعلها من أجل استنتاج الإيماءة.

يمكن لمنهج النماذج ثلاثية الأبعاد استخدام نماذج حجمية أو هيكلية، أو حتى مزيج من الاثنين. وقد استُخدمت هذه المناهج بكثافة في صناعة الرسوم المتحركة الحاسوبية ولأغراض الرؤية الحاسوبية. تُنشأ النماذج عادةً من أسطح ثلاثية الأبعاد معقدة، مثل نوربس أو الشبكات المضلعة.

إن العيب في هذه الطريقة هو أنها تتطلب قدرًا كبيرًا من العمليات الحسابية، ولا تزال هناك حاجة إلى تطوير أنظمة للتحليل في الوقت الفعلي. وفي الوقت الحالي، قد يكون النهج الأكثر إثارة للاهتمام هو رسم خريطة لأشياء بدائية بسيطة لأجزاء جسم الشخص الأكثر أهمية (على سبيل المثال، أسطوانات للذراعين والرقبة، وكرة للرأس) وتحليل الطريقة التي تتفاعل بها هذه الأشياء مع بعضها البعض. علاوة على ذلك، قد تكون بعض الهياكل المجردة مثل الأشكال التربيعية الفائقة والأسطوانات المعممة أكثر ملاءمة لتقريب أجزاء الجسم.

الخوارزميات القائمة على الهيكل العظمي

النسخة الهيكلية (على اليمين) تُحاكي اليد (على اليسار) بفعالية. تحتوي هذه النسخة على معلمات أقل من النسخة الحجمية، كما أنها أسهل في الحساب، مما يجعلها مناسبة لأنظمة تحليل الإيماءات في الوقت الفعلي.

بدلاً من المعالجة المكثفة للنماذج ثلاثية الأبعاد والتعامل مع العديد من المعلمات، يُمكن ببساطة استخدام نسخة مُبسطة من معلمات زاوية المفصل مع أطوال القطع. يُعرف هذا بالتمثيل الهيكلي للجسم، حيث يُحسب هيكل عظمي افتراضي للشخص وتُربط أجزاء الجسم بأجزاء مُحددة. يُجرى التحليل هنا باستخدام موقع واتجاه هذه الأجزاء والعلاقة بين كل منها (على سبيل المثال، الزاوية بين المفاصل والموضع أو الاتجاه النسبي).

مزايا استخدام النماذج الهيكلية:

  • الخوارزميات أسرع لأنها تُحلل فقط المعلمات الرئيسية.
  • مطابقة الأنماط مع قاعدة بيانات القوالب ممكنة.
  • استخدام النقاط الرئيسية يُمكّن برنامج الكشف من التركيز على الأجزاء المهمة من الجسم.

النماذج القائمة على المظهر

تُمثل هذه الصور الظلية الثنائية (يسار) أو الخطوط الكنتورية (يمين) مدخلات نموذجية لخوارزميات المظهر. تُقارن هذه الصور بنماذج أيدي مختلفة، وفي حال تطابقها، يُستنتج الإيماءة المقابلة.

لم تعد النماذج القائمة على المظهر تعتمد على التمثيل المكاني للجسم، بل تستمد معلماتها مباشرةً من الصور أو مقاطع الفيديو باستخدام قاعدة بيانات قوالب. يعتمد بعضها على قوالب ثنائية الأبعاد قابلة للتشوه لأجزاء الجسم البشري، وخاصة اليدين. القوالب القابلة للتشوه هي مجموعات من النقاط على محيط الجسم، تُستخدم كعقد استيفاء لتقريب محيط الجسم. إحدى أبسط دوال الاستيفاء هي الدالة الخطية، التي تُنتج شكلًا متوسطًا من مجموعات النقاط، ومعلمات تباين النقاط، والتشوه الخارجي. تُستخدم هذه النماذج القائمة على القالب في الغالب لتتبع اليد، ولكن يمكن استخدامها أيضًا لتصنيف الإيماءات البسيطة.

النهج الثاني في اكتشاف الإيماءات باستخدام النماذج القائمة على المظهر يستخدم تسلسلات الصور كقوالب للإيماءات. معلمات هذه الطريقة هي إما الصور نفسها، أو بعض الميزات المستمدة منها. في معظم الأحيان، يتم استخدام منظر واحد (أحادي المنظار) أو منظرين (مجسمين).

نماذج تعتمد على تخطيط كهربية العضلات

يهتم تخطيط كهربية العضلات (EMG) بدراسة الإشارات الكهربائية التي تنتجها العضلات في الجسم. من خلال تصنيف البيانات المستلمة من عضلات الذراع، من الممكن تصنيف الفعل وبالتالي إدخال الإشارة إلى برنامج خارجي. [32] تتيح أجهزة EMG للمستهلكين استخدام أساليب غير جراحية مثل استخدام شريط على الذراع أو الساق والاتصال عبر البلوتوث. بفضل هذا، تتمتع تقنية EMG بميزة على الطرق البصرية حيث لا يحتاج المستخدم إلى مواجهة الكاميرا لتقديم المدخلات، مما يتيح المزيد من حرية الحركة.

التحديات

هناك العديد من التحديات المرتبطة بدقة وفائدة التعرف على الإيماءات والبرمجيات المصممة لتنفيذه. بالنسبة للتعرف على الإيماءات المستندة إلى الصور، هناك قيود على المعدات المستخدمة وضوضاء الصورة. قد لا تكون الصور أو مقاطع الفيديو تحت إضاءة متسقة، أو في نفس الموقع. قد تؤدي العناصر الموجودة في الخلفية أو السمات المميزة للمستخدمين إلى جعل التعرف عليهم أكثر صعوبة.

إن تنوع تطبيقات التعرف على الإيماءات المستندة إلى الصور قد يتسبب أيضًا في حدوث مشكلات تتعلق بإمكانية استخدام التكنولوجيا بشكل عام. على سبيل المثال، قد لا تعمل الخوارزمية المعايرة لكاميرا واحدة مع كاميرا أخرى. وتتسبب كمية الضوضاء الخلفية أيضًا في صعوبات في التتبع والتعرف، وخاصةً عندما تحدث الانسدادات (الجزئية والكاملة). علاوة على ذلك، فإن المسافة من الكاميرا، ودقة الكاميرا وجودتها، تسبب أيضًا اختلافات في دقة التعرف.

من أجل التقاط الإيماءات البشرية بواسطة أجهزة الاستشعار البصرية، هناك حاجة أيضًا إلى طرق رؤية كمبيوترية قوية، على سبيل المثال لتتبع اليد والتعرف على وضعية اليد[33][34][35][36][37][38][39][40][41] أو لالتقاط حركات الرأس أو تعبيرات الوجه أو اتجاه النظر.

القبول الاجتماعي

أحد التحديات الرئيسية التي تواجه اعتماد واجهات الإيماءات على الأجهزة المحمولة الاستهلاكية، مثل الهواتف الذكية والساعات الذكية، ينبع من آثار القبول الاجتماعي للإدخال الإيمائي. فبينما تُسهّل الإيماءات الإدخال السريع والدقيق على العديد من أجهزة الكمبيوتر الحديثة، إلا أن اعتمادها وفائدتها غالبًا ما يكونان محدودين بعوامل اجتماعية أكثر من العوامل التقنية. ولهذا الغرض، قد يسعى مصممو أساليب الإدخال الإيمائي إلى الموازنة بين الاعتبارات التقنية واستعداد المستخدم لأداء الإيماءات في سياقات اجتماعية مختلفة.[42] بالإضافة إلى ذلك، تدعم أجهزة الأجهزة المختلفة وآليات الاستشعار أنواعًا مختلفة من الإيماءات التي يمكن التعرف عليها.

الجهاز المحمول

غالبًا ما يتم دعم واجهات الإيماءات على الأجهزة المحمولة والأجهزة ذات الشكل الصغير من خلال وجود أجهزة استشعار الحركة مثل وحدات القياس بالقصور الذاتي (IMUs). في هذه الأجهزة، يعتمد استشعار الإيماءات على قيام المستخدمين بأداء إيماءات تعتمد على الحركة والتي يمكن التعرف عليها بواسطة أجهزة استشعار الحركة هذه. قد يؤدي هذا إلى جعل التقاط الإشارات من الإيماءات الدقيقة أو منخفضة الحركة أمرًا صعبًا، حيث قد يصبح من الصعب التمييز بينها وبين الحركات الطبيعية أو الضوضاء. من خلال دراسة استقصائية حول قابلية استخدام الإيماءات، وجد الباحثون أن الإيماءات التي تتضمن حركة دقيقة، والتي تبدو مشابهة للتكنولوجيا الموجودة، وتبدو أو تشعر بأنها مشابهة لكل فعل، وممتعة، كانت أكثر عرضة للقبول من قبل المستخدمين، في حين أن الإيماءات التي تبدو غريبة، أو غير مريحة للأداء، أو تتداخل مع الاتصال، أو تنطوي على حركة غير عادية تسببت في أن يرفض المستخدمون استخدامها.[42] تعتمد القبول الاجتماعي لإيماءات الأجهزة المحمولة بشكل كبير على طبيعية الإيماءة والسياق الاجتماعي.

أجهزة الكمبيوتر المحمولة والقابلة للارتداء

تختلف أجهزة الكمبيوتر القابلة للارتداء عادةً عن الأجهزة المحمولة التقليدية في أن مكان استخدامها وتفاعلها يحدث على جسم المستخدم. في هذه السياقات، قد تصبح واجهات الإيماءات مفضلة على طرق الإدخال التقليدية، لأن حجمها الصغير يجعل شاشات اللمس أو لوحات المفاتيح أقل جاذبية. ومع ذلك، فإنها تشترك في العديد من العقبات الاجتماعية نفسها التي تواجهها الأجهزة المحمولة عندما يتعلق الأمر بالتفاعل الإيمائي. ومع ذلك، فإن إمكانية إخفاء أجهزة الكمبيوتر القابلة للارتداء عن الأنظار أو دمجها في أشياء أخرى يومية، مثل الملابس، تسمح بإدخال الإيماءات لمحاكاة تفاعلات الملابس الشائعة، مثل ضبط ياقة القميص أو فرك الجيب الأمامي للبنطال.[43][44] أحد الاعتبارات الرئيسية للتفاعل مع أجهزة الكمبيوتر القابلة للارتداء هو موقع وضع الجهاز والتفاعل معه. توصلت دراسة استكشفت مواقف الأطراف الثالثة تجاه تفاعل الأجهزة القابلة للارتداء والتي أجريت في جميع أنحاء الولايات المتحدة وكوريا الجنوبية إلى اختلافات في تصور استخدام الحوسبة القابلة للارتداء بين الذكور والإناث، ويرجع ذلك جزئيًا إلى مناطق مختلفة من الجسم تعتبر حساسة اجتماعيًا.[44] توصلت دراسة أخرى تبحث في القبول الاجتماعي للواجهات المرسومة على الجسم إلى نتائج مماثلة، حيث وصفت الدراستان المناطق حول الخصر والفخذ والجزء العلوي من الجسم (بالنسبة للنساء) بأنها الأقل قبولاً بينما وصفت المناطق حول الساعد والمعصم بأنها الأكثر قبولاً.[45]

المنشآت العامة

تسمح المنشآت العامة، مثل العروض العامة التفاعلية، بالوصول إلى المعلومات وتعرض الوسائط التفاعلية في الأماكن العامة مثل المتاحف والمعارض والمسارح.[46] في حين أن شاشات اللمس هي شكل متكرر من أشكال الإدخال للعروض العامة، فإن واجهات الإيماءات توفر فوائد إضافية مثل تحسين النظافة، والتفاعل من مسافة بعيدة، وتحسين القدرة على الاكتشاف، وقد تفضل التفاعل الأدائي.[43] أحد الاعتبارات المهمة للتفاعل الإيمائي مع العروض العامة هو الاحتمالية العالية أو توقعات الجمهور المتفرج.[46]

التعب

كان إرهاق الذراع أحد الآثار الجانبية لاستخدام شاشات اللمس أو القلم الضوئي الموجه رأسيًا. مع الاستخدام المطول، بدأ المستخدمون يشعرون بالتعب و/أو عدم الراحة في أذرعهم. ساهم هذا التأثير في تراجع استخدام شاشات اللمس على الرغم من شعبيتها الأولية في ثمانينيات القرن العشرين.[47][48]

من أجل قياس الآثار الجانبية لإرهاق الذراع، قام الباحثون بتطوير تقنية تسمى «التحمل المستهلك».[49][50]

انظر أيضًا

المراجع

  1. ↑ Kobylarz، Jhonatan؛ Bird، Jordan J.؛ Faria، Diego R.؛ Ribeiro، Eduardo Parente؛ Ekárt، Anikó (7 مارس 2020). "Thumbs up, thumbs down: non-verbal human-robot interaction through real-time EMG classification via inductive and supervised transductive transfer learning" (PDF). Journal of Ambient Intelligence and Humanized Computing. Springer Science and Business Media LLC. ج. 11 ع. 12: 6021–6031. DOI:10.1007/s12652-020-01852-z. ISSN:1868-5137. مؤرشف من الأصل (PDF) في 2025-04-26.
  2. ↑ Matthias Rehm, Nikolaus Bee, Elisabeth André, Wave Like an Egyptian – Accelerometer Based Gesture Recognition for Culture Specific Interactions, British Computer Society, 2007 نسخة محفوظة 2017-02-23 على موقع واي باك مشين.
  3. ↑ "Patent Landscape Report Hand Gesture Recognition PatSeer Pro". PatSeer (بالإنجليزية الأمريكية). Archived from the original on 2019-10-20. Retrieved 2017-11-02.
  4. ↑ Chai, Xiujuan, et al. "Sign language recognition and translation with kinect نسخة محفوظة 2021-01-10 على موقع واي باك مشين.." IEEE Conf. on AFGR. Vol. 655. 2013.
  5. ↑ Sultana A, Rajapuspha T (2012), "Vision Based Gesture Recognition for Alphabetical Hand Gestures Using the SVM Classifier"[وصلة مكسورة], International Journal of Computer Science & Engineering Technology (IJCSET)., 2012
  6. ↑ Pavlovic, V., Sharma, R. & Huang, T. (1997), "Visual interpretation of hand gestures for human-computer interaction: A review", IEEE Transactions on Pattern Analysis and Machine Intelligence, July, 1997. Vol. 19(7), pp. 677 -695. نسخة محفوظة 2021-04-23 على موقع واي باك مشين.
  7. ↑ R. Cipolla and A. Pentland, Computer Vision for Human-Machine Interaction, Cambridge University Press, 1998, (ردمك 978-0-521-62253-0) نسخة محفوظة 2025-04-26 على موقع واي باك مشين.
  8. ↑ Ying Wu and Thomas S. Huang, "Vision-Based Gesture Recognition: A Review" نسخة محفوظة 2011-08-25 على موقع واي باك مشين., In: Gesture-Based Communication in Human-Computer Interaction, Volume 1739 of Springer Lecture Notes in Computer Science, pages 103-115, 1999, (ردمك 978-3-540-66935-7), دُوِي:10.1007/3-540-46616-9
  9. ↑ Alejandro Jaimes and Nicu Sebe, Multimodal human–computer interaction: A survey نسخة محفوظة 2011-06-06 على موقع واي باك مشين., Computer Vision and Image Understanding Volume 108, Issues 1-2, October–November 2007, Pages 116-134 Special Issue on Vision for Human-Computer Interaction, دُوِي:10.1016/j.cviu.2006.10.019
  10. ↑ Dopertchouk, Oleg; "Recognition of Handwriting Gestures", gamedev.net, January 9, 2004 نسخة محفوظة 2016-12-30 على موقع واي باك مشين.
  11. ↑ Chen, Shijie; "Gesture Recognition Techniques in Handwriting Recognition Application", Frontiers in Handwriting Recognition p 142-147 November 2010
  12. ↑ Balaji, R; Deepu, V; Madhvanath, Sriganesh; Prabhakaran, Jayasree "Handwritten Gesture Recognition for Gesture Keyboard" نسخة محفوظة 2008-09-06 على موقع واي باك مشين., Hewlett-Packard Laboratories
  13. ↑ Dietrich Kammer, Mandy Keck, Georg Freitag, Markus Wacker, Taxonomy and Overview of Multi-touch Frameworks: Architecture, Scope, and Features نسخة محفوظة 2011-01-25 على موقع واي باك مشين.
  14. ↑ "touchless user interface Definition from PC Magazine Encyclopedia". pcmag.com (بالإنجليزية). Archived from the original on 2019-04-05. Retrieved 2017-07-28.
  15. ↑ Iqbal, Muhammad Zahid; Campbell, Abraham G. (2020). "The emerging need for touchless interaction technologies". ResearchGate (بالإنجليزية). Retrieved 2021-06-30.
  16. ↑ S. Benford؛ H. Schnadelbach؛ B. Koleva؛ B. Gaver؛ A. Schmidt؛ A. Boucher؛ A. Steed؛ R. Anastasi؛ C. Greenhalgh؛ T. Rodden؛ H. Gellersen (2003). "Sensible, sensable and desirable: a framework for designing physical interfaces" (PDF). CiteSeerX:10.1.1.190.2504. مؤرشف من الأصل (PDF) في 2006-01-26. {{استشهاد بدورية محكمة}}: الاستشهاد بدورية محكمة يطلب |دورية محكمة= (مساعدة)
  17. ↑ Thomas G. Zimmerman, Jaron Lanier, Chuck Blanchard, Steve Bryson, and Young Harvill. http://portal.acm.org. "A HAND GESTURE INTERFACE DEVICE نسخة محفوظة 2011-10-02 على موقع واي باك مشين.." http://portal.acm.org.
  18. ↑ Yang Liu, Yunde Jia, A Robust Hand Tracking and Gesture Recognition Method for Wearable Visual Interfaces and Its Applications, Proceedings of the Third International Conference on Image and Graphics (ICIG'04), 2004 نسخة محفوظة 2022-01-25 على موقع واي باك مشين.
  19. ↑ Kue-Bum Lee, Jung-Hyun Kim, Kwang-Seok Hong, An Implementation of Multi-Modal Game Interface Based on PDAs, Fifth International Conference on Software Engineering Research, Management and Applications, 2007 نسخة محفوظة 2024-04-24 على موقع واي باك مشين.
  20. ↑ "Gestigon Gesture Tracking - TechCrunch Disrupt". TechCrunch. مؤرشف من الأصل في 2017-10-19. اطلع عليه بتاريخ 2016-10-11.
  21. ↑ Matney، Lucas (29 أغسطس 2016). "uSens shows off new tracking sensors that aim to deliver richer experiences for mobile VR". TechCrunch. مؤرشف من الأصل في 2024-09-21. اطلع عليه بتاريخ 2016-08-29.
  22. ↑ Khalili, Abdullah; Soliman, Abdel-Hamid; Asaduzzaman, Md; Griffiths, Alison (Mar 2020). "Wi-Fi sensing: applications and challenges". The Journal of Engineering (بالإنجليزية). 2020 (3): 87–97. arXiv:1901.00715. DOI:10.1049/joe.2019.0790. ISSN:2051-3305.
  23. ↑ Per Malmestig, Sofie Sundberg, SignWiiver – implementation of sign language technology نسخة محفوظة 2008-12-25 على موقع واي باك مشين.
  24. ↑ Thomas Schlomer, Benjamin Poppinga, Niels Henze, Susanne Boll, Gesture Recognition with a Wii Controller نسخة محفوظة 2013-07-27 على موقع واي باك مشين., Proceedings of the 2nd international Conference on Tangible and Embedded interaction, 2008
  25. ↑ AiLive Inc., LiveMove White Paper نسخة محفوظة 2007-07-13 على موقع واي باك مشين., 2006
  26. ↑ Electronic Design September 8, 2011. William Wong. Natural User Interface Employs Sensor Integration. نسخة محفوظة 2022-08-14 على موقع واي باك مشين.
  27. ↑ Cable & Satellite International September/October, 2011. Stephen Cousins. A view to a thrill. نسخة محفوظة 2012-01-19 على موقع واي باك مشين.
  28. ↑ TechJournal South January 7, 2008. Hillcrest Labs rings up $25M D round.
  29. ↑ Percussa AudioCubes Blog October 4, 2012. Gestural Control in Sound Synthesis. نسخة محفوظة 2015-09-10 على موقع واي باك مشين.
  30. ↑ Mamtaz Alam; Dileep Kumar Tiwari (2016). "Gesture Recognization & its Applications" (بالإنجليزية). DOI:10.13140/RG.2.2.28139.54563. {{استشهاد بدورية محكمة}}: الاستشهاد بدورية محكمة يطلب |دورية محكمة= (help)
  31. ↑ Vladimir I. Pavlovic, Rajeev Sharma, Thomas S. Huang, Visual Interpretation of Hand Gestures for Human-Computer Interaction; A Review, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997 نسخة محفوظة 2021-04-23 على موقع واي باك مشين.
  32. ↑ Kobylarz، Jhonatan؛ Bird، Jordan J.؛ Faria، Diego R.؛ Ribeiro، Eduardo Parente؛ Ekárt، Anikó (7 مارس 2020). "Thumbs up, thumbs down: non-verbal human-robot interaction through real-time EMG classification via inductive and supervised transductive transfer learning" (PDF). Journal of Ambient Intelligence and Humanized Computing. Springer Science and Business Media LLC. ج. 11 ع. 12: 6021–6031. DOI:10.1007/s12652-020-01852-z. ISSN:1868-5137. مؤرشف من الأصل (PDF) في 2025-04-26.
  33. ↑ Ivan Laptev and Tony Lindeberg "Tracking of Multi-state Hand Models Using Particle Filtering and a Hierarchy of Multi-scale Image Features", Proceedings Scale-Space and Morphology in Computer Vision, Volume 2106 of Springer Lecture Notes in Computer Science, pages 63-74, Vancouver, BC, 1999. (ردمك 978-3-540-42317-1), دُوِي:10.1007/3-540-47778-0 نسخة محفوظة 2025-04-26 على موقع واي باك مشين.
  34. ↑ von Hardenberg، Christian؛ Bérard، François (2001). "Bare-hand human-computer interaction". Proceedings of the 2001 workshop on Perceptive user interfaces. ACM International Conference Proceeding Series. Orlando, Florida. ج. 15 archive. ص. 1–8. CiteSeerX:10.1.1.23.4541.
  35. ↑ Lars Bretzner, Ivan Laptev, Tony Lindeberg "Hand gesture recognition using multi-scale colour features, hierarchical models and particle filtering", Proceedings of the Fifth IEEE International Conference on Automatic Face and Gesture Recognition, Washington, DC, USA, 21–21 May 2002, pages 423-428. (ردمك 0-7695-1602-5), دُوِي:10.1109/AFGR.2002.1004190 نسخة محفوظة 2025-04-26 على موقع واي باك مشين.
  36. ↑ Domitilla Del Vecchio, Richard M. Murray Pietro Perona, "Decomposition of human motion into dynamics-based primitives with application to drawing tasks" نسخة محفوظة 2010-02-02 على موقع واي باك مشين., Automatica Volume 39, Issue 12, December 2003, Pages 2085–2098, دُوِي:10.1016/S0005-1098(03)00250-4.
  37. ↑ Thomas B. Moeslund and Lau Nørgaard, "A Brief Overview of Hand Gestures used in Wearable Human Computer Interfaces" نسخة محفوظة 2011-07-19 على موقع واي باك مشين., Technical report: CVMT 03-02, ISSN [http://www.worldcat.org/issn/1601-3646 1601-3646 ], Laboratory of Computer Vision and Media Technology, Aalborg University, Denmark.
  38. ↑ M. Kolsch and M. Turk "Fast 2D Hand Tracking with Flocks of Features and Multi-Cue Integration" نسخة محفوظة 2008-08-21 على موقع واي باك مشين., CVPRW '04. Proceedings Computer Vision and Pattern Recognition Workshop, May 27-June 2, 2004, دُوِي:10.1109/CVPR.2004.71
  39. ↑ Xia Liu Fujimura, K., "Hand gesture recognition using depth data", Proceedings of the Sixth IEEE International Conference on Automatic Face and Gesture Recognition, May 17–19, 2004 pages 529- 534, (ردمك 0-7695-2122-3), دُوِي:10.1109/AFGR.2004.1301587.
  40. ↑ Stenger B, Thayananthan A, Torr PH, Cipolla R: "Model-based hand tracking using a hierarchical Bayesian filter", IEEE Transactions on IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(9):1372-84, Sep 2006. نسخة محفوظة 2024-07-18 على موقع واي باك مشين.
  41. ↑ A Erol, G Bebis, M Nicolescu, RD Boyle, X Twombly, "Vision-based hand pose estimation: A review", Computer Vision and Image Understanding Volume 108, Issues 1-2, October–November 2007, Pages 52-73 Special Issue on Vision for Human-Computer Interaction, دُوِي:10.1016/j.cviu.2006.10.012. نسخة محفوظة 2025-04-09 على موقع واي باك مشين.
  42. 1 2 Rico، Julie؛ Brewster، Stephen (2010). "Usable gestures for mobile interfaces". Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. CHI '10. New York, NY, USA: ACM. ص. 887–896. DOI:10.1145/1753326.1753458. ISBN:9781605589299. S2CID:16118067.
  43. 1 2 Walter، Robert؛ Bailly، Gilles؛ Müller، Jörg (2013). "StrikeAPose". Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York, New York, USA: ACM Press. ص. 841–850. DOI:10.1145/2470654.2470774. ISBN:9781450318990. S2CID:2041073.
  44. 1 2 Profita، Halley P.؛ Clawson، James؛ Gilliland، Scott؛ Zeagler، Clint؛ Starner، Thad؛ Budd، Jim؛ Do، Ellen Yi-Luen (2013). "Don't mind me touching my wrist". Proceedings of the 2013 International Symposium on Wearable Computers. ISWC '13. New York, NY, USA: ACM. ص. 89–96. DOI:10.1145/2493988.2494331. ISBN:9781450321273. S2CID:3236927.
  45. ↑ Harrison، Chris؛ Faste، Haakon (2014). "Implications of location and touch for on-body projected interfaces". Proceedings of the 2014 conference on Designing interactive systems. DIS '14. New York, NY, USA: ACM. ص. 543–552. DOI:10.1145/2598510.2598587. ISBN:9781450329026. S2CID:1121501.
  46. 1 2 Reeves، Stuart؛ Benford، Steve؛ O'Malley، Claire؛ Fraser، Mike (2005). "Designing the spectator experience" (PDF). Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (PDF). New York, New York, USA: ACM Press. ص. 741–750. DOI:10.1145/1054972.1055074. ISBN:978-1581139983. S2CID:5739231. مؤرشف من الأصل (PDF) في 2025-04-26.
  47. ↑ Rupert Goodwins. "Windows 7? No arm in it". ZDNet. مؤرشف من الأصل في 2024-07-10.
  48. ↑ "gorilla arm". catb.org. مؤرشف من الأصل في 2025-04-05.
  49. ↑ Hincapié-Ramos, J.D., Guo, X., Moghadasian, P. and Irani. P. 2014. "Consumed Endurance: A Metric to Quantify Arm Fatigue of Mid-Air Interactions". In Proceedings of the 32nd annual ACM conference on Human factors in computing systems (CHI '14). ACM, New York, NY, USA, 1063–1072. DOI=10.1145/2556288.2557130 نسخة محفوظة 2024-09-18 على موقع واي باك مشين.
  50. ↑ Hincapié-Ramos, J.D., Guo, X., and Irani, P. 2014. "The Consumed Endurance Workbench: A Tool to Assess Arm Fatigue During Mid-Air Interactions". In Proceedings of the 2014 companion publication on Designing interactive systems (DIS Companion '14). ACM, New York, NY, USA, 109-112. DOI=10.1145/2598784.2602795 نسخة محفوظة 2024-09-18 على موقع واي باك مشين.

وصلات خارجية

هذه المقالة صادرة عن Wikipedia. النص متاح تحت رخصة المشاع الإبداعي - الإسناد - الترخيص بالمثل. قد تُطبَّق شروط إضافية على ملفات الوسائط.