An infrared-based depth camera for gesture-based control of virtual environments
Notice bibliographique
Résumé
Gesture Control dominates presently the research on new human computer interfaces. The domain covers both the sensors to capture gestures and also the driver software which interprets the gesture mapping it onto a robust command. More recently, there is a trend to use depth-mapping camera as the 2D cameras fall short in assuring the conditions of real-time robustness of the whole system. As image processing is at the core of the detection, recognition, and tracking the gesture, depth mapping sensors have to provide a depth image insensitive to illumination conditions. Thus depth-mapping cameras work in a certain wavelength of the infrared (IR) spectrum. In this paper, a novel real-time depth-mapping principle for an IR camera is introduced. The new IR camera architecture comprises an illuminator module which is pulse-modulated via a monotonic function using a cycle driven feedback loop for the control of laser intensity, while the reflected infrared light is captured in “slices” of the space in which the object of interest is situated. A reconfigurable hardware architecture unit calculates the depth slices and combines them in a depth-map of the object to be further used in the detection, tracking, and recognition of the gesture made by the user. Images of real objects are reconstructed in 3D based on the data obtained by the space-slicing technique, and a corresponding image processing algorithm builds the 3D map of the object in real-time. As this paper will show through a series of experiments, the camera can be used in a variety of domains, including for gesture control of 3D objects in virtual environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».