Аннотация 2
ВВЕДЕНИЕ 6
1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 8
1.1 Обзор существующих решений 8
1.2 Анализ требований к системе 11
1.2.1 Группы требований и задач 11
2 МЕТОДЫ РАСПОЗНАВАНИЯ ЖЕСТОВ 19
2.1 Обзор существующих методов распознавания руки 19
2.2 Анализ технических средств, для распознавания жестов 25
2.2.1 Обычная камера 26
2.2.2 3D сенсор 26
2.3 Выводы 31
3 ПРОЕКТИРОВАНИЕ СИСТЕМЫ 33
3.1 Проектирование архитектуры системы 34
3.1.1 Описание общей структуры проекта 34
3.1.2 Проектирование структуры приложения 35
3.2 Проектирование БД 36
3.3 Проектирование графического интерфейса настольного
приложения 39
3.1.1 Графический интерфейс для врача 39
3.1.2 Графический интерфейс для пациента 41
3.4 Выбор платформы для реализации системы 42
3.5 Выбор языка программирования для реализации системы 42
3.6 Выбор библиотеки компьютерного зрения 43
3.7 Выбор базы данных 43
4 РАЗРАБОТКА МЕТОДА РАСПОЗНАВАНИЯ ЖЕСТА РУКИ
НА ОСНОВЕ ГЛУБИННОГО ИЗОБРАЖЕНИЯ 45
4.1 Карта глубины 45
4.2 Получение изображения и предобработка 46
4.3 Обрезка кисти руки по запястью 48
4.4 Распознавание жеста руки 49
ЗАКЛЮЧЕНИЕ 55
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 56
Актуальность
В современном мире человек все чаще сталкивается с серьезными проблемами со здоровьем, который приводят к необратимым последствиям. Одним из таких грозных заболеваний является инсульт. Инсульт - это острое нарушение мозгового кровообращения, с повреждением ткани мозга и расстройством его функций. За последние годы зафиксирован рост сосудистых заболеваний. Ежегодно в России инсульт переносят около 450 тыс. человек, а в мире порядка 6 млн. В России инсульт занимает 3-е место по причинам смертности, но даже при благоприятном исходе человеку редко удается вернуться к привычному образу жизни. Одним из основных расстройств является нарушение опорно-двигательных функций. Поэтому важнейшую роль играет своевременная помощь, а также комплексная реабилитация больного, для его успешной социальной адаптации.
Цели исследования
Ознакомившись с методиками реабилитации больных с нарушением мелкой и крупной моторики, следует разработать реабилитационный комплекс, который будет включать в себя:
1. Набор реабилитационных игр.
2. Способность распознавать мелкую и крупную моторику.
3. Систему мониторинга.
4. Интерактивное (бесконтактное) взаимодействие.
Задачи:
1. Проведение анализа требований к системе.
2. . Исследование классических методов реабилитации.
3. . Исследование методов распознавания жестов.
4. . Исследование технических средств.
5. . Разработка игр, направленных на реабилитацию.
6. . Разработка алгоритма распознавания жестов.
7. . Разработка системы мониторинга.
Целью данной работы являлось создание программного комплекса, состоящего из 3 частей (набор развивающих игр, система распознавания мелкой и крупной моторики, система мониторинга), направленных на реабилитацию больных, перенесших инсульт.
В ходе выполненной работы решены следующие задачи:
- проведен анализ классических методов реабилитации;
- проведен анализ существующих на рынке решений по реабилитации больных, перенесших инсульт;
- в процессе проведения анализа действующих решений были сформулированы требования к разрабатываемой системе;
- спроектирована база данных, обслуживающая систему;
- реализованы игры, обеспечивающие реабилитацию;
- проведен анализ методов распознавания мелкой моторики;
- проведен анализ технических средств;
- разработан алгоритм распознавания жестов [Приложение А].
Разработанный программный комплекс имеет следующие перспективы на будущее развития:
- добавление новых игр в имеющийся курс;
- монетизация за счет продажи подписок на курсы.
: http://www.mirarehab.com. (дата обращения: 03.02.2018).
2. Официальный сайт проекта «Jintronix». [Электронный ресурс] URL: http://www.jintronix.com. (дата обращения: 03.02.2018).
3. Официальный сайт проекта «Habilect». [Электронный ресурс] URL: http://www.habilect.com. (дата обращения: 05.02.2018).
4. Interactive Virtual Aerobics Trainer. [Электронный ресурс] URL: http ://www.cse. ohio-state.edu/ ~jwdavis/CVL/Research/V irtualAerobics/aerobics.html (дата обращения: 12.02.2018).
5. Freeman W.T., Roth M. Orientation Histograms for Hand Gesture Recognition // In International Workshop on Automatic Face and Gesture Recognition, 1994. — p. 296 - 301
6. Zhou H., Lin D.J., Huang T.S. Static hand gesture recognition based on local orientation histogram feature distribution model // in Proc. Conference on Computer vision and Pattern Recognition Workshop, vol. 10, 2004. — p. 161-169.
7. N. Dalal and B. Triggs. Histograms of oriented gradients for human detection. In Proceedings of IEEE Computer Society Conference, pp. 886-893, 2005.
8. C.-C. Chen and J. Aggarwal. Recognizing human action from a far field of view. Motion and Video Computing, pp.1-7, 2009.
9. S. Satkin and M. Hebert. Modeling the temporal extent of actions. In Proceedings of European Conference on Computer Vision. pp. 536-548, 2010.
10. A. Agarwal and M. K. Thakur. Sign language recognition using Microsoft Kinect. In IEEE Sixth International Conference on Contemporary Computing, pp. 181185, 2013.