要查看此由人工智能生成的摘要，您必须具有高级访问权限。
了解更多
登录
摘要
摘要
手语对全球言语障碍者的交流起到了重要作用。虽然需要专业的手语翻译员来辅助交流，但这类翻译员的数量有限，且在需要时可能无法随时提供帮助。深度学习技术可以通过创建虚拟翻译员来应对这一挑战。然而，在识别系统中仍需解决一些问题，例如遮挡、外部光线变化和背景去除等。印度手语（ISL）中的手势动作通常涉及单手或双手的移动来表达含义。本文提出了一种名为“印度手语静态手势分类与识别”（SGCIISLang）的模型，该模型采用了优化的门控循环单元（GRU）架构。在实验中，我们构建了自己的数据集，名为“印度手语静态手势（ISL）与英文字母、印地语元音和数字的对应关系”，该数据集已发布在Mendeley Data上（https://data.mendeley.com/datasets/7tsw22y96w/1）。我们使用MediaPipe库进行特征提取，并将提取的结果整合到模型中以对手势动作进行分类。我们采用了三种MediaPipe方法来提取感兴趣的区域：整体方法、不考虑姿势的整体方法以及不考虑人脸的整体方法。我们分析了四种模型：长短期记忆-卷积神经网络（LSTM-CNN）、卷积神经网络（CNN）、循环神经网络（RNN）以及基于GRU的SGCIISLang模型。实验结果表明，基于GRU的SGCIISLang模型在效率、处理速度和收敛速度方面均优于CNN、LSTM-CNN和RNN模型。该模型的预测准确率为97.96%，损失值、召回率、均方误差（MSE）和F1分数分别为0.0837、0.9742、2.791和0.977。我们的方法有效解决了相关挑战。我们提出的方法的样本原型可在GitHub上找到（https://github.com/AnimeshSingh777/Sample-Prototype-for-Indian-Sign-Language-Static-Gesture-Recognition-System）。
人工智能摘要
要查看此由人工智能生成的文字摘要，您必须具有高级访问权限。
