資訊工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60

本系前身「資訊教育學系」成立於民國七十四年,首先招收大學部學生,民國九十年成立資訊工程研究所碩士班,而後於民國九十五年進行系、所調整合併為「資訊工程學系」;並於九十六年成立博士班。本系目前每年約招收大學部四十餘人,碩士班六十餘人,博士班約五人,截至民國一百零四年十一月止,總計現有大學部一百九十多人,碩士班一百二十多人,博士班二十三人,合計學生人數約為三百三十多位。

News

Browse

Search Results

Now showing 1 - 4 of 4
  • Item
    基於軌跡辨識技術之人體姿勢自定與分辨研究
    (2012) 周敬恩; Chou,Ching-En
    鍵盤、滑鼠,是操作電腦不可或缺的設備,而隨著時代的進步,輸入設備不再侷限在此之上,如眼動儀的使用,運用眼球追蹤技術來控制滑鼠;語音輸入、辨識系統,能使較不熟悉鍵盤操作的使用者,能夠利用語音輸入設備達到打字的效果;觸控螢幕,讓手機、電腦的操作在手指滑動間即可達成,這些科技的發明,都讓電腦的操作更為人性化。而本研究係使用的微軟Kinect做為輸入端,讓使用者能自行輸入姿勢後再經本系統進行辨識,讓使用者以最直覺且習慣的方式操作電腦。本系統係以軌跡辨識為基礎,收集Kinect所提供的骨架資訊,再以決策樹的方式對使用者所輸入的姿勢進行儲存、分類與辨識,並在不造成使用者負擔的前提之下,以少量的事前訓練姿勢達到一定的辨識效果。
  • Item
    基於 Kinect 之台灣手語單字辨識
    (2013) 蕭怡涵
    手勢辨識一直被應用於人機互動介面相關的研究,而手語更是其中當熱門的研究之一。 以影像方法為基礎的單字手語辨識發展已有一段時間,並都獲得不錯的辨識結果,但仍有其限制及問題,故近期開始研究加入深度資訊來協助辨識。 然而,市面上的深度攝影機通常價格不斐或配戴不易,而微軟公司於2010年推出的 Kinect控制器則提供了新的選擇。因此本論文提出了一個以Kinect為基礎,可即時辨識台灣手語單字的方法。 手語中的手勢由位置、方向及形狀三個主要部分組成,我們利用Kinect本身的骨架追蹤及提供的深度資訊,對應不同部分的特性分別擷取如軌跡特徵及手型特徵,且利用不同方法來辨識。最後利用上述三個主要部分的辨識結果,並透過本論文所設計的單字決策方法,來達到最後辨識手語單字的目的。
  • Item
    利用RGB-D Sensors進行人類動作的分析
    (2013) 胡碩宸; Shuo-Chen Hu
    本研究利用視訊資料進行人類動作的分析,目的在於發展一套通用的人類動作分析技術可以應用在不同的領域上,如公共安全:機場、地鐵、體育館、購物中心等公共區域或是大樓中的自動化監控系統,偵測是否有人有異常行為(例如破壞公共區域)。或者居家照護系統:偵測家裡的孩童或老人是否有跌倒或爬到高處等危險的行為,若有危險行為發生便通報家屬及照護人員。   本研究利用微軟所開發的RGB-D Sensors(亦即Kinect)來擷取人體3D關節資訊,並計算關節夾角當作人類姿勢的特徵向量,由於這些特徵向量維度極高,因此我們利用流形學習(manifold learning)之等構映圖(Isomap)進行降維,並在低維度的等構映圖空間進行基本動作的切割與分群。接著將每一群的基本動作給定一個語意上的闡述並形成一個編碼書(codebook),最後此編碼書可以用來對測試者進行動作的辨識。
  • Item
    基於動態時間扭曲之人體姿勢辨識
    (2013) 黃致巽
    辨識技術在電腦視覺的領域中,是非常重要的一項課題。在生活中處處可見,如指紋辨識、眼睛辨識、姿勢辨識等應用。人體姿勢由開始到完成可以視為連續的靜態姿勢組成,利用一般攝影機進行辨識會因為其高複雜度的資訊而有所限制。近年來由於體感控制加入姿勢辨識中,原理為利用更具特徵性的骨架資訊和深度資訊,使用者只需要站在攝影機前面就可以達到控制滑鼠和鍵盤的效果。 因此本研究使用Kinect作為輸入端,讓使用者能夠自行輸入動作後經由系統進行辨識,使用者不需侷限於特定的姿勢,利用Kinect所提供的人體關節點座標 值,經過正規化後,可得到以人體肩膀中央為原點的新座標系統。利用動態時間扭曲(Dynamic Time Warping)演算法和最近鄰居法(1-Nearest Neighbor)對使用者的姿勢進行辨識,辨識時計算目前姿勢和訓練樣本的歐幾里得距離,挑選差距最小的為辨識結果,並設計增量(Incremental)演算法讓使用者不需額外訓練就可以維持理想的辨識率。 本系統的固定姿勢在概括樣本(General Sample)平均辨識率可達86.02%,辨識五種自訂姿勢時也可達到75.60%的辨識率,使用增量法比未使用提升了近3%的辨識率,証明此法可行性。