Модели представления и алгоритмы распознавания русских дактилем тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Скоробогатова, Наталия Евгеньевна

• Скоробогатова, Наталия Евгеньевна
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Скоробогатова, Наталия Евгеньевна

Введение

Глава 1. Анализ проблемы и цели разрабатываемых алгоритмов распознавания дактильных знаков

1.1 Основные понятия и история дактильной речи

1.1.1 Понятие о дактильных знаках и история их появления.

1.1.2 Национальные дактилемы.

1.1.3 Обзор существующих визуальных систем взаимодействия человека с компьютером.

1.2 Проблемы автоматизации распознавания дактилем

1.2.1 Непрерывная последовательность знаков.

1.2.2 Контурное представление

1.2.3 Направления демонстрации знаков

1.2.4 Траектории элементов знака

1.2.5 Селекция дактилем

1.2.6. Выделение слов и предложений

1.3 Проблемы ввода и воспроизведения дактилем.

1.3.1 Ввод дактильных знаков в системы

1.3.2 Демонстрация переводимого текста.

1.3.3 Звуковое воспроизведение

1.4 Общие направления исследований

1.4.1 Национальные различия методов распознавания.

1.4.2 Видеоконференции.'.

1.4.3 Системы взаимодействия человек-компьютер на уровне жестов.

1.4.4 Двуручные дактильные знаки.

1.5 Классификация алгоритмов распознавания дактилем.

1.5.1 Алгоритмы распознавания дактильных и жестовых знаков.

1.5.2 Статическое или шаговое дактилирование.

1.5.3 Динамические дактилемы.

1.5.4 Распознавание растровых изображений дактилем.

1.5.5 Классификация методов распознавания дактилем.

1.6 Особенности распознавания русских дактилем.

1.6.1 Особенности дактилем русского языка.

1.6.2 Цели разрабатываемых шаговых алгоритмов распознавания.

1.6.3 Цели алгоритмов распознавания динамических дактилем.

Введение диссертации (часть автореферата) на тему «Модели представления и алгоритмы распознавания русских дактилем»

В области информатизации становится все более востребованной задача разработки алгоритмов и создания систем формирования и ввода в реальном времени сложной смысловой интеллектуальной информации для восприятия ее техническими средствами и, в первую очередь, вычислительными устройствами.

Поэтому пока остается не до конца решенной задача видеообщения человека с компьютером на высоком интеллектуальном уровне с вводом текстовой смысловой информации в реальном масштабе времени.

В настоящее время попытки ввода смысловой видеоинформации в разных странах решаются с использованием знаков существующих, существенно различающихся, национальных дактилем. При этом следует отметить, что сами дактильные знаки легче реализуются и, следовательно, распознаются в одноручном американском, немецком и испанском языке. Значительно сложнее распознаются дактильные знаки в двуручной английской речи.

Еще сложнее формируются дактилемы русского языка, которые хотя и демонстрируются одной рукой, но с разворотом знаков в трех направлениях видеокадра и поэтому сопровождаются увеличенными траекториями движениями элементов (пальцев). Это существенно затрудняет автоматизацию процесса распознавания и, следовательно, ввод в компьютер русской дак-тильной речи.

Замечательно, что ввод в компьютер и распознавание дактильных знаков автоматически решают важную социальную задачу перевода дактильной речи глухих и слабослышащих людей в текст, понятный всем обычным людям.

Количество людей, использующих в качестве средства коммуникации жестовую и дактильную речь, достаточно велико. На учете во Всероссийском обществе глухих состоят более 230 тысяч человек. Такой речью пользуются постоянно до трех процентов населения, а если учесть тех, кто вынужден с ними общаться в семье и других местах, то число людей, использующих этот язык, увеличится [1].

Большинство нормально слышащих людей не знают языка жестов, а число переводчиков катастрофически мало, поэтому глухие и слабослышащие испытывают большие трудности в общении, особенно при посещении любых учреждений социальной сферы, поликлиник, магазинов и т.д.

Одним из путей помощи таким людям в общении с окружающим миром является разработка алгоритмов и создание систем перевода дактильного и жестового языка.

И если недавно разработанная система перевода обычного текста и речи в жестовую или дактильную позволяет донести информацию для аудитории слабослышащих, то обратное направление перевода жестовой и дак-тильной речи в общепринятую, доступную окружающим, пока не решено.

В настоящее время перевод жестовой речи затруднителен из-за необходимости использовать систему многомерного отслеживания и распознавания динамических образов, что требует мощных вычислительных, и скорее всего стационарных, систем. В этом отношении перевод хотя бы только дак-тильной речи выглядит доступнее. Однако, пока неизвестно её практическое решение для русского языка, поэтому остается востребованной проблема автоматизированного перевода русской дактильной речи в обычную, возможно, в побуквенном произношении в реальном или замедленном темпе. А потребность в этом возникает у каждого глухого и слабослышащего, причем как сугубо индивидуальная проблема - при необходимости сказать что-либо врачу, продавцу в магазине или служащему в учреждении.

Поэтому актуальна разработка алгоритмов распознавания дактильных знаков и в конечном счете перевода дактильной речи. Тем более, что рассматриваемые алгоритмы могут быть представлены в качестве приложения к сотовым телефонам, которые функционально готовы к использованию подобной распознающей системы, т.к. обладают функцией видеозаписи изображений демонстрируемых дактильных знаков, а также имеют возможность отображать и воспроизводить с озвучиванием дактильную речь [4,5].

Методы и алгоритмы, положенные в основу и опробованные в разрабатываемых системах распознавания дактильной речи, возможно, смогут быть использованы в дальнейшем для разработки более сложных систем распознавания жестовой речи.

Сложность построения системы перевода дактильных знаков заключается в особенностях демонстрации (дактилирования) самой речи.

Во-первых, дактильная речь в соответствии с правилами дактилирования должна быть непрерывной, плавной, с непрерывными переходами от одного демонстрируемого знака к другому, что требует от системы отслеживания всех переходных промежуточных образов и выбора единственного информационного знака.

Во-вторых, дактильная речь может демонстрироваться на различном расстоянии от видеокамеры и людьми с различными размерами руки, поэтому распознающая система должна быть инвариантна к масштабу изображения дактилемы.

В-третьих, положение руки при демонстрации знака не фиксировано в поле кадра и может смещаться и наклоняться в зависимости от привычки воспроизводящего дактильную речь, поэтому алгоритм распознавания должен быть инвариантен к смещению и повороту анализируемого знака.

В диссертации приводится разработка нескольких алгоритмов распознавания русской дактильной речи, отличающихся методами предварительной обработки и кодирования дактильных знаков, способами селекции дактилем, а также методами их распознавания.

Каждый из рассматриваемых алгоритмов имеет свои особенности, вытекающие из принципа функционирования. В частности, шаговое представление русских дактилем вводит определенную условность их идентификации и накладывает существенные ограничения на действия демонстрирующего.

Безусловно, это замедляет речь, но все-таки позволяет донести мысли до окружающих, для чего собственно и создаются такие системы.

Алгоритмы распознавания динамических знаков дают возможность работать с непрерывным потоком дактилем, включая промежуточные траектории, но имеют повышенную чувствительность к особенностям действий демонстрирующего, к непроизвольным случайным колебаниям или дрожанию руки.

В диссертации приводится подробное описание структур разрабатываемых алгоритмов и их свойств.

Предметом исследования являются дактильные знаки, используемые для визуального дистанционного ввода смысловой текстовой информации в ЭВМ и для перевода дактильной речи глухих и слабослышащих людей, а также модели их представления и алгоритмы распознавания.

Цель диссертационной работы состоит в разработке моделей представления и алгоритмов распознавания в шаговом режиме русских дактильных знаков с помощью компьютера и перевода их в текстовый или звуковой формат.

Для достижения поставленной цели решались следующие задачи: - анализ существующих методов распознавания иностранных национальных дактилем (американских, английских, немецких, испанских, японских и др-);

- разработка математической модели представления русских дактилем;

- разработка алгоритма распознавания статических шаговых дактилем с контурным представлением;

- разработка математической модели описания дактилем с помощью веера векторов;

- разработка алгоритма функционирования и распознавания статических дактилем, представляемых веером векторов;

- разработка математической модели селекции динамического знака на основе изменения направления движения траекторий;

- разработка алгоритма селекции динамического знака на основе анализа интервала демонстрации между знаками.

Методы исследования: решение перечисленных задач основывается на системном анализе, теории распознавания образов, теории контурного анализа изображений, теории цифровой обработки изображений.

Достоверность и обоснованность полученных результатов диссертационной работы подтверждаются компьютерным моделированием и приводимыми результатами компьютерных экспериментальных исследований алгоритмов распознавания шаговых дактилем с контурным и векторным представлением и результатами моделирования алгоритмов селекции динамических дактилем.

Научная новизна диссертационной работы определяется тем, что впервые разработаны способы описания контуров русских дактильных знаков для глухонемых и ввода информации в компьютер с помощью дактильной речи. Конкретно получены следующие научные результаты:

1. Предложена математическая модель представления и распознавания дактильных знаков в виде вектор-контуров, обеспечивающие инвариантность к линейным преобразованиям смещения, поворота и масштаба дактилем.

2. Разработаны алгоритмы представления и распознавания статических и динамических шаговых дактильных знаков с контурным представлением.

3. Предложена математическая модель представления и распознавания дактильных знаков в виде веера векторов, сокращающих объем вычислительных операций и обеспечивающих инвариантность к масштабу.

4. Разработаны алгоритмы представления и распознавания статических и динамических шаговых дактильных знаков в виде веера векторов.

5. Разработан алгоритм выделения (селекции) динамических дактильных-знаков из непрерывной последовательности дактилирования по изме нению направления движения переходных траекторий элементов.

6. Разработан алгоритм выделения динамических дактилем по скорости движения элементов знака. Практическая значимость работы заключается в следующем:

- разработаны на основе предложенных моделей два действующих алгоритма распознавания знаков русской дактильной речи, позволяющих также обеспечить в шаговом режиме визуальный дистанционный ввод текстовой информации в компьютер;

- разработанные алгоритмы перевода знаков русской дактильной речи могут быть установлены на компьютерах в общественных приемных, больницах, магазинах и других местах, где глухим требуется объясняться на дактиле;

- разработанные алгоритмы позволяют пользоваться ими во время дистанционных видеоконференций глухих и слабослышащих людей;

- разработанные алгоритмы распознавания русских дактилем используют ограниченные вычислительные ресурсы и поэтому могут быть применены в виде дополнительной функции перевода речи глухих и слабослышащих людей для сотовых устройств, обладающих видеозаписью и звуковым воспроизведением речи;

- разработанные алгоритмы распознавания динамических дактильных знаков позволяют переводить замедленную или записанную на видеокамеру дактильную речь с выделением дактилем из потока непрерывного дакти-лирования.

Результаты внедрения. Разработанные алгоритмы использованы в Московском психолого-социальном университете (филиал в г.Рязани) в группе глухих слушателей (акт об использовании от 16 февраля 2012 г.), внедрены в учебный процесс на кафедре «Вычислительной и прикладной математики» Рязанского государственного радиотехнического университета и используются студентами специальностей 230105 «Программное обеспечение вычислительной техники и автоматизированных систем» и 080801 «Прикладная информатика (в экономике)» по дисциплинам «Системы искусственного интеллекта», «Интеллектуальные информационные системы» и «Методы и алгоритмы принятия решений»(акт внедрения от 02.02.2012 г.), осуществлена государственная регистрация программного продукта «Программа распознавания русских дактилем» (свидетельство о гос. регистрации программы для ЭВМ № 2012614984 от 4 июня 2012 г.).

На защиту выносятся:

- модель представления дактилем в виде вектор-контура, состоящего из элементарных векторов в комплекснозначном пространстве;

- алгоритм распознавания русских шаговых дактилем на основе контурного представления в комплекснозначном пространстве;

- модель представления дактилем в виде веера векторов комплексного пространства с вершиной в центре тяжести контура дактилемы;

- алгоритм распознавания русских динамических дактилем с контурным представлением и селекцией по изменению направлений траекторий;

- алгоритм распознавания шаговых дактильных знаков с представлением веером векторов;

- алгоритм распознавания динамических дактилем с представлением веером векторов и селекцией по скорости перемещения элементов.

Апробация работы. Результаты диссертационной работы обсуждались на следующих конференциях:

- 16-я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», Рязань: РГРТУ, 2010 г.

- международная научно-техническая конференция «Информационное общество: идеи, технологии, системы» ИНФО-Ю, Таганрог: ТТИ ЮФУ, 2010 г.

- 25-я международная научно-техническая конференция «Математические методы и информационные технологии в экономике, социологии и образовании», Пенза: ПГТА , 2010 г.

- международная научно-техническая конференция «Инновационные подходы к применению информационных технологий в профессиональной деятельности», Белгород: БРИПК, 2010 г.

- 66-я международная научно-техническая конференция Российского НТО радиотехники, электроники и связи им. Попова, Научная сессия, Москва, 2011 г.

- 16-я всероссийская НТК «Новые информационные технологии в научных исследованиях», НИТ-2011, Рязань: РГРТУ, 2011 г.

- 3-я всероссийская межвуз. конференция «Наука и образование в промышленной, социальной и экономической сферах регионов России», Муром: РГА, 2011 г.

-2nd International Scientific Conference «European Science and Technology», Wiesbaden, Germany, 2012r.

Публикации. По результатам исследований опубликовано 17 печатных работ, в том числе 2 научные статьи в изданиях, рекомендованных ВАК для публикации трудов на соискание ученых степеней, 8 в сборниках трудов научных конференций, 7 статей в межвузовских сборниках. Получено свидетельство о государственной регистрации.

Объем и структура диссертации. Диссертационная работа включает: введение, 4 главы, заключение и список литературы. Вся работа изложена на 176 страницах текста и включает 65 рисунков, 5 таблиц, 3 приложения. Список литературных источников включает 86 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Скоробогатова, Наталия Евгеньевна

Заключение

По результатам диссертационной работы можно сделать следующие выводы:

1. Подтверждена принципиальная возможность автоматизированного распознавания русских дактильных знаков, несмотря на повышенную сложность их демонстрации и схожесть формы некоторых дактилем.

2. Разработанные алгоритмы шагового распознавания с контурным и веерным представлением дактилем показали возможность их использования в реальных условиях для перевода замедленного дакти-лирования при общении глухих и слабослышащих людей с окружающими. Алгоритмы также могут быть использованы для обучения в специализированных школах и самостоятельного обучения дак-тильной азбуке глухих и слабослышащих детей на дому.

3. Структура алгоритмов и программное обеспечение позволяют, при соответствующей доработке, быть реализованными в качестве дополнительной функции мобильных устройств связи, имеющих возможность видеосъемки и воспроизведения.

4. Сравнительный анализ качества распознавания показал повышенную точность выполнения этой операции в алгоритмах с контурным представлением при увеличенном времени обработки. Алгоритмы с веерным представлением дактилем при понижении точности распознавания обладают большим быстродействием.

5. Подтверждена принципиальная возможность предложенного способа селекции динамических знаков из непрерывного дактилирования с помощью анализа суммарной смены направления траекторий элементов.

6. Подтверждена возможность предложенного селектирования динамичных дактильных знаков за счет анализа суммарной скорости движения элементов дактилем при замедленном или предварительно записанном на видеокамеру дактилировании.

7. Проверена и экспериментально подтверждена нецелесообразность использования в алгоритмах распознавания растрового цветного представления дактилем из-за резкого увеличения времени обработки и исключительно высокой чувствительности к режиму освещения.

8. Предложенный алгоритм динамического распознавания дактилем, использующий в качестве объекта векторный анализ траекторий перехода элементов между дактильными знаками, по результатам моделирования показал свою работоспособность и может быть в дальнейшей работе рекомендован к практической реализации. Подтверждена экспериментально возможность озвучивания переведенного текста дактильной речи.

Список литературы диссертационного исследования кандидат технических наук Скоробогатова, Наталия Евгеньевна, 2012 год

1. Зайцева Г.Л. Дактилогия. Жестовая речь: учеб. пособие для студентов-дефектол. фак. пед. ин-тов. М.: Просвещение, 1991. - 159 с.

2. Введение в контурный анализ; приложение к обработке изображений и сигналов/ Я.А.Фурман и др.; под ред. Я.А. Фурмана.-2-e изд., испр.-М.: ФИЗМАТЛИТ, 2003,- С.592

3. Алпатов Б.А.,Бабаян П.В., Балашев O.E., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление.- М.: Радиотехника, 2008.-176с.

4. Дондик Е.М., Пылькин А.Н., Скоробогатова Н.Е. Система распознавания и воспроизведения знаков дактильной речи // Труды Российского НТО радиотехники, электроники и связи им. Попова, Научная сессия. Москва, 2011.-С. 399-401.

5. Скоробогатова Н.Е. Информационные системы распознавания русских дактилем // 16-я Всеросс. НТК «Новые информационные технологии в научных исследованиях». НИТ-2011.- Рязань: РГРТУ, 2011. С. 24-26.

6. Дондик Е.М., Пылькин А.Н., Скоробогатова Н.Е. Информационная система распознавания образов переменной структуры / Вестник Рязанского государственного радиотехнического университета. №3, Рязань: РГРТУ, 2011.- С. 17-22.

7. Дондик Е.М., Пылькин А.Н., Скоробогатова Н.Е. Математическое представление селекции распознаваемых знаков дактильной речи// Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. Изд. СПбГПУ. - №1 (140), 2012. - С.55-60.

8. НТК «Информационное общество: идеи, технологии, системы», часть 4. -Таганрог: ТТИ ЮФУ, 2010. С.24-29.

9. Дондик Е.М., Скоробогатова Н.Е. Контурный анализ в системе распознавания дактильной речи // Сб. статей 25-й Международной НТК «Математические методы и информационные технологии в экономике, социологии и образовании». Пенза: ПГТА, 2010. - С. 124-127

10. P. Viola and М. Jones. Rapid object detection using a boosted cascade of simple features. 2001.

11. P.Viola and M. Jones. Robust Real-time Object Detection// 2 International Workshop on Statistical and Computation. Vancouver, Canada, July. 2001.

12. Дондик E.M., Пылькин A.H., Скоробогатова Н.Е. Система распознавания дактильной речи// 16-я между нар. НТК «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань, 2010. -С.63-65

13. R. Bowden, D. Windridge, Т. Kadir, A. Zisserman, and М. Brady. A linguistic feature vector for the visual interpretation of sign language/ In Proc. ECCV, 2004.

14. R. Lockton and A. W. Fitzgibbon. Real-time gesture recognition using deterministic boosting. In Proc. BMVC. 2002. P. 817-826.

15. Дондик E.M., Хватова А.С., Скоробогатова Н.Е. Система распознавания знаков дактильной речи на основе веера векторов // Межвуз. сб. науч. тр. «Информационные технологии».-Рязань: РГРТУ, 2011. С.77-80.

16. Дондик Е.М., Грицай Е.В., Скоробогатова Н.Е. Система распознавания знаков дактильной речи на основе контурного анализа // Межвуз. сб. на-учн. Тр. «Информационные технологии в образовании». Рязань: РГРТУ, 2011. - С.68-73.

17. Дондик Е.М., Пылькин А.Н., Родригес Л.М., Скоробогатова Н.Е. Система выделения знаков дактильной речи // Межвуз. сборник научных трудов «Математическое и программное обеспечение вычислительных систем». -Рязань, РГРТУ. 2011г. С. 153-158.

18. P. Goh. Automatic recognition of Auslan finger-spelling using hidden Markov models// Undergraduate thesis, University of Western Australia, 2005.

19. P. Goh and E.-J. Holden. Dynamic fingerspelling recognition using geometrimotion features// In Proc. 1С IP. 2006. P. 2741-2744.

20. Грицай E.B., Дондик E M., Скоробогатова H.E. Распознавание знаков дак-тильной речи // III Всерос. межвузовская конференция «Наука и образование в промышленной, социальной и экономической сферах регионов России». Муром: РГА, 2011. - С.227-228.

21. Дондик Е.М, Калякина И.П. Автоматизированная система визуального распознавания фонем// Межвуз. сб. науч. тр. «Программные информационные системы». Рязань, 2010. - С.79-85.

22. М. Lamari, М. Bhuiyan, and A. Iwata. Hand alphabet recognition using morphological pea and neural networks// In Proc.l JCNN, 1999. P. 2839-2844.

23. Дондик Е.М., Муравьева Е.В. Визуальное распознавание дактильной речи с использованием теории вейвлетов // Межвуз. сб. науч. тр. «Математическое и программное обеспечение вычислительных систем». Москва: Горячая линия - Телеком, 2009. - С.94-101.

24. A. Park, S. Yun, J. Kim, S. Min, and K. Jung. Realtime vision-based Korean finger spelling recognition system// Proc. World Academy of SET, 34:293 -298, 2008.

25. E. Ong and R. Bowden. A boosted classifier tree for hand shape detection// In Proc. 15Int. Conf. FG, 2004.

26. Дондик E.M., Муравьева E.B. Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пыль-кина М.:Горячая линия - Телеком, 2009. - С. 156.

27. Дондик Е.М., Муравьева Е.В. Визуальное распознавание дактильных знаков на основе теории вейвлетов: тезисы Всероссийской НТК «Новые информационные технологии в научных исследованиях и в образовании». -Рязань, 2009. С.135-138.

28. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып.ЗЗ.- М.: Наука, 1978.- С. 5-68.

29. Гуревич И.Б., Журавлев Ю.И., Сметанин Ю.Г. Алгебры изображений: исследовательские и прикладные задачи // Труды 4-й конференции РОАИ.-Новосибирск. 1998,- С.74-78.

30. Бакут П.А., Колмогоров Г.С., Ворновицкий Н.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлекторника.-1987.-№10.- С.6-24.

31. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей// Зарубежная электроника.- 1987.- №10.- С.6-24.

32. Дондик Е.М., Вавилова О.С. Распознавание искаженных фонем с использованием нейронных сетей // Всероссийская НТК «Новые информационные технологии в научных исследованиях и в образовании». Рязань. 2009. - С.245-24

33. Фурман Я.А. Основы теории обработки контуров изображений: учебн. пособие.- Йошкар-Ола: МарГТУ, 1997.

34. Дондик Е.М., Вавилова О.С. Применение вейвлетов в системе распознавания искаженных фонем // Труды международной НТК «Информационное общество: идеи, технологии, системы», часть 4. Таганрог. 2010. - С. 1920.

35. Cosgriff R.L. Identification of Shape// Ohio State University Research Foundation, Columbus, Ohio, Report 820-11, AST1A AD-25-4792, December, 1960.

36. Person E., Fu K. Shape discrimination Using Fourier Descriptors // IEEE Transactions, Man and Cybernetics. 1977. - V. SMC-7, №3. - P. 170-179.

37. Richard C.W., Hemani H. Identification of Three-Dimentionall Objects Using Fourier Descriptions of the Boundary Curve // IEEE Transactions on Systems, Vf Man and Cybernetics. 1974. - V. SMC-4. №4. - P. 371-378.

38. Grandlund G.H. Fourier Preprocessing For Hand Print Character Recognition// IEEE Transactions on Computers. 1972. - V. C-21. №2. - P. 195-201.

39. Zahn СТ., Roskies R.Z. Fourier Descriptors For Plane Closed Curves // IEEE Transactions on Computers. 1972. - V. C.-21. №3. - P .269-281.

40. Furman Y.A., Janshin W.W. Spectral Analysis and Filtering of Closed Polygonal Contours of Images/ Pattern Recognition and Image analysis. 1992. - V. 2, №3 - P.06-318.

41. Фурман Я.А., Юрьев А.Л., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Красноярск.- 1992.

42. Фурман Я.А., Яншин В.В. Многошаговые процедуры принятия решений.- Красноярск: Изд-во Красноярского ун-та, 1989.

43. Фор А. Восприятие и распознавание образов,- М.: Машиностроение, 1989.

44. Яне Б. Цифровая обработка изображений. М.: ТЕХНОСФЕРА, 2007.

45. Сергиенко А.Б. Цифровая обработка сигналов.- СПб.: ПИТЕР, 2002.

46. Юкио Сато. Без паники! Цифровая обработка сигналов,- М.: Издательский дом «Додека-ХХ1», 2010.

47. Обработка и отображение информации в растровых графических системах/ О.И. Семенков, С.В. Абламейко, В.И. Берейщик, И.И. Старовойтов. -Минск: Наука и техника, 1989.

48. Фисенко В.Т., Фисеико Т.Ю. Компьютерная обработка и распознавание изображений,- СПб.: ИТМО, 2008.

49. Гонсалес Р., Вудс Р. Цифровая обработка изображений,- М.: ТЕХНОСФЕРА, 2005.

50. Starner Т., Weaver J., Pentland A. Real-Time American Sign Language recognition using deskland wearable computer based video //Media laboratory perceptual computing section technical report. 1996. - No. 466.

51. Parnini F., Shahoby C. An algorithmic approach for static and dynamic gesture recognition utilising mechanical and biometrical characteristics // Int. J. Bioin-formatics research and applications. 2007. Vol. 03. No 1.

52. Pahaloudi V.N., Margaritis K.G. A perfomance study of recognition system for Greek sign language alphabet letters// Proceeeding of 9 International Cojnference SPECOM 2004. S-Petersburg, Russia.- 2004. - P.545-551.

53. Стольниц Э., ДеРоуз Т., Салезин Д. Вейвлеты в компьютерной графике. Теория и приложения. Ижевск: НИЦ "Регулярная и хаотическая динамика", 2002. - 272 с.

54. Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения// Успехи физических наук, 1996. - Т.166, № 11. - С.1145-1170.

55. Переберин А.В. О систематизации вейвлет-преобразований// Вычислительные методы и программирование, 2001. Т.2

56. Зайцева Г.Л. Диалог с Л.С. Выготским о проблемах современной сурдопедагогики // Дефектология. 1998. - № 2.

57. Крак Ю В., Троценко Б.А. Дослидження информацийных процессив для эффективного видтворення дактильной жостовой мовы// МНТК «Искусственный интеллект. Интеллектуальные системы.ИИ-2010».- Донецк: ИЛИИ «Наука I освгга»,-2010,- С.284-289.

58. Крак Ю.В., Шкильнюк Д.В. Выкорыстання контурив зображень для распознавания елементив дактильной мовы// МНТК «Искусственный интеллект. Интеллектуальные системы. ИИ-2010». Донецк: ИЛИИ «Наука I ocBiTa». -2010.- С.291-294.

59. Зайцева Г.Л. Современные подходы к образованию детей с недостатками слуха: основные идеи и перспективы (обзор зарубежной литературы) // Дефектология. 1999. - № 5-6.

60. Pattern classification by Fssembling small Neural networks// IEEE Proceeding of International Joint conference on Neural networks. Montreal, Canada. August 4, 2005.

61. D.Agrafiotis, N.Canagarajah, D.Bull, J. Kyle. A perceptually optimised video coding system for sign language communication at low bit rates. In Signal Processing: Image Communication. No.21. P.531-549. - 2006.

62. Kourosh Khoshelham. Extending the use of Hough Transform to detect 3D objects in laser range data. ISPRS Workshop on Laser Scanning 2007, ESPOO, September 12.14, 2007.

63. Ong.S., and Ranganatth.S. Automatic sign language analysis: a survey and the future beyond lexical meaning// IEEE Transaction on Pattern Analysis and Machine Intelligence. 27(6). - 2005.

64. Ручной интерфейс: перчатки AcceleGlove. http://sofiget.net/295-ruchnoj-interfejs-perchatki-acceleglove.html, 20.03.2011 г.

65. Вежневец В. П. Алгоритмы анализа изображения лица человека для построения интерфейса человек-компьютер. -М.: МГУ, 2004. 156 с.

66. S.Phlung, S. Bouzerdoum,and S.Chai. Skin segmentation using color pixel classification: analysis and comparison// Pattern Analysis and Machine Intelligence, IEEE Transactions on. Vol.27, No.l - P.248-154, jan 2005.

67. Дьяченко И. В. Разработка методов и алгоритмов модульной фильтрации для задач распознавания и классификации образов. М.: МГУ, 2006. -С.176.

68. Елизаров А. И. Алгоритмы и программные средства идентификации полутоновых изображений. Томск: ТГУ, 2003. - С. 126.

69. Солдатов С. А. Чтение по губам: распознавание контуров губ// Тезисы доклада. М.: МГУ, 2004. - С. 5.

70. F.Ciaramello and S.Hemami. Complexity constraintd rate-distortion optimization of sign language video using an objective intelligibility metric. Vol. 6822, 2007.

71. Furman Ya.F., Yanshin V.V. Extraction and Linear Filtering of Closed Polygonal Contours of Images // Pattern Recognition and Image Analysis.-1994. V.4. №2. - P.146-166.

72. Skorobogatova N.E., Dondik E.M. Algorithm Structure of Recognition Dynamic Dactyl // European Science and Technology: 2nd International Scientific Conference, Bildungszentrum Rdk E.V. Wiesbaden, Germany, 2012. Vol. II -p. 356-360