مقارنة خوارزميات تمييز لغة الإشارة

Abstract

مستخلص الدراسة تناول البحث بالدراسة والتحليل موضوع استخدام النماذج الحاسوبية في تمييز لغة الاشارة مع إعطاء نظرة عامة على خوارزميات تمييز الصورة عموماً. ويهدف البحث إلى تسليط الضوء على موضوع تمييز لغة الاشارة باستخدام نماذج ماركوف المخفية (HMM) وفاعليته مقارنة بالخوارزميات الأخرى مستدلاً بالتجارب التي تم إجراؤها ونتائجها . وقد استخدم الباحث المنهج التجريبي للحصول على النتائج. وتوصل الباحث من خلال نتائج هذا البحث إلى أن استخدام نماذج ماركوف المخفية في تمييز لغة الاشارة يعطي نتائج أفضل مقارنة مع استخدام الشبكات العصبية مما يحقق فرضية الباحث التي بنى عليها بحثه . وقد أظهرت النتائج أن الفروقات في تمييز لغة الاشارة باستخدام نماذج ماركوف المخفية وباستخدام الشبكات العصبية ليست كبيرة مما جعل الباحث يوصي بزيادة الدراسات حول النموذجين للتحسين وزيادة الكفاءة. كذلك اظهر البحث ان استخدام نموذج ماركوف المخفي (HMM) يعطي تأخير في زمن التنفيذ وذلك ناتج من الصيغ الرياضية الموجودة في النموذج وتعقيدها مقارنة بنموذج الشبكات العصبية ويرى الباحث ان هذا لا يعتبر عيب يؤخذ على النموذج ما دام ان النتائج ذات دقة عالية وخصوصا ان الفرق ليس كبير. وعملية التدريب في الشبكات العصبية تأخذ وقت أطول حسب حجم البيانات المستخدمة وكذلك عدد الطبقات لا يمكن تحديده الا بعد التجربة . وفيما يتعلق بدمج النموذجين يرى الباحث ان هذا غير مجدي لان المعالجة في كل نموذج تتم ككتلة واحدة مبنية على معطيات كل نموذج .

Abstract

The study investigated the use of computer models to distinguish sign language with an overview of image recognition algorithms in general. The research aims to shed light on the subject of the sign language discrimination using the hidden Markov models (HMM) and its effectiveness compared to other algorithms, based on the experiments conducted and their results. The researcher used the experimental method to obtain the results. The researcher concluded that the use of hidden Markov models to distinguish sign language gives better results compared to the use of neural networks, which achieves the hypothesis of the research on which the research is based. The results showed that the differences in sign language recognition using hidden Markov models and neural networks were not significant, which the researcher recommends increasing studies on both models for improvement and efficiency. The research also showed that the use of the hidden Markov model (HMM) gives a delay in the implementation time, which is the result of mathematical formulas in the model and complexity compared to the model of neural networks and the researcher believes that this is not a defect taken on the model as long as the results are high accuracy, especially since the difference is not Large. The training process in neural networks takes longer depending on the volume of data used and the number of layers can only be determined after the experiment. With regard to the integration of the two models, the researcher believes that this is not feasible because the treatment in each model is done as a single mass based on the data of each model.