現在の3D光場ジェスチャーインタラクションにおける認識率の低さ、認識速度の遅さ、深層学習ネットワークが多くのデータサンプルを必要とする問題に対して、本論文では小サンプル手部キーポイントに基づく多層パーセプトロン（Multi-Layer Perceptron、MLP）ネットワークを用いて3D光場インタラクションの精度を向上させる方法を提案し、認識速度はミリ秒レベルに達する。手部キーポイントの収集過程では、異なる位置から収集された同一のジェスチャーキーポイントの3次元データには顕著な差異が存在する。これらの差異を除去するために、本論文では同一右手デカルト座標系下において、変位およびロドリゲス回転公式を用いて簡略化されたジェスチャーモデルの姿勢変換を行い、同一のジェスチャーを正規化する方法を提案する。MLPニューラルネットワークは正規化された手部キーポイントのジャンプ関係から手部特徴を抽出するために用いられる。実験結果は、本論文で提案した方法が3D光場インタラクションにおける単純なジェスチャーの認識率95%以上、複雑なジェスチャーの認識率90%以上を達成することを示している。同時に、本手法は小サンプルデータセットでの学習において優れた性能を発揮し、精密かつ高速なジェスチャー認識の要求を満たしている。最後に、本論文は提案手法を3D光場インタラクションのシナリオに成功裏に適用した事例を示す。

インタラクション;ジェスチャー分類認識;多層パーセプトロン;小サンプルデータセット