Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   6 ,  Decem ber   201 9 ,   pp.   5277~ 5285   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 6 . pp5277 - 52 85     5277       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Hand de tection  an d seg m entation  usin g s m art path tr ac kin g  fingers a s featu res and  expert syst em clas sifier        Kha le d  N.  Yasen 1 , F ahad  L ayth   M ala ll ah 2 , Lway F aisa l  A b dulraz ak 3 ,   Aso  M ohamm ad   D arwesh 4 , Asem  Khm ag 5 , Ba r aa T.  Sh ar eef 6    1 Depa rtment of  Com pute r  Scie n ce ,   Cih an  Univ er sit y - Erbi l ,   Erbil  4400 ,   Ir aq   2 Com pute r  and   I nform at ion   Eng i nee ring ,   Co ll e g e   of  E lectr oni c s   E ngine er ing,   Nine vah  Univer si t y ,   Mos ul,   Ira q   3 Univer sit y   R ese arc h  C enter, Co m pute r  Scie n ce  Depa r tment, Ci h an  Univer si t y   Sl emani ,   Slemani,  Ira q   4 Depa rtment of I nform at ion  T ec h nolog y ,   Univ ersi t y   of  Hum an  De vel opm ent ,   Sula i m ani ,   Ir aq   5 Com pute r  s y st e m   Engi nee r ing,   Facul t y   of Engin ee ring ,   Univ ersity   of  Z awia,   Az z awia ,   L ib y a   6 Depa rtment   of  I nform at ion  T ec h nolog y . Coll ege  of  Inform at ion   T ec hnolog y ,   Ahl i a  Univer si t y ,   Mana m a,   Kingd om   of  Bahrain       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Feb1 7 , 2 01 9   Re vised  A pr   2 ,  201 9   Accepte d  J ul  21 , 2 01 9       Now aday s,   hand   gesture  re cogni t ion  (HG R)  is  g etting  popul ar  du e   to  sev eral   appl i ca t ions  such  as  remote  ba sed  cont rol  usin g  a  hand ,   and  sec urity   f o r   ac c ess  cont rol.   One  of  the   m aj or  proble m s  of  H GR  is  the   ac cur acy   lacking   hand  det e ct ion  and  segm ent at io n.   In  thi s  pape r ,   a  new  al go ri th m   of  hand  det e ct ion  wil l  be  pre sente d ,   which  works   by   tracki ng  finge rs  sm art l y   b ase d   on  the   p la nn ed  pat h.   The  tracki ng  oper a t ion  is  ac complished   b y   assum ing   a  point   at   the   to p  m iddl e  of  the   image  cont a ini n g  the   obje ct   th e n  thi s  point   slide s  few  pix els   down  to  be  a   ref er enc e   point  the n  br anc hing   int o  tw o   slopes:  le ft  and  r ight .   On  the se  sl opes,   finge rs  wil l  be  sca nned  to  e xtra c t  fli p - num ber s,  which   are   conside r ed  as  feature s  to  b e  class ifi ed   acc ordingly   b y   uti lizing  the   exp ert   s y s te m .   Exp eri m ent s  were   c o nduct ed  using   100  images  for  10 - indi vidual  cont a ini ng  ha nd  inside   a  cl u t te red   ba ckgr oun d  b y   using   Data set   of  L e ap  Motion  an d  Micr osoft  Kinec t   hand  ac quisit ions.   The   re cor ded   accura c y   is  depe n ded  on  th e  complexi t y   of  th e  Flip - Num be r   sett ing ,   which  is  ac hie v ed  96 %,   84%  and  81%  in  ca se  6,   7  and  8   Flip_Num ber s  respe ctively ,   in  which  thi s  resul t   ref lects  a  h igh  l eve l  of  finite   ac cur acy   in   compari ng  wi th exi st ing  t ec hniqu es .   Ke yw or d s :   Ex per t sy ste m   Hand det ect io n   Hand gest ur e  r ecognit ion  (HGR)   Hu m an - c om pu te r   interact io n  (H CI )   Segm entat ion     Copyright   ©   201 9 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Faha d  Lay th   Ma la ll ah ,    Com pu te r  an d Inform at ion   En gin ee rin g ,   Coll ege  of   Ele ct ronics E ng i ne erin g ,   Nine vah Unive rsity ,  ORCI D:  0000 - 0001 - 60 67 - 7302 ,   M os ul , I ra q .   Em a il :   Fahad . m al al la h@ uoni nev a h. e du.iq       1.   INTROD U CTION   In   or der   to  en han ce  the  qu al it y  of   li fe  of   disabled  pe ople ,   hu m an - com pute r  interact ion   (H CI )  m us t   be devel op e d  t o  ac hieve  t he  a forem entioned   [1 ] . Ha nd   gest ur e  rec ogniti on ( H GR)  is a m a j or to pic  of H C I  tha t   at tract s  resear cher s  in  diff e ren t  fiel ds   of   com pu t er  vision ,  patte rn   r ecognit ion,  an d  m achine  lear ni ng.     Hand  a nd   hea d  gest ur es  were  the  first  m od es  of  com m un ic at ion .  Us ua ll y,  the  m od e  of   c omm un ic at ion   is  verbal  an d  non - ve rb al .   I n  te r m s  of   non - ve r bal  com m un ic at ion ,  it   ca n  be   us e d  f or  m any   kinds  of   a ppli ca ti ons   su c h  as  a viati on  sim ulati on ,  3D  gam ing ,  an d  surveyi ng.   O n  the  m os t  popu la r  HC I  to ols  i s  H GR  te ch niques.   HG R  syst em   i s  si m i la r  to  the  bio m et ric  sy stem ,  bio m e tric   syst e m s  are  consi sti ng   of  ba sic al ly   the  fo l lowing   sta ges:  in pu t  data,  pr e proce ssing,  feat ur e   extracti on  a nd  sel ect ion,  a nd   cl assi ficat ion   sta ges ,  as   du ll y  exp la ine d  in  [ 2 - 4].  Th e  basi c  sta ges  of  de sign i ng   t he  H GR  syst e m   are  com pr isi ng   of   th e  f ollow i ng :  data   acqu isi ti on,  de te ct ion ,  se gm e ntati on   a nd  tr ackin g,   featu re   extracti on  a nd  se le ct ion  wi t h  the  final  st age  is   Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec   &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5277   -   5285   5278   the  ge sture   re cogniti on  by  us in g  var i ou s   cl assifi cat ion  al gorithm s  [ 5].  I n  H GR,  there  is  no  ne ed  of   a  per ip her al   de vice  to  interact   with  the  com pu te r  exce pt  the  ca m era,  so   as  to  captur e  th e  fr onte d  vie w   to  be  analy zed  by  diff e ren t  im ag e  processi ng  an d  arti fici al   intel li gen t  to ols  by  a  pr ocess or,  t hen  act io ns   will   be   ta ken  ac co rd i ngly [6 ] .   On e  of   the  cha ll eng es  of  H G R  is  the  han d  detect ion   an d  s egm entat ion   preci sel y,  especial ly   if  there  are  m any  rand om   ob j ect s   bes ide  ha nd  obj ec t.  More over ,  de te ct ion   op e rati on   will   be  m or e  diff ic ult  in  t he  cas e   wh e re  the   ra nd om   ob j ect   ha vin g  col or   as   the   sam e   as  han d  colo r.   In   t his  pa per,  a  new   al gorithm   is  pr es ented  and  ex plaine d  on  ha nd  ext rac ti on   a nd   segm entat ion   by  usi ng  sca nn i ng  the  obj ect   im age  from   le ft  to  righ t   an d  from   top   to  bo tt o m   in  or der   t o  scan  ho w  m any  flips  from   zero   pixe l“ 0”  as  black  to  on e  pi xel  “1”  as  wh it e.    In   t his  rese arc h,   t he  ha nd  is   assum ed  to  be   detect ed  m us t  ta ke  a  f orm   or  te m plate   a s  show n  i n  Fi gure  1.  Othe rw ise ,  t he   obj ect   will   not  be  cl assifi ed  as  a  hand  ob j e ct .  This  is  the  assum ption   of  the  curre nt  al gorithm ,   in  wh ic h  it s  accuracy   de pe nds  on  the  Fli p_N um ber ,  w hi ch  will   be  set   based   on   t he  require d  com plexity .    In   oth e r  w ords ,   Fli p_Nu m ber   is  con si der e d  a s  the  de gr ee  of  the  com plexity ,  la rg er  Fli p_Nu m ber   is  set ,  bette r  hand  obj ect   is   pr e dicte d.   M ore  detai ls  of  the  al gorithm   will   be  i ll us tra te d  in  the  m eth od ology  sect ion   a nd  exp e rim ents are  co nducted  as  well , to  test  t he  correctne ss  of  the pr opos e d  al gorithm .             F ig ure  1. Ha nd  te m plate  d epe nd e d f or  t he de te ct ion   poi nted  out as  5 - fin ger       It  is  w or t h  to   m ention  that,   the  idea   of  this  pap e r  as   flips   nu m ber   base d  on  the  sm art  pa th  has   bee n   adap te d  from   [ 7 ] ,  in   w hich   th e  ori gin  w ork   in  this   pa pe r  w as  ex plo it in g  s m art  path  t o  c ount  num ber s  by   hand   gestu re  as   0,1 , 2,3,4,  a nd  5.     Accor dingly ,   a   m od ific at ion   has  bee n  done  to  outc om e  a  ne w  ver si on  to  be  m uch  m or e  su it able  for  our  propos ed  w ork  as  the   fo ll owin g  hypothesis:   if  ther e  are   five  fin ge rs ,  so   it   m ean s  it   is   a  hand  ot herw ise   it   is  no t  a  hand  e ven   if  t her e  a re  f our  f ing e rs  are  po i nted  ou t.   T he  m od ific at ion   will   be  exp la ine d   i n  t he  m et ho dolo gy   su bse ct ion .  The  pro po s ed  m et ho d  does  not  nee d  data  t rainin g,  w hich   is  an   adv a ntage  that  m akes  the  syste m   reli able   fo r   e m bed de d  syst e m s   and   li gh twei ght  dev ic es .   Howe ver ,  the   wea k  po i nt  of  this  a lgorit hm   that  t he  hand  detect ion   wor ks   f or   on ly   fi ve  fin ger s  are  point ed  ou t,  f or   i nst ance,    a  pe rson   has   a  cut  fi ng e r,  it   m igh t  not  be   w orki ng  pro pe rly ,  or  it   re quires   to  in f or m   the  s yst e m   ad m inistr at or ,   la te r  on,  to  c ha ng e  t he  par a m et er  of   the  de te ct ion   f ro m   five  to  f our  by   si m ply  chan ging  the  fi lp  num ber .   The  orga nizat io n  of   this  pa pe r  is  as  fo ll ow s;   Sect ion   2   re vi ews  li te rat ur e  r el at ed  to  hand  detect ion,  Sect ion   3   exp la in s  the   m et ho dolo gy  of  the  pro pos ed  te c hn i qu e   with  te sti ng  a nd  an al ysi s,  Sect ion  4   de s cribes   the  exp e rim ent ;   Sect ion   5   pre sents  the  res ults  and   discuss i ons.  Fin al ly ,  the  con cl usi on  of   this  researc h  and   it s   po s sible  fu t ur e  work a re  pr ese nted  i n  Sect i on 6 .       2.   LIT ERATUR E REVIE W   Hand  detect io n  idea s  for  p re vious   w orks  are  li st ed  i n  t his  sect io n  with  thei r   m et ho do l og ie s   a nd   at tribu te s.   F or   instance,  in  [ 8 ] ,  h an d  detect ion   is  desig ne d  accor ding  to  ha nd   m otio n  bas ed  on  FIFO   to  detec t   foregr ound  ha nd   a nd   non - ha nd   in form at ion .  This  idea  is  based   on  the  se ver al   co ns ec utive  dif fer e nce  i m ages   thr ough  the  F I FO   a nd   path   ov e rlap ,  an d  t hen   t he  ou t pu t   is  com bin ed  with   KC F  ( Ke rn el iz ed   C orre la ti on   Fil te r )   on  H O G  in  orde r  to  i m pr ov e  the  tra ckin g.   A nothe r   work   is  prese nted  in  [ 9 ] ,  thi s  work c onsist s   of   4  ste ps : hea d  det ect ion   ope rati on , back  pro j ect ion , ha nd   ro ta ti on ,  an d the n  ha nd   detect ion.  Her e , th e hum an  hea d  inf o rm at ion   as   colo r  is  us e d  to  be  assist a nc e  of  hand  R OI s   detect io n,  by  us in g  th e  featur e   ext racti on   a s   a  histogram   of   or ie nte d  gra dient  (H O G)   featur e  a nd   Sup port  Vecto r  Ma chine  ( SV M )  as   a  cl assifi er.   I n  2016 ,   a  ha nd  wit h   wr ist   detect io n  m et ho d  f or  unobt r us ive   hand  gest ur ei s   re portedi n  [ 10 ] ,   the   ope rati on   is   i m ple m ented  b y  usi ng  a  he ad  m ou nte d  disp la y  ( HM D )  wh e re  loc at es  in   uppe r  body  a rea  of  a   us e r,   and  a  dep t h  ca m era  unde r  a n  HMD   t o  e xtrac t  the  s hap e   co nt ext  featu res  a nd  S VM  f or  th e  cl assifi er .  A nothe r   hand dete ct ion   us in g  facial  in f or m at io n  is pr e sented  i n  20 16   in  [ 11 ] , here  de te ct ion   of a f ac e is the f irst st e p  t o  pick  up  the   fac e  colo r  s o  a s  to   be  us e d  for  re gions  of  inter e st  (RO I)   e xtrac ti ng   to   detect   ha nds,  s pecial ly   ha nd  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Han d detec ti on and se gm e nta t ion   us i ng smar t pa t h  tr ackin g f ing ers  as f eat ur es  and…    ( Kha le d  N.  Y as en )   5279   sk in  c ol or   a nd  face  s kin   c olor   are  al m os t  sim il ar,  her e, su c cessf ul   detect ion  rate  is  up  t o  92 % .  Anothe r   ha nd   detect ion   pr e se nted  recently   in  20 18  in  [ 12 ] ,  w hich  is  bas ed  on  t he  co nv olu ti onal   ne ur a l  networ k   as  a   dee p  le arn in g,   T his  te chn iq ue  is  ba sed  on  the  a r chite ct ur e  of   YO L O by  util iz ing   the  s patia l - trans fer   c onne ct ion  (S TC)  betwee n  hi gh - le vel  la ye rs  an d  lo w - l evel  la ye rs,   th e  m ulti - scal e  featur es  from   diff ere nt  la ye rs  can  be   aggre gated  f or   detect ing   the  ha nds. A nothe r  work   f or  ha nd   detect ion   ba se d  on  sta ti sti cal  l earn in g trai ning  way  is  introdu ce d  i n  [ 13 ] ,  i n  w hi ch  this  idea  w as  te ste d  by  Using  Mi cros of t' s  Kinect  se ns or dataset ,  w hich  i s   the  sam e  database  of  the  pro posed   w ork   in  this  pa pe r   as  well ,   here  featu res  for   sta ti sti cal   le a rn i ng  wh ic happ roxi m at es  with  a  Harr - li ke   featu re  wit h  the  hel p  of   A dabo os t sta ti sti cal   le a r ning,  gets  t he  trai ning  m od el .  Fu rthe rm or e,  idea  of   hand  detect io n,   w hic h  is  use d   an  e xten de d  histo gram   o f   ori ented  gr a dient s   (HOG)  m od el   nam ed   sk in   co lor  histo gr am   of   ori ente d  gr a dients  ( SC HOG )   is  prese nte d  in   [ 14 ]   to  c onstr uct   a  hum an   hand  detect or,  fi rstly ,  featu res  bas ed  on  SCH O G   are  e xtracted   by  com bin in g  HOG  with  s ki n   c olor  cues,   the n  s up port  vecto r  m a chine  (SVM)   a lgorit hm   is  us ed  for  trai ning  t he   dataset     a nd   finall y,  this   m et hod  is  ver ifie d  on  the  te sti ng  da ta set   fo r   the  SCHOG  featu res .  T he  h a nd   is  al so   detect ed  in  2014  i n   [ 15 ] ,   by  e m plo yi ng  a  cor ner   detect or   to  fig ur e  ou t  the  pro ble m   of   the  finge r  fr a gm ent  occu r red   durin g  hand  detect ion, t he p ro ces s  of t his det ect or   is s hr i nkin g  the  RO I  i nto  a  m uch  sm al le r  range  w hile per form ing   corner   detect ion.   A no ther  w ork  of  hand  detect io n  util iz ed  s kin   colo r  filt erin g  m et ho d  base d  on  sk i n  c olor  range   m od el ed  in  Y CbCr  c olor  s pa ce  as  in   [ 3 ,  16 ] .  It  is   w or t h  t o  add  that,   t he  pr opos e d  m et ho d  desi gn e d  acc ordi ng  to  the  c olor  sk i n  m et ho d  as  a  first  ste p  t hen   s econdly ,  e xam i ning  the  obj ect   that  de pendin g  on  Fli ps _N um ber s  wh ic h wil l be e xp la ine d  i n  t he  n e xt s ub sect io n.       3.   THE  PROPO SED   METHO D   The  pr ocess  st arts  by  extracti ng   fr am es  by  fr am e  fr om   the  vid e o  stream   t o  be  processe d  separ at el y.  The  sta ge s  as  a   blo c k  diagr am   of   t he  pr opos e d  ha nd  detect ion   a re  s how n  i n  Fig ure  2.  A ft er  extr act ing   fra m e,   searchi ng  ope r at ion   for  s kin   colo r  ba sed   on   ranges   of  RG B  colo r  s pace  will   be  sta rte d.  The  ra ng es   of   red,   gr ee n  a nd  blu e s  are   m od el ed  es pecial ly   for  wh it e  pe op le .   I n  oth e r  wor ds ,   these  ra ng es   a re  no t  a ppli cab le   to   dark  s kin   c olor  pe ople ,  th us   searchi ng   oper at ion   ba sed  on   the  ra ng e  of  the  s kin   c olo r   is  i m ple m ented  an d  il lustrate d  as a   bor der e d box a rou nd the  ha nd as in  Fig ur e  3( 1).           Fig ure  2. Me th odology st e ps   of h a nd  detect ion an d segm entat ion       The  ra ng es   f or   each   col or  s pa ce   (R GB)   a s  red,  gr ee n  a nd   bl ue  a re  sta te d  belo w ,   these   ra ng  are   m odel ed   especial ly  f or t he  c olor s kin :     103 < re d _ c olor _ range < 159   74 < g re en _ co lor _ range < 103   43 < blue _ col or _ range < 98   Af te r wa rd, seve ral  substage s  of   pre - processi ng   i n  te rm s  of  i m age  proces sing   s uc h  as  m edian  filt erin g  a nd   rem ov ing   s ome   obj ect   that  t heir   are as  are   up   t o  30 0  pix el s  (as  ver y  sm a ll   ob j ect   a rea) ,  t hen  ap pl yi ng   Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec   &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5277   -   5285   5280   i m age  dilat e  m or phologica l  filt er s  in   ord er   to  sm o ot hly  m ake  the  obj ect   c onnecte d.   Fig ur e  3( c )   de picts   the  af or em entione d  ste ps   of   i m age  processi ng,  as  it   is  s how n   t hat  there   are  on ly   5  ob j ect s   in  Fig ur e   3( c ) ,   on e   of  them   surel y  is  the  hand. Fi nally ,   a  bo rd e r  is  dr a w n  a rou nd   t he  hand   for  t he  o rigi na l  i m age  fr am e  to  set   the  ta rg et   re gio n  of   inte rest  ( ROI)   by  extrac ti ng   the  f our  bor der   po i nts,  then  plo tt ed  to  the  or i gin al   im age  as   sh ow n  in  Fi gur e 1(a ).         (a)     (b)     (c)     Figure  3. Pict ori al  il lustrati on of the  m et ho dolo gy steps  as i m ages       3.1.   Prop os ed   de te cted  algorith m   On ce  the R OI  ( obj ect )  is acces sed, s te ps o f  th e  pro posed   al gorith m  are  as  f ollow i ng :   1.   Get P oin t ( x,y)   i n  T op Mi ddle   of Ob j ect  I m age,  an d n ot at to p  m idd le  of the  obj ect .   2.   Sli din g d own  of this  point   qu a rterly  to be  refe ren ce  point  ( R ef _Pn t ).   3.   Dra w rig ht li ne  slo p  f r om  ( Ref _P nt ).   4.   Dr a w  le ft   li ne   slop f ro m  ( Ref _P nt ).   5.   Me rg e   le ft & ri gh t  slo ps  to  b e   a   sm art   scann e d path.   6.   Ca lc ulate   Fli p_ Nu mber   base d on ly   on the  s cann e d path     P seu do - c od e   de scribin g 1 &  2  for  e xtracti ng the   Ref _P nt   i s as foll owin g :    [ x_ m axy_m ax ] =size( img) ;   top_ref_ point_ y=fl oo r( y _max /2) ;   top_ref_ point_ x=1;   y_ref=to p_ref _poi nt_ y ;   qu rt _top _x= fi x ( ( x_m ax/8)) ;        f or  i= 1:q ur t _top_ x           for  j=1:y _max             if  (( img(i ,j) == 1))   x_ref=i;            e nd e nden dre f_pnt=[ x_ref y_ref ] ;     wh e re Ref _P nt   is   the  po int   tha t  has  the  trajector ie s  ( x )  and   ( y )   to  be  con side red   as  a  ref e re nce   of  the  br a nc hing   the  tw o  sl o ps   l eft  an d  rig ht.   Figure  4  de pic ts  al l  the  five  obj ect s  t hat  a r e  possible   to   r epr ese nt  ha nd  as  these  obj ect s  passe d  thr ough  the  sk i n  colo r  filt er.  Nex t  sta ge,   e xam ining   operat ion   is  app li ed  base d  on   the p r opos e d  al gorithm   to  extract  the  tr ue  hand  obj ect   a m on g  the  oth e rs.   I t  is  obvi ous  that  al l  obj ec ts  hav e  t he  red  ci rcle   sy m bo l,  w hich   is  deem ed  as  the  to p  po i nt  th en  by  getti ng   dow n  a rou nd   ha lf - qua rterly ,  th e  blu e  ci rcle  sym bo l  is  con si der e d  as  the  Ref _P nt .  At  this  poi nt,  the  tw o  sl op s  are  br a nc hing  le ft  an d  rig ht.  The   rea so n  f or  br a nc hing  is  im po rtant  to  ful ly   dissect   the  obj ect   ty pe  an d  to  co un t  how  m any  flips  t he  obj ect   has  durin g   the  scan ning   operati on.  Af te r   that,  point  3  of  the  al gorithm   is  sp eci fyi ng   t he  rig ht  slo ps .  Firstl y,  the  ide a  of  extracti ng  th e  rig ht  slo p  is   by   increm enting  one   ( y )   to  bot h  rows   an d  c ol um ns   to  get  n e w  e xtracted   sc ann e d  rig ht  slo p  as   s how n  in   Fi gur e  4  with   gree n  colo r  slo p ,  t he   al gorithm   pro gr am m i ng   as  pse udo - co de   is  sh ow n   unde r  the: right _s lo p pse ud o - c od e .  Sec ondly ,   ste p   4   of   the  pro po se d  te ch nique  is  to  dr a w  a  le ft  slop   sta rtin g  from   Ref _P nt   go i ng  dow n  to   the  le ft  e nd  of  the  im age  as  s how n  i n  Fi gur e  4  of  t he  pink  colo r  sl op ,  the   idea  of  extracti ng the l eft slop  is  b y d ecrem enting  one to im age col um ns   a nd  inc r e m enting on e t o  the  rows   to  ge t  new  extracte d sca nned  left slo p ,  t he  al go rithm  p rogr am m ing   as  p se udo - co de  i s sho wn  le ft  _sl op   pseud o - co de .     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Han d detec ti on and se gm e nta t ion   us i ng smar t pa t h  tr ackin g f ing ers  as f eat ur es  and…    ( Kha le d  N.  Y as en )   5281     (1)     (2)     (3)     (4)     (5)     Figure  4. De pi ct ing   Ref _P nt   with left a nd  righ t  slo ps  as  sm art p at h of  a n  i m age obj e ct       right_sl op  pse udo - co de   righ t _s lo p_ x = 0; ri gh t _s lo p_y =0;        rx =0;ry =0;si ze_slop =1;       fo r y= 1:size _sl op e :(y_ ma x - y_ref) - 1          y _n ew =y_ref +y;       ry =ry+ 1;       ri gh t _s lo p_ y( ry) =y_ new;           x _n ew =x_ref +y;       rx =rx+ 1;       ri gh t _s lo p_ x( rx) =   x_ new ;       e nd       plo t( righ t _s l op_x,ri ght_slo p_ y) ;     le ft _ slo p  pseu do - code       size _s lo p=1 ;       le ft _s lo p_x= 0; le ft _s lo p_y= 0;       lx = 0; ly =0;        le ft _s ize =y _max - le ngth( rig ht_ sl op_y) ;       w hile ( le ft _s i ze~=0)       le ft _s ize =lef t_size - 1;       lx =lx +1;       x _n ew =x_ref +lx;      le ft _s lo p _x(l x ) =  x_n ew ;      ly =ly+ 1; y _ne w=y_ref - ly ;      le ft _s lo p_ y( ly ) =y_ new;      en d      pl ot( le ft _s lop_x,lef t_slo p_y) ;     Af te r  s pecifyi ng  the  rig ht  an d  le ft  slop   an d  m erg in g  them   to  be  one  sca nned  (sm art)  path,   now  it   is  re ady  to  extract  the   Fli p_ N umber base d  sca nn e d  pat h.   Her e ,  to   gu aran te e  dr a wing  slo ps  with out  m issi ng   an y  oth e r   fin ger   of  the  ha nd   to  be  dete ct ed.   I n  this  sit uation ,  the  ide a  is  extracti ng   the  Fli p_ N umb er   from   the  rig ht  and  le ft  slop s,  a nd  then  a dd s  t hem   tog et he r  to  be   the  final  Fli p_ Numb er of   the  obj ect .  T he  Fli p_ N umber   is  de fine d  as  the  pi xel  bri gh t ness  cha nging  f ro m   “0”  t o  “1”   or  “ 1”  t o  “0”  if   a ny  cha ng i ng  happe ne d,   t he n  a  co unte r  will   be  inc rem ent  by  on e,  e ve ntu al ly ,  this  counter   will   be  repres ented  as  th e  Fli p_ N umber.   T he   two  ps eu do - co de s   of extracti ng th e  Fli p_ N umber   of  bo t h  ri gh t a nd left slo ps ar e b el ow:     Fl ip_ N um ber   fro m  righ t  sl op     fst_v alue =   obj_im g(ref_pnt ( 1, 2) , ref_pnt ( 1, 1)) ;         [ x _num,y _num ]   =   size( obj_i mg ) ;fl ip_num_right=0;             for p=1:l ength( right_slop_x ) - 2           i fx _num> righ t_ slop_x( p) & & y _num> right_slop_y ( p)           i f  (     fst_v alu e ~=   obj_i mg( right_slop_x ( p) , right_sl op_y( p)))               fst_ val ue=   obj _img( right_slop _x( p) , right_slop _y( p)) ;           f li p_num_r igh t=fl ip_num_righ t+1;                    end         end   end   Fl ip_ N um ber   fro m  left  slo p       fl ip_num_ le f t=0;         fst_v a lue = ob j _img( ref_pnt ( 1, 2 ) , ref_pnt ( 1, 1)) ;         for k =1: le ngth ( le ft _slop_x) - 2         ifx_num> le ft _s lop_x ( k) & & y _ n um> le ft _slop_y( k)         if (     fst_v a lue ~ = obj _img( le ft _s lop_x ( k) , le ft _slo p_y( k)) )             fst_v a lue = ob j _img( le ft _slop_x ( k) , le ft _slop_y( k)) ;      f li p_num_le ft =f li p_num_left+1;                  end      end      end     Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec   &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5277   -   5285   5282   Now, sum m at i on b et ween  flip _ n u m_ left an d  fli p _ n u m_ right   to  pr oduce  Fli p_ N umber featu re as :     fl ip_ num ber =fl ip_num _left +fl ip_num _r ig ht;     Nex t,  cl assifi c at ion   is  respo nsi ble  to  detect   wh ic h  obje ct   is  hand  an d  no n - hand,   as  ass ume d  the  ha nd   to  be  detect ed  is  sh ow n  in  Figure  1,   wh ic h  has  fi ve  fin gers  are  po i nted  out.  A cco rd i ng l y,  that  i m age  if  thi s   pro po se d  al go rithm   is  app li ed  to  it ,  the  Fli p_Nu m ber   m us t  equ al   to  10   flips.  Howev e r,   10   flips  are   chall eng i ng  be cause  s om eti m es  pro blem   ris es  relat ed  to  i m age  processi ng   filt ering   a nd  sk i n  col or i ng  search .   Ther e f or e,  dec reasin g  this  c ha ll eng e  10   t o  8  or  6  Fli p_N um ber   to  be  de te ct ed  is  pr e f erab le .  H ow e ve r,   on ce   decr easi ng the   chall enged  Flip_N um ber , th e  False  Accept  ( FA )  w il l  be  inc reased .   An   ex pe rt  syst e m   is  def i ned  as  a  c om pu te r   syst e m   that  em ula te s   the  de ci sion - m akin g  a bili ty   of   a  hum an  exp e r t.  In  r ule - base d  ex per t  syst em s,  f orwa rd  chai ning  in fer e nce  te ch niques   is  use d  in   this  rese arch.   The  do m ai n  knowle dge  is  r epr ese nted   by   a  set   of  I F - T HEN  in  orde r   to  pr oduce  r ules  an d  t he  data  is  represe nted  by   a  set   of   facts  about  the  cur re nt  sit ua ti on ,  w hic h  is  rep rese nte d  by  featur e  nam ed   the  Fli p_num ber .  T he  i nf e ren ce  en gin e  m ust   decide  w hen  the  r ules  m us t  be  e xec uted.  Fo r wa rd  chai ni ng   is  us e d  in  this  pa per   becau s e  of   the  sim il ari ty   to  the  m e t hodolo gy  that  dep e nds  on  dat a - dr ive n  re aso ning .   The  reas on i ng  sta rts  fr om   the  known  data  an d  procee ds   f orward  with  that  data.  Each  ti m e,  on ly   the  top  r ule  is  execu te d,   a nd   wh e n  exec ute d,  the  ru le   ad ds   a  new   fact  to  the  databa se.  A ny  ru le   can  be  execu te d  only   on ce .   The pse udo - co de of  the e xper t sy stem  is sh own  b el ow :     if  (f l ip_ nu mb er >=    10)   disp ( 'H an d Dete ct ed ' ) ;    el se   disp ( '  N o d et ec ti on' ) ;   end     As  it   is  show n  in  Fig ur e   4,  there  a re  five  obj ect s  gen e ra te d  duri ng   pre proc essi ng   a nd   filt ering   t he  i m age,   the  al gorithm   sh oul d  be  ap pl ie d  to  al l  generate d  ob j ect s  to  extract  the  Fli p_ Nu m ber f eat ur e  an d  on l y  on e   obj ect  is  pr e dic te d  by t he  e xpe rt syst em  as the  true  h a nd am ong  t he othe rs.       4.   E X PERI MEN T   To  e valuate  t he  propose d  m et ho d,  ex pe r i m ents  hav e   be en  c onduct ed   on  100  im ages,  w hic h  is   exp l oited  a  da ta set   na m ed  Dataset   of   Le ap  Moti on  an d  Mi cro s of t  Kinect  ha nd   a cqu isi ti ons  issued  in   Un i ver s it y  of  Padova   ( Ital y),   2014  [ 17 ] .  T he  siz e  of  ea c h  im age  her e   is  Kinect  c olor  m ap  (12 80  x  960).     These  im ages  are  r gb. png  e xt ensio n.   T his  da ta set   con ta ins   10  ge sture s  in   ge ner al ,  of  di f fer e nt  ha nd  ge sture,  li ke  the  ass umpti on   of  the  c urre nt  resea rch   i s  to  detect   a  ha nd   with  a  sty le   of   five  fin gers   po i nt ed  out,  s o  that,  on e   gest ur e  w hi ch  is  la beled  ge sture  9  in   this   database   is  sel ect ed  only   f or   the  10  in div i dual s.  I n  ot her   w ords ,   te n  rgb.p ng   im ages  ha ve  been  us ed  for  eac h  ind ivi du al ,  t otall y  10 0  im ages  exp l oited  in  th e  te st.  It  is  wo r th  t o  m ention  that  i n  this  al gorithm   there  is  no  ne ed  to  tr ai n  im a ges.   J us t  te st  a ny  im age,  so   that  al l  the  10 0  i m ages   are  us e d  for  te sti ng   to  extrac t  the  total   acc ur acy .  U su al ly ,  in  the  ver ific at ion   or  identi ficat ion   com par iso n,   there  a re  t wo  po s sible  e rror s   to  be  m easur e d:  False   Acce pt   Ra te   (F AR )  e rror,  w hic h  re s ults  f ro m   the  f orge d  tem plate   that  a ccepte d  by  a  syst e m   falsel y  du ri ng   te sti ng  a nd   t he  seco nd  error   is  False   Re j ect ion   Ra te   (F RR ),  wh ic h  res ults   from   the  gen ui ne  te m plate  that  the  co m pu te r  pr e dic te d  it   wrongl y  [ 18 - 20 ] .  Ge ner al ly ,   the  overall   accuracy  of  the  pro posed  syst e m   is  cal culat e d  by  subtract i ng   t he  ave rag e   error   rate  f r om   10 0%     as in  (1):     2 % 100 % F R R FAR A c c ur ac y   (1)     Howe ver,  this  researc h  has  no  FA R  er r or ,  si nce  there  a re  no  f orge  ha nd   i m ages  in  this  exp e rim ent  to   be  te ste d.   T he refor e ,  FA R  is  con si der e d  to  be  zer o.   H ow e ve r,   FRR   is   us ed  f or   t he  te sti ng   to  assess   the  rec ogniti on  rate,  beca use   these  ha nd  i m ages  are  co ns i de red   a s  ge nu i ne  te m plates.   I n  case  th ey   are  wrongly   rec ognized  by  the   propose d  syst em ,  then  t he  FRR   increases .  T he   equ at i on s  t hat  are  us e d  t o  m easure   the accu racy  of this re searc h  a re in ( 2) an d (3):     % % 100 % F R R A c c u r a c y     (2)   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Han d detec ti on and se gm e nta t ion   us i ng smar t pa t h  tr ackin g f ing ers  as f eat ur es  and…    ( Kha le d  N.  Y as en )   5283   % 1 0 0 _ _ Re _ _ % A t t e m p t T r u e T o t a l j e c t F a l s e T o t a l F R R   (3)     Ma tl ab  2016 b  as  a  w orksta ti on   has  bee n  us e d  i n  this   exp e rim ent  insta ll ed  into  a   com pu te r,   w hich  has   the foll owin g  c har act erist ic s c or e 2due , 4  G - RAM.       5.   RESU LT S   A ND  DI SCUS S ION   The  repor te d  r esults  in  t his  re search   fall   into   two  ty pe s:  pic torial   an d  sta ti sti cal   resu lt s.  The  pictorial   resu lt   is  dep ic t ed  in  Fig ur e   5,   in  w hich   it   co ntains  5  im ages,  the  first  on e   in  Fig ur e   5(a) ,  wh ic h  is  the   de te ct ed   hand  obj ect   as  ROI  s uccessful ly .  In   Fig ur e  5(b )  il lustrate s  the  outp ut  of  th e  RGB  colo r  sk in  sea rch   bas ed  on  RGB  ra ng e d  a s  af or em entione d  in  t he  m et ho dolo gy  sect io n.   It  is  cl ear  th at   con ta ins   m a ny  ob j ect s  an d  noise ,   after  rem ov ing  noise   us in g  s om e  pr ep r oces sing  to ols  s uc h  as   m edian  a nd  m or phol og i cal   filt er  the   r esult  is  il lustrate d  in    Figure  5( c ),     he re  it   is   cl ear  f inall y  con ta ins   two  ob j ect s  only ,   in  w hich  s ur el y  on e   of  th e m   is   the h a nd a nd th e o the r  is a  no n - ha nd  obj ect .             (a)   (b)   (c)         (d)   (e)     Figure  5. A pply ing  the  pr opose d  al gorithm  o f  a  dataset  sa m ple  i m age and  it s  pictorial  re su lt s       Af te r  a pp ly in g  the  pr op os e d  al gorithm   to  c ount  the  Fli p_Number a nd   e xam ine  the  ob j e ct s,  wh ic h  a re   extracte d  in   th e  im age,  resu lt s  will   be   ou tc om e  ei ther  “N o  Detect ion ”as   sh own   in   the  Figure  5(d )  be cause ,   it   is  cl ear  the  Fli ps _N umber   is  2,   w hich  does  not  sat isfy   the  ex per t  syst e m   con diti on   to  be  an noun ced  as   the  obj ect   is  non - ha nd .  O r   “Hand  detec te d”  resu lt   as   dep ic te d  Fig ur e  5( e )   d ue  to  the  cl earn e ss  of   the Fli ps _N um ber   is  10   in  wh ic h  sat isfie s  the  exp ert  sy stem   con diti on  t o  be  anno unced  as  the  obje ct   is   the  ha nd   t hat  c on ta in s 5   fi nge rs.  In  te rm s  of stat ist ic al   resu lt s  as  s how n  in  Tab le   1 ,  i n  cas e  the  Fli p_N umber   is   6,   w hich  is  in dicat ed   to  the  easy   pr edict io n,   beca us e  due  to  the  i m age  captur i ng   a nd  filt er  that  is  no t  al l   the  five  fin ge rs  will   be  a ppeare d ,  t her e f or e ,  pe rm issi b le   is  al lowed   to  be  6,   7  or   m igh t  be  8  as  le ss   per m issi ble.  H ow e ve r,   i n  cas e  of  decr ea sin g  the  rigi d  of  th e  ha nd  pr e dicti on  that  m eans  False   Re j ect io n  Ra te   will   be  inc reas ed, this   m eans  that  obj ect s   m igh t  be  hand  t ru ly , a nd  the   s yst e m   w rong ly   re j ect s   them   du e   to   the  ri gid   co ndit ion   of  the   te st  an d  decisi on  m aking .   Howe ver,  100  im ag es  with   a  cl uttered   bac kgr ou nd  go t   accuracy  97%  and   84%  in  ca se  Fli p_ Nu m be r   set   to  6  an d  7  res pecti vely .   In   case  Fli p_ num ber   is  set   up   to  8  and 10,  t he res ult  is rec orde d i n  Ta ble 1   as  w el l. Th e acc ura cy  is 81% a nd  48% r e sp ect ive ly .              Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec   &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5277   -   5285   5284   Table  1.   Acc uracy  r ep or te d w it h  f our  cases  6,7, 8 an d 1 0 fli p_num ber         It  is  no ti ced  t hat  with  la r ge r  Fli p_N um ber   is  set ti ng   up ,  le ss  accurac y  is  reco rd i ng .  Howe ver ,   the  rec ogniti on  rate  is  low  es pecial ly   with  10  Fli p_N um ber ,  becau se   the  sel ect ing   s pecifica ti on   of   t he  ha nd   obj ect   beco m es  rigi d  a nd  cha ll eng in g.As  t he   auth or’s  pe rspect ive,  the  m ost   su it able  Fli p_ Nu m ber   i n  te r m s   of  si m plici t y  is   7  or   8,   as  in  th e  m idd le   betwe en  seve rin g  and   easy   co nd it io n.   Be ca us e  so m eti m es  us ers  have   a  cut - fi ng e r  or  m is - counting  as  the  slo p  is  no t  passing  th r ough  the  fi nge rs   due  to  ha nd  ro ta ti ng.  How ever,   the  opposit e  ca se  that  m igh t  an  ob j ect   is  not  a  hand  bu t  it   ha s  Fli p_N um ber   as  10  or   m or e,  s uch   t his  ca se  is  dep ic te d  i n  Fig ur e  6,   in  w hich   this  obj ect   ap pear e d  du rin g  cond ucting  t he   exp e rim ent  as   hand  bu t  it   is  ind ee d  a  non - ha nd  obj ect .   T his  is  consi der e d  a s  the  wea k  poin t  of   t he  propo s ed  al go rithm .   In  the  sam e  tim e,   the pr opos e d  al gorith m  is su it able f or the li ghtwei ght  dev ic es, as  t her e  is no trai ning  data  for  the  pre dicti on.            Figure  6. O bje ct  classi fied  as   a h a nd b eca us e  of c on ta ini ng  10 f li p_ nu m ber s       In   te rm s  of   c om par ison  wit h  se ver al   publ ished  wor ks   r ega rd i ng  ha nd  detect ion ,   T a ble  2   li sts   the  recent  w orks  with  their   m et ho do l ogie s  com par ed  with  the  pro po se d  w ork.   It   is  cl ear  that  fr om   the  accur aci es  li ste d  in  Table   2 ,  the  propos ed  al gorithm   resu lt   can  offe r   knowle dge  co ntributi on  by  a   new  m et ho dolo gy  with a n  acce pt able rec ogniti o n rate .       Table  2.  T he  a ccur acy   of the   pro po se d  m et ho dolo gy c om par ed  w it h rece nt se ver al   hand  d et ect io n  w or ks   No .   Metho d o lo g y   Accurac y   Citatio n /Year   1   Han d  Seg m en tatio n  by  d eep learnin g : CNN  (Co n v o lu ti o n al Neural  Net wo rk)   96%     [ 21 ]   / 20 1 9   2   Han d  Reco g n itio n :  Skin  and   W rist  De tectio n  by  PCA  +  Euclid ean d istan ce.   93%   [ 22 ]   / 20 1 9   3   Han d  Seg m en tatio n  and  Fing ertip Tr acki n g  f ro m   Dep th  Ca m e ra  I m ag es  U sin g   Deep  Co n v o l u tio n al Neu ral  Net wo rk an d  M u lti - task  SegNet.   83%   [ 23 ]   / 20 1 9   4   Prop o sed   m e th o d   96%         6.   CONCL US I O N   W it h  an  im pr ovem ent  hap pe ned   in  c om pu te r  visio n  an d  m achine  le arn i ng   in  the  fiel ds  relat ed  to  hu m an - c om pu te r  interact io n,  hand  detect ion  researc hes   are   bec om ing   i m portant  am ong  researc he rs.   I n  this   pap e r,   a  new   al gorithm   has  been   pro posed   and   te ste d  s o  as  to  pr e dict  hand  ver ses  non - hand  ob j ect   in  a n  i m age  that  co nt ai ns   a  c om ple x  backg rou nd.  The  operati on  is  kicke d  off  by   searchi ng  on   colo r  s kin  obje ct s,   then  e xam inatio n  operati on  f or   eac h  obj ect   is  perf or m ed  by  the  pro po s ed   al gorithm ,  wh ic h  is  pr e dicti ng   a  ref ere nce  poi nt  (Ref _Pnt)  in   the  obj ect   the n  drawi ng   a  ri gh t  li ne  slo p  from   Re f_ Pn t  an d  drawi ng   a  le ft  li ne  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Han d detec ti on and se gm e nta t ion   us i ng smar t pa t h  tr ackin g f ing ers  as f eat ur es  and…    ( Kha le d  N.  Y as en )   5285   slop   from   Re f_ P nt  the n  m erg in g  them   to  be  a  sm art  scann e d  path .  Fin al ly ,  com pu ti ng   the  Fli p_N um ber ,  wh ic h  is  ba sed   on ly   on   t he  s cann e d  path ,  a ct s  th e  featu re   of   t his  syst em .  The  c onduct e d  ex pe rim ents  wer e   perform ed  by  us in g  10 0  ha nd  i m ages  or i gi nated  f ro m   ran dom   10 - in di vidual  ta ken   f ro m   dataset   na m ed   Dataset   of  Lea p  Moti on  a nd  Mi cro s of t  Kine ct   hand  ac quisi ti on s.  The  pe rfor m ance  of  t he  propose d  al gorit hm   is  up   t o  84%   and   81%  in  case  the  Fli p_ Nu m ber   feat ure  is  7  an d  8  res pecti vely .  F or   t he  f uture  work,   the  pro posed  a lgorit hm   m igh t  be  de velo pe d  by  en han ci ng   t he  accu racy  by   add i ng   a nothe r  exam ining   id ea  to  boos t t he han d object  resu lt  a nd incl ud i ng dar k  s k in  h a nd  detect ion  as  w el l.       REFERE NCE S   [1]   Pati l,   N.M.  and   S.  Pati l,   “ Re v i ew  on  real - ti me  EMG  acqui si ti on  and  hand  gesture  rec ognition  system ,”   in  El e ct roni cs,   Co m m unic at ion  an d  Aerospace  T echnolog y   (ICEC A),  2017  In te rn a ti onal c onf ere n c e  of. IE EE ,  2017 .   [2]   Mala llah,   F.L . ,   e t  a l.,  “ A  Review  of  Biom et r ic  T emplat e   Prote ct i on  Techni ques   f or  Online  Hand writt en   Signat ur e   Applic a ti on , ” Int ernati onal   Revi e w  on  Computers  and  Soft ware   ( I.   RE .   CO.  S . ) ,   8(1 2) , 2013.   [3]   Mala llah,   F. L.,  et   al.,   “ H y b rid  Hand - Dire ctiona l  Gesture s  For  Biom et ric   Bas ed   On  Area   Feat ur e  Ext r ac t ion  And   Expe rt   S y st em ,” Journal  of   Theoretical  &   Appl ie d  Information  Te c hnology ,  95(23) , 2017 .   [4]   Mala llah,   F. L.,   et   al . ,   “ Irre ver sible   Biom et ri c   Te m pla te   Prot ec t ion  b y   Tr igo nom et ric   Function ,” Int ernati ona l   Re v ie w  on   Comp ute rs   and  Sof twa re  ( IRE COS) , 11:   p.   1138 - 1146 ,   2 016 .   [5]   Sonkus are ,   J.S.,   et   al.  “ A  rev ie w  on  hand  gesture  rec ognit ion  syst em ,” in  Com puting  Comm unic at i on  Control   and  Autom at ion  (IC CUBEA),  2015  I nte rna ti ona l  Con fer ence  on ,   I EEE ,  2015 .   [6]   Kaur,   H.  and  J.  Rani .   “ A  rev i ew :  Study   of  vario us  te chni ques  of   Hand  gesture  r ec ogni ti on ,” in  Pow er  El ectroni c s,  Inte lligen t  Contr ol  and   En erg y   S y stems   (ICPEIC ES),   IE EE Int ern at ion al   Conf ere n ce   on ,  I EEE ,   201 6 .   [7]   Sul y m an,   A.A . ,   et   a l.,  “ Rea l - T ime  Num eri ca l  0 - 5   Counti ng  B ase d  On  Hand - Finger  Gesture s   Rec ogni ti on ,”   Journal  of   Theoretical  &   Appl ie d  Information  Te c hnology ,  95(13) ,  2017.   [8]   W ang,   Y. - R. ,   W . - H.  Li n ,   and  L .   “ Yang.   A  fast  hand  motion  det e ct ion  based  on  FIF O ,” in  Mac hi ne  Le a rning  and  C y ber n etics  (IC MLC),   2017   Internat ion al   Conf er enc e   on.   IE EE ,   2 017 .   [9]   Kim ,   J.,   J.  Baek,  and  E.   Kim .   “ A  part - based   rotati onal  inv a riant  hand  det e ct ion ,”   in  Fuzzy   Th eor y   and  I ts  Applic a ti ons (i F UZZY),   2013   In te rna ti ona l  Conf ere nc e  on .   IE EE ,   2013 .   [10]   Oh,  J.Y.,  e t  al .   “ A  hand  and   wris t  detec t ion  method  for  uno btrusive   hand   g esture  in te ract io ns  using  HMD ,”   in  Consum er  Ele ct roni cs - As ia   (I CCE - As ia ),   IEEE  Int ern ationa l Confere nc e  on .   I EE E ,   2016 .   [11]   Kaur,   T.,  J.  Gam bhir,   and  S.  Kum ar.   “ Arduin o  based  solar  p owered  batt ery   charging  system  for  rur al  S HS ,”   in  Pow er  E lectr o nic s (IICPE) ,   20 16  7th  Ind ia Int e rna ti on al   Conf er enc e   on.   IE EE ,   2 016 .   [12]   Le ,   T . - H. ,   et   a l.   “ An  ef f ic i ent  hand  det ec t io n  method  based  on  conv olut i onal  neural  ne twork ,”   in  201 8  7thInt ern at ion al  S y m posium   on  Next  Gene ration   Elec tron ic s (IS NE) ,  I EE E ,   201 8 .   [13]   Li ,   H . ,   et   al.  “ Hands   det ection  b ased  on  stati sti c al  le arning ,”   in  Computati onal  I nte lligen ce   and  Design  ( ISCID ) ,   2012  Fifth  In te r nati onal  S ymposium on ,   IEEE ,   2 012 .   [14]   Meng,   X. ,   J.   Lin,  and   Y.  Di ng .   “ An  e xt end ed  HO G  model:   SCHO G  for  human  hand  de te c tion ,” in  S y st ems   and   Inform at ic s (ICS AI),  2012  In te rn at ion al   Conf ere n ce   on .   I EEE ,   201 2 .   [15]   W ang,   Y. - R. ,   W . - H.  L in,  and   L.  Yang.   “ An   imp rove d  hand  d et e ct ion  b y  employing  corne r  d et e c tor ,” in  Mac h ine  Le arn ing   and  C yber netics  (ICML C),   2014   Inte rn a ti onal Confe r ence  on ,  IE EE ,   201 4 .   [16]   Mala llah,   F.L . ,   et   al . ,   “ Vision - B ase d  Contro l  B y  Hand - Dire ct ion al   Gestur es  Con ver ti ng   To  Voi c e ,” In te rnationa l  Journal  Of  S cien ti fic  &   Technol ogy  R ese arch .  7( 7 ).   [17]   Marin,   G.,   F.  Dom ini o,   and  P.  Zanutti gh.   “ Hand  gesture  rec ognitio n  wit h  le ap  moti on  and  ki nec t  de vi c es ,” in  Im age  Proce ss ing  (ICIP),  2014   IEEE  In t ern ational Conference on.   IE EE ,   2014 .   [18]   Mala llah,   F.L . ,   et   al.,   “ Online   h andwri tten  signa ture   rec ogn it ion   b y   le ngth  norm al i za t ion  using  up - sam pli ng  and  down - sam pli ng ,” Inte rnat ional   J ournal  of  C ybe r - Sec urit y  and   Dig it al Forensic s ( I JCSDF ),   4 (1):  p .   302 - 313 ,   2015 .   [19]   Mala llah,   F. L.,   et   al.,   “ Non - Inve rti bl e  Onlin e  Signat ure   B i om et ric   T empla te   Protection  v ia   Shuffling  an d  Tri gonom et r y   Tr ansform at ion ,” In te rnational   Jour nal  of   Computer  Appl ic a ti ons ,  98 (4) , 2014.   [20]   Alkassar,   S. ,   e t  a l.,  “ Robust  scle r a  r ec ogni ti on  s y s te m   wi th  nove l  scl era  segm ent ation  and  va li da ti o n   te chn ique s ,” IEEE  Tr ansacti ons  on  Syste ms ,   Man ,   and   Cybe rne ti c s: Sy stems ,  47 (3) ,   p .   474 - 486 ,   20 17 .   [21]   Ron y ,   M.R. A . H.  and   M.M.  Al am.  “ Hand  gesture  rec ogni ti on   using  image  s egme ntation  an d  dee p  n eural   net work ,” in  E leventh  Int ern atio nal   Confer ence  on  Mac hine   Visi on  (ICMV   2018 ) ,  Inte rn ational   Socie t y   for  Opt i cs  and  Photoni cs ,   2 019 .   [22]   Yada v,   K. ,   et   al.,   “ Hand  Gesture   Rec ogni ti on  u sing  Im prove d  Skin  and  W rist  Dete c ti on  Algor it hm s  for  India n  Sign ,”  Journal  o f  Ne twork  Comm unic ati ons   and  E merging  Technologies  ( JNCE T)   www.  jn ce t .   org ,  9( 2) ,  2019.   [23]   Ngu y en ,   H. - D.  and  S. - H.  Kim ,   “ Hand  Segme ntat ion  and  Fi nge rtip  Tr ack ing  from  Depth  Came ra  Images  Us in g   Dee p  Convo lut io nal  Neural   Net w ork  and  Mul ti - ta sk  SegNet ,”   arXi v  pre prin t arXiv:1901.03465,   201 9.   Evaluation Warning : The document was created with Spire.PDF for Python.