Modelo de visión artificial para el reconocimiento de la Lengua de Señas Mexicana
Machine Vision Model for Mexican Sign Language Recognition
DOI:
https://doi.org/10.5281/zenodo.17546270Keywords:
Machine vision, Deep Learning, MexMeican Sign Language (MSL), Design Thinking, CommunicationAbstract
There are millions of people with disabilities in the world today who face discrimination and are marginalized by many activities. As a result, they lead a life with limits that do not allow them to spend their days with total satisfaction. Therefore, a computational model for the recognition of Mexican Sign Language (LSM) was designed, using image processing, artificial vision tools and Artificial Neural Networks (ANN), to provide a proposal for this area of opportunity. To obtain the conceptual design of the prototype, the Design Thinking (DT) methodology was used, in which user-centered design is extremely important for the solution of the problem. The final objective is to develop a computer system for the recognition of LSM used by people with hearing disabilities, speech disabilities or both, and who are forced to communicate using sign languages.
References
Cisco Systems. (2015). Perspectiva ejecutiva sobre la nube: Computación en la nube, un cambio en la función e importancia de los equipos de TI. Cisco Systems, Inc. https://www.cisco.com/c/dam/r/es/la/internet-of-everything-ioe/assets/pdfs/c11_733578_00_intercloud_wp_v5a.pdf
INDEPEDI, Capital Social Por Ti. (2017). Diccionario de Lengua de Señas Mexicana-Ciudad de México (LSM). Ciudad de México: DLSM COMISA.indb.
Dinngo Lab. (2022). Design Thinking en español. Recuperado de: https://www.designthinking.es/inicio/index.php
Garcia Incertis, I., Gomez Garcia-Bermejo, J., & Zalama Casanova, E. (2006). Hand Gesture Recognition for Deaf People Interfacing. ICPR '06: Proceedings of the 18th International Conference on Pattern Recognition. https://doi.org/10.1109/ICPR.2006.619.
González Riveros, C. G., & Yimes Inostra, F. J. (2016). Sistema de reconocimiento gestual de lengua chilena mediante cámara digital. Valparaíso, Chile: Pontificia Universidad Católica.
Instituto Nacional de Estadística y Geografía, INEGI (2020). Información de México para niños: Discapacidad. Obtenido de https://cuentame.inegi.org.mx/poblacion/discapacidad.aspx#:~:text=De%20acuerdo%20con%20el%20Censo,la%20población%20total%20del%20país.
Li, Y. (2012). Hand gesture recognition using Kinect. Louisville, Kentucky: University of Louisville. https://ir.library.louisville.edu/etd/823
López Saca, F. (2019). Clasificación de imágenes usando redes neuronales convolucionales. Ciudad de México: Universidad Autónoma Metropolitana.
Mejía López, J. A., Ruiz Guzmán, O. A., Gaviria Ocampo, L. N., & Ruiz Guzmán, C. P. (2019). Aplicación de metodología design thinking en el desarrollo de cortadora automática CNC para MiPyME de confección. Revista UIS Ingenierías, 18(3), 157-168. doi: https://doi.org/10.18273/revuin.v18n3-2019016
Razo Gil, L. J. (2009). Sistema para el reconocimiento del alfabeto dactilológico. Ciudad de México: Centro de investigación en computación - Instituto Politécnico Nacional.
Santos, D., Dallos, L., & Gaona García, P. A. (2020). Algoritmos de rastreo de movimiento utilizando técnicas de inteligencia artificial y machine learning. Información Tecnológica, 31(3), 23-38. doi: http://dx.doi.org/10.4067/S0718-07642020000300023
Serafín de Fleischman, M. E., & González Pérez, R. (2011). Manos con voz. Diccionario de lengua de señas mexicana. Ciudad de México: CONAPRED.
Downloads
Published
How to Cite
Conference Proceedings Volume
Section
License
Copyright (c) 2025 Derlis Hern´ández Lara, Emmanuel Tonatihu Juárez Velázquez, Carlos Alfonso Trejo Villanueva
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
