CN105824420B - 一种基于加速度传感器的手势识别方法 - Google Patents

一种基于加速度传感器的手势识别方法 Download PDF

Info

Publication number
CN105824420B
CN105824420B CN201610159248.1A CN201610159248A CN105824420B CN 105824420 B CN105824420 B CN 105824420B CN 201610159248 A CN201610159248 A CN 201610159248A CN 105824420 B CN105824420 B CN 105824420B
Authority
CN
China
Prior art keywords
gesture
acceleration
data
axis
angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610159248.1A
Other languages
English (en)
Other versions
CN105824420A (zh
Inventor
李骁
杨明胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chen Ailian
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610159248.1A priority Critical patent/CN105824420B/zh
Publication of CN105824420A publication Critical patent/CN105824420A/zh
Application granted granted Critical
Publication of CN105824420B publication Critical patent/CN105824420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors

Abstract

本发明公开了一种基于加速度传感器的手势识别方法，属于手势识别技术领域。本发明得手势识别方法在计算过程中，可自动判断动作的起点和终点。不需要外界的控制介入。本发明分三步(夹角、特征、状态)逐步排除掉不符合标准的手势，减少了总体计算量，同时也降低了误操作的几率。本发明的动作库特征通过采集大量手势标本获得，由系统输入，不能由用户个体自行调整设置。这样虽然对手势的特征差异性要求高，但计算量小，识别率高，提高了算法的实时性，可以以低成本达到快速识别。

Description

一种基于加速度传感器的手势识别方法
技术领域
本发明属于手势识别技术领域，特别涉及一种基于加速度传感器的手势识别方法。
背景技术
智能穿戴设备作为目前制造领域前沿方向之一，包括手势识别在内的运动识别被广泛应用于智能穿戴设备中，将加速度传感器应用到手势识别技术领域，通过分析人手势运动时所产生的加速度信号来进行检测、识别用户的运动状态并实现对智能设备的操作。然而目前的加速度传感器应用于手势识别领域中存在着不能较准确的判断动作的起止点(或需要手动设置)，不能很好的判断筛选出不符合标准的手势、造成误操作等缺点。
发明内容
本发明的目的在于克服上述现有技术中存在的缺点与不足，提供一种基于加速度传感器的手势识别方法。
本发明的目的通过下述技术方案实现：一种基于加速度传感器的手势识别方法，包括如下步骤：
(1)通过传感器采集用户手部动作的加速度数据和角速度数据；
(2)对步骤(1)采集的数据进行卡尔曼滤波，去除手势过程中的抖动干扰和传感器杂波；
(3)进行动作的边界检测，利用手势动作与加速度变化量的相关性，自动判断动作的起止点，并截取此段动作数据作为本次的判断手势；
(4)对步骤(3)截取的动作数据进行高通滤波和低通滤波，过滤掉非手势动作数据，进一步剔除干扰；
(5)姿态计算，根据传感器数据计算出运动时传感器与地平面的夹角，获得姿态数据，并根据夹角排除掉方向异常的误操作手势；
(6)根据角速度数据、加速度数据及姿态数据，与动作库中的手势动作特征进行比对，确认手势是否有效、及手势类型；
(7)该算法匹配的手势控制装置，具有多种工作状态；根据装置的当前状态，若手势有效，则发出对应指令；这样同一手势在不同状态下代表不同指令，可以有效减少手势数量，便于识别，也方便用户记忆。
所述步骤(1)采集数据时，按固定的时间间隔对加速度数据进行采样。
所述步骤(2)采用卡尔曼滤波(Kalman filtering)，在已知测量方差的情况下，对传感器采集到的数据，进行实时更新，算出当前真实数据的最优解，过滤掉手势过程中手的抖动和传感器硬件本身的精度误差。
所述步骤(3)采用基于加速度变化量的边界检测方法，计算方式如下：
1)先分别计算每个采样点的x、y、z轴线性加速度(过滤掉重力影响)，
其中，aoxi、aoyi、aozi为第i个采样点测得x、y、z轴加速度数据，gxi、gyi、gzi为该采样点重力加速度在x、y、z轴的分量；
2)计算第i个采样点的加速度差分绝对值之和Δai,
Δai＝abS(axi--ax(i-1))+abS(ayi-ay(i-1))+abS(azi-az(i-1))
3)定义N为采样数据个数，Mth为起点和终点的检测阙值：
如果则i即为手势起点；
如果且已有起点时，则i为手势终点。
所述步骤(4)的初步过滤方式，先考察动作库中所有手势的加速度变化量、动作时间长度的最大值和最小值，利用边界限定规则，对步骤(3)中截取到的动作数据做判定，丢弃掉不在此最大值和最小值范围内的数据。
所述步骤(5)的姿态计算，计算方式如下：先根据重力加速度在x、y、z轴上的分量gx、gy、gz，转化为表示传感器旋转角的四元数q＝[w，x，y，z]π(或可直接由传感器输出四元数)；再根据四元数q计算出传感器与地面的夹角，分别是偏航角ψ(z轴)、俯仰角θ(y轴)、横滚角(x轴)：
若当前手势的夹角范围在预设范围内，则将此数据带入下一步。
所述步骤(6)中动作库中的手势动作，基于以下特征点来区分：
①加速度变化值中的最大值和最小值：即步骤(3)中计算的加速度差
分绝对值之和Δai的最大值和最小值；
②手势时间长度L：L＝t终点时间-t起点时间；
③x、y、z三轴方向的加速度变化值，并确定其中加速度变化最大的轴：
其中，L即为手势的时间长度；
④x、y、z三轴方向的角速度变化值，并确定其中角速度变化最大的轴：
其中，每个采样点的ψ、θ、即为步骤(5)中计算的偏航角ψ(z轴)、俯仰角θ(y轴)、横滚角(x轴)；
⑤在x、y、z三轴上各扫过的角度：
⑥加速度变化波峰数Px、Py、Pz：在手势边界内，设备在x、y、z轴上出现的加速度波峰数；
⑦角速度变化波峰数Pψ、Pθ、在手势边界内，设备在x、y、z轴上出现的角速度波峰数；
针对步骤(5)得到的数据，按上述7个特征点的顺序进行逐项比对；如果与动作库中某个手势的所有特征点都符合，则判定为该手势，终止判定过程；如找不到相符的动作，则判断该手势无效，终止判定过程。
所述动作库内的特征数据，通过采集不同状态、不同个体的手势标本获得，由系统输入，不能由用户个体自行调整设置；该方案对手势的特征差异性要求高，但计算量小，识别率高，不需要针对单个个体做适配，可以以低成本达到快速识别。
本发明相对于现有技术具有如下的优点及效果：
1.计算过程中，可自动判断动作的起点和终点。不需要外界的控制介入。
2.分三步(夹角、特征、状态)逐步排除掉不符合标准的手势，减少了总体计算量，同时也降低了误操作的几率。
3.动作库特征通过采集大量手势标本获得，由系统输入，不能由用户个体自行调整设置。这样虽然对手势的特征差异性要求高，但计算量小，识别率高，提高了算法的实时性，可以以低成本达到快速识别。
4.该算法匹配的手势控制装置具有多种工作状态，同一手势在不同状态下，代表的指令不同。这样可以减少手势数量，正好可以解决了第3条所述“手势的特征差异性要求高”的问题，便于计算识别，也方便用户记忆。
附图说明
图1是本发明基于加速度传感器的手势识别方法流程图。
图2是本发明步骤(3)采用基于加速度变化量的边界检测方法的结果图；其中，A为起点，B为终点。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
如图1所示，本发明提供了一种基于加速度传感器的手势识别方法，包括如下步骤：
(1)通过传感器采集用户手部动作的加速度数据和角速度数据；
(2)对步骤(1)采集的数据进行卡尔曼滤波，去除手势过程中的抖动干扰和传感器杂波；
(3)进行动作的边界检测，利用手势动作与加速度变化量的相关性，自动判断动作的起止点，并截取此段动作数据作为本次的判断手势；
(4)对步骤(3)截取的动作数据进行高通滤波和低通滤波，过滤掉非手势动作数据，进一步剔除干扰；
(5)姿态计算，根据传感器数据计算出运动时传感器与地平面的夹角，获得姿态数据，并根据夹角排除掉方向异常的误操作手势；
(6)根据角速度数据、加速度数据及姿态数据，与动作库中的手势动作特征进行比对，确认手势是否有效、及手势类型；
(7)该算法匹配的手势控制装置，具有多种工作状态；根据装置的当前状态，若手势有效，则发出对应指令；这样同一手势在不同状态下代表不同指令，可以有效减少手势数量，便于识别，也方便用户记忆。
所述步骤(1)采集数据时，按固定的时间间隔对加速度数据进行采样。
所述步骤(2)采用卡尔曼滤波(Kalman filtering)，在已知测量方差的情况下，对传感器采集到的数据，进行实时更新，算出当前真实数据的最优解，过滤掉手势过程中手的抖动和传感器硬件本身的精度误差。
所述步骤(3)采用基于加速度变化量的边界检测方法，分析图见图2所示，计算方式如下：
1)先分别计算每个采样点的x、y、z轴线性加速度(过滤掉重力影响)，
其中，aoxi、aoyi、aozi为第i个采样点测得x、y、z轴加速度数据，gxi、gyi、gzi为该采样点重力加速度在x、y、z轴的分量；
2)计算第i个采样点的加速度差分绝对值之和Δai,
Δai＝abS(axi--ax(i-1))+abS(ayi-ay(i-1))+abS(azi-az(i-1))
3)定义N为采样数据个数，Mth为起点和终点的检测阙值：
如果则i即为手势起点；
如果且已有起点时，则i为手势终点。
所述步骤(4)的初步过滤方式，先考察动作库中所有手势的加速度变化量、动作时间长度的最大值和最小值，利用边界限定规则，对步骤(3)中截取到的动作数据做判定，丢弃掉不在此最大值和最小值范围内的数据。
所述步骤(5)的姿态计算，计算方式如下：先根据重力加速度在x、y、z轴上的分量gx、gy、gz，转化为表示传感器旋转角的四元数q＝[w，x，y，z]π(或可直接由传感器输出四元数)；再根据四元数q计算出传感器与地面的夹角，分别是偏航角ψ(z轴)、俯仰角θ(y轴)、横滚角(x轴)：
若当前手势的夹角范围在预设范围内，则将此数据带入下一步。
所述步骤(6)中动作库中的手势动作，基于以下特征点来区分：
①加速度变化值中的最大值和最小值：即步骤(3)中计算的加速度差分绝对值之和Δai的最大值和最小值；
②手势时间长度L：L＝t终点时间-t起点时间；
③x、y、z三轴方向的加速度变化值，并确定其中加速度变化最大的轴：
其中，L即为手势的时间长度；
④x、y、z三轴方向的角速度变化值，并确定其中角速度变化最大的轴：
其中，每个采样点的ψ、θ、即为步骤(5)中计算的偏航角ψ(z轴)、俯仰角θ(y轴)、横滚角(x轴)；
⑤在x、y、z三轴上各扫过的角度：
⑥加速度变化波峰数Px、Py、Pz:在手势边界内，设备在x、y、z轴上出现的加速度波峰数；
⑦角速度变化波峰数在手势边界内，设备在x、y、z轴上出现的角速度波峰数；
针对步骤(5)得到的数据，按上述7个特征点的顺序进行逐项比对；如果与动作库中某个手势的所有特征点都符合，则判定为该手势，终止判定过程；如找不到相符的动作，则判断该手势无效，终止判定过程。
所述动作库内的特征数据，通过采集不同状态、不同个体的手势标本获得，由系统输入，不能由用户个体自行调整设置；该方案对手势的特征差异性要求高，但计算量小，识别率高，不需要针对单个个体做适配，可以以低成本达到快速识别。
本发明相对于现有技术具有如下的优点及效果：
1.计算过程中，可自动判断动作的起点和终点。不需要外界的控制介入。
2.分三步(夹角、特征、状态)逐步排除掉不符合标准的手势，减少了总体计算量，同时也降低了误操作的几率。
3.动作库特征通过采集大量手势标本获得，由系统输入，不能由用户个体自行调整设置。这样虽然对手势的特征差异性要求高，但计算量小，识别率高，提高了算法的实时性，可以以低成本达到快速识别。
4.该算法匹配的手势控制装置具有多种工作状态，同一手势在不同状态下，代表的指令不同。这样可以减少手势数量，正好解决了第3条所述“手势的特征差异性要求高”的问题，便于计算识别，也方便用户记忆。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于加速度传感器的手势识别方法，其特征在于：包括如下步骤：
(1)通过传感器采集用户手部动作的加速度数据和角速度数据；
(2)对步骤(1)采集的数据进行卡尔曼滤波，去除手势过程中的抖动干扰和传感器杂波；
(3)进行动作的边界检测，利用手势动作与加速度变化量的相关性，自动判断动作的起止点，并截取此段动作数据作为本次的判断手势；
(4)对步骤(3)截取的动作数据进行高通滤波和低通滤波，过滤掉非手势动作数据，进一步剔除干扰；
(5)姿态计算，根据传感器数据计算出运动时传感器与地平面的夹角，获得姿态数据，并根据夹角排除掉方向异常的误操作手势；
(6)根据角速度数据、加速度数据及姿态数据，与动作库中的手势动作特征进行比对，确认手势是否有效、及手势类型；
(7)该方法匹配的手势控制装置，具有多种工作状态；根据装置的当前状态，若手势有效，则发出对应指令；这样同一手势在不同状态下代表不同指令，
所述步骤(6)中动作库中的手势动作，基于以下特征点来区分：
①加速度变化值中的最大值和最小值：即步骤(3)中计算的加速度差分绝对值之和Δaj的最大值和最小值；
②手势时间长度L：L＝t终点时间-t起点时间；
③x、y、z三轴方向的加速度变化值，并确定其中加速度变化最大的轴：
其中，L即为手势的时间长度；
④x、y、z三轴方向的角度变化值，并确定其中角度变化最大的轴：
其中，每个采样点的ψ、θ、即为步骤(5)中计算的z轴的偏航角ψ、y轴的俯仰角θ、x轴的横滚角
⑤在x、y、z三轴上各扫过的角度：
⑥加速度变化波峰数Px、Py、Pz：在手势边界内，设备在x、y、z轴上出现的加速度波峰数；
⑦角速度变化波峰数Pψ、Pθ、在手势边界内，设备在x、y、z轴上出现的角速度波峰数；
针对步骤(5)得到的数据，按上述7个特征点的顺序进行逐项比对；如果与动作库中某个手势的所有特征点都符合，则判定为该手势，终止判定过程；如找不到相符的动作，则判断该手势无效，终止判定过程；所述动作库内的特征数据，通过采集不同状态、不同个体的手势标本获得，由系统输入，不能由用户个体自行调整设置。
2.根据权利要求1所述的基于加速度传感器的手势识别方法，其特征在于：所述步骤(1)采集数据时，按固定的时间间隔对加速度数据进行采样。
3.根据权利要求1所述的基于加速度传感器的手势识别方法，其特征在于：所述步骤(2)采用卡尔曼滤波，在已知测量方差的情况下，对传感器采集到的数据，进行实时更新，算出当前真实数据的最优解，过滤掉手势过程中手的抖动和传感器硬件本身的精度误差。
4.根据权利要求1所述的基于加速度传感器的手势识别方法，其特征在于：所述步骤(3)采用基于加速度变化量的边界检测方法，计算方式如下：
1)先分别计算每个采样点过滤掉重力影响的x、y、z轴线性加速度，
其中，aoxj、aoyj、aozj为第j个采样点测得x、y、z轴加速度数据，gxj、gyj、gzj为该采样点重力加速度在x、y、z轴的分量；
2)计算第j个采样点的加速度差分绝对值之和Δaj，
Δaj＝abs(axj-ax(j-1))+abs(ayj-ay(j-1))+abs(azj-az(j-1))
3)定义N为采样数据个数，Mth为起点和终点的检测阈值：
如果则j即为手势起点；
如果且已有起点时，则j 为手势终点。
5.根据权利要求1所述的基于加速度传感器的手势识别方法，其特征在于：所述步骤(4)的初步过滤方式，先考察动作库中所有手势的加速度变化量、动作时间长度的最大值和最小值，利用边界限定规则，对步骤(3)中截取到的动作数据做判定，丢弃掉不在此最大值和最小值范围内的数据。
6.根据权利要求1所述的基于加速度传感器的手势识别方法，其特征在于：所述步骤(5)的姿态计算，计算方式如下：先根据重力加速度在x、y、z轴上的分量gx、gy、gz，转化为表示传感器旋转角的四元数q＝[w，x，y，z]π；再根据四元数q计算出传感器与地面的夹角，分别是z轴的偏航角ψ、y轴的俯仰角θ、x轴的横滚角
若当前手势的夹角范围在预设范围内，则将此数据带入下一步。
CN201610159248.1A 2016-03-21 2016-03-21 一种基于加速度传感器的手势识别方法 Active CN105824420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610159248.1A CN105824420B (zh) 2016-03-21 2016-03-21 一种基于加速度传感器的手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610159248.1A CN105824420B (zh) 2016-03-21 2016-03-21 一种基于加速度传感器的手势识别方法

Publications (2)

Publication Number Publication Date
CN105824420A CN105824420A (zh) 2016-08-03
CN105824420B true CN105824420B (zh) 2018-09-14

Family

ID=56524667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610159248.1A Active CN105824420B (zh) 2016-03-21 2016-03-21 一种基于加速度传感器的手势识别方法

Country Status (1)

Country Link
CN (1) CN105824420B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372673A (zh) * 2016-09-06 2017-02-01 深圳市民展科技开发有限公司 一种装置动作识别方法
CN106990841A (zh) * 2017-03-30 2017-07-28 无锡云瞳信息科技有限公司 基于运动传感器的手势识别方法及智能可穿戴摄像机
CN108960016A (zh) * 2017-05-25 2018-12-07 富士通株式会社 检测特定动作的方法和设备
CN108108015A (zh) * 2017-11-20 2018-06-01 电子科技大学 一种基于手机陀螺仪和动态时间规整的动作手势识别方法
CN109262608A (zh) * 2018-08-22 2019-01-25 南京阿凡达机器人科技有限公司 一种遥控机器人进行格斗的方法及系统
CN111259694B (zh) * 2018-11-30 2021-02-12 北京字节跳动网络技术有限公司 基于视频的手势移动方向识别方法、装置、终端和介质
CN109883531A (zh) * 2019-03-05 2019-06-14 广州亚美信息科技有限公司 基于加速度传感器的车辆震动类型识别方法和系统
CN110187772B (zh) * 2019-06-03 2020-09-25 中国科学院电子学研究所 拍掌手势识别的方法
CN110377159B (zh) * 2019-07-24 2023-06-09 张洋 动作识别方法和装置
CN113655879A (zh) * 2021-07-15 2021-11-16 上海交通大学 基于加速度计的手势识别方法及系统
CN115695518B (zh) * 2023-01-04 2023-06-30 广东保伦电子股份有限公司 一种基于智能移动设备的ppt控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104185050A (zh) * 2014-07-30 2014-12-03 哈尔滨工业大学深圳研究生院 基于ott电视的智能遥控系统及其控制方法
CN104731307A (zh) * 2013-12-20 2015-06-24 孙伯元 一种体感动作识别方法及人机交互装置
CN104866099A (zh) * 2015-05-27 2015-08-26 东南大学 基于运动传感器提高智能设备手势识别精度的误差补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101185144B1 (ko) * 2006-01-24 2012-09-24 삼성전자주식회사 제스쳐의 2차원 궤적을 추정하는 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731307A (zh) * 2013-12-20 2015-06-24 孙伯元 一种体感动作识别方法及人机交互装置
CN104185050A (zh) * 2014-07-30 2014-12-03 哈尔滨工业大学深圳研究生院 基于ott电视的智能遥控系统及其控制方法
CN104866099A (zh) * 2015-05-27 2015-08-26 东南大学 基于运动传感器提高智能设备手势识别精度的误差补偿方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于加速度传感器的手势识别;代宏斌;《中国优秀硕士学位论文全文数据库》;20140915(第9期);第9-27页 *

Also Published As

Publication number Publication date
CN105824420A (zh) 2016-08-03

Similar Documents

Publication Publication Date Title
CN105824420B (zh) 一种基于加速度传感器的手势识别方法
US9221170B2 (en) Method and apparatus for controlling a robotic device via wearable sensors
US20190065872A1 (en) Behavior recognition apparatus, learning apparatus, and method and program therefor
CN111666891B (zh) 用于估计障碍物运动状态的方法和装置
CN105877757A (zh) 多传感器集成的人体运动姿态捕获与识别装置
CN111611901B (zh) 车辆逆行检测方法、装置、设备以及存储介质
EP2975867A1 (en) Method for detecting driving events of a vehicle based on a smartphone
CN110057380B (zh) 计步方法、装置、终端和存储介质
CN111095164A (zh) 用于依据姿态来检测用户输入的方法和设备
CN110327050B (zh) 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
CN107463873B (zh) 一种基于rgbd深度传感器的实时手势分析与评价方法与系统
CN107766930B (zh) 基于dtw群集模糊分群som神经元的等效rom距离计算方法
JP2019112049A (ja) 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置
CN109540143B (zh) 多传感源动态峰值融合的行人非常规动作方向识别方法
CN107358248B (zh) 一种提高跌倒检测系统精度的方法
WO2019033587A1 (zh) 基于智能手表的gps漂移过滤方法和智能手表
WO2017185222A1 (zh) 一种基于球类运动的运动轨迹采集和分析的系统与方法
CN107662613B (zh) 一种基于移动群智感知的极端驾驶行为识别方法及系统
CN107203271B (zh) 基于多传感器融合技术的双手识别方法
CN108051001B (zh) 一种机器人移动控制方法、系统及惯性传感控制装置
CN106408593A (zh) 一种基于视频的车辆跟踪方法及装置
CN106740865B (zh) 一种依加速度和陀螺仪判定车辆急转弯事件的方法
Zhao et al. POSITIONING AND GRABBING TECHNOLOGY OF INDUSTRIAL ROBOT BASED ON VISION.
CN114120252A (zh) 自动驾驶车辆状态的识别方法、装置、电子设备及车辆
CN107510335B (zh) 一种水杯饮水量统计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201022

Address after: No.242, dongshuangding village, Yaxi Town, Rongcheng City, Weihai City, Shandong Province

Patentee after: Chen Ailian

Address before: 518000 Guangdong city of Shenzhen province Baoan District Shengnawei Bay beauty garden 9A-2108

Patentee before: Li Xiao

TR01 Transfer of patent right