CN106095104A - 基于目标模型信息的连续手势轨迹分割方法及系统 - Google Patents
基于目标模型信息的连续手势轨迹分割方法及系统 Download PDFInfo
- Publication number
- CN106095104A CN106095104A CN201610442838.5A CN201610442838A CN106095104A CN 106095104 A CN106095104 A CN 106095104A CN 201610442838 A CN201610442838 A CN 201610442838A CN 106095104 A CN106095104 A CN 106095104A
- Authority
- CN
- China
- Prior art keywords
- track
- characteristic
- model information
- sampled
- target model
- 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.)
- Pending
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标模型信息的连续手势轨迹分割方法及系统,所述方法包括:对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;提取各等距离采样轨迹的形态特征,提取各等时间采样轨迹的速度特征;根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。本发明实现了连续轨迹准确、实时的自动分割。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是涉及一种基于目标模型信息的连续手势轨迹分割方法及系统。
背景技术
随着人机交互技术的发展,交互的方式越来越智能并且基于轨迹的应用也越来越广泛,无论是手写体识别、数字签名、步态分析等都是基于轨迹的方式来进行人机交互的应用。在文字出现以前,人类使用肢体语言来进行交互,动作、轨迹则是一种很有效且包含大量信息用于交互的方式,因此轨迹相关的识别、处理技术则显得尤为重要。连续轨迹识别技术相对于传统的轨迹识别技术要求更高,需要自动的分割、提取出轨迹段,轨迹的分割根据轨迹的特征进行分类,判断此段轨迹是否应提取出从而形成独立的一段轨迹。估计的分割策略需要考虑实时性、准确性等因素以便于估计的后续处理。
用于手势方面的连续轨迹分割算法主要分为两种,一种是基于特征阈值策略的分割,此种方式简单、易于实现,通过对待分割特征的统计从而获取最佳的阈值,然后根据阈值来分割轨迹段。例如根据速率特征,把轨迹中速率开始大于阈值的点认为是轨迹的起点,速率小于预知的点认为是轨迹的终点,从而提取出轨迹。另一种方式则是使用机器学习的方式来分割轨迹,通过对轨迹正负样本的标定与学习,完成对分类器的训练,再使用分类器直接对轨迹相应的特征进行分类,从而分割出轨迹,但这种方式的实时性较差。以上两种方式均是直接对轨迹进行分割,由于轨迹中常常含有噪声等影响,并且没有结合目标的先验知识,因此识别率不高。
现有技术中,与本发明的部分技术类似的专利有:
(1)分割轨迹的方法和装置,申请号:201410265082.2。该发明提出了一种用于轨迹的分割方法,它首先获取输入轨迹的多个轨迹点,然后根据速度、角度的变化获取轨迹序列中的待分割点,然后把这些分割点为真分割点与假分割点,最后再找出真分割点之间的对应关系求得真分割点对,从而完成轨迹的分割。该发明所提出的方法能克服由轨迹之中速度变小等因素所产生的分割点,并且能把此类分割点判别为假分割点从而滤除,但是整个算法并非用于连续轨迹的分割,其分割的有效性建立在轨迹的起止点停顿基础上,因此在实际使用中便利性不高。
(2)基于多规则的交互手势运动轨迹分割方法,申请号:201310335820.1。该发明提出了一种基于多规则的交互手势运动轨迹分割方法,该方法使用激光笔在屏幕上进行书写,并用摄像头拍摄用户持激光笔的书写交互手势视频,然后使用Camshift最优概率密度估计算法进行跟踪书写轨迹以提取手势的运动轨迹点,再将运动轨迹点参数化表示并设定约束条件,定义分割规则形成基于规则的轨迹分割策略,最终再使用贪心策略在符合规则的区间将轨迹点进行分割。由于所提出的方法是基于规则的分割,在分割点的规则制定方法上会很大程度的影响到后续分割效果,并且所提及的根据瞬时速度的分割规则鲁棒性较差,噪声对其所造成的影响较高,加之使用跟踪算法来获取轨迹点,在整个过程中的噪声引入较大,因此对分割的准确率有一定的影响。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于目标模型信息的连续手势轨迹分割方法及系统,实现了连续轨迹准确、实时的自动分割。
本发明的目的是通过以下技术方案来实现的:基于目标模型信息的连续手势轨迹分割方法,包括:对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;提取各等距离采样轨迹的形态特征,提取各等时间采样轨迹的速度特征;根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
所述等空间间隔重采样的采样公式为:
式中:d-当前采样点与前一次采样点的距离;αi--经过前一次等距离采样余下的距离;τ-等距离阈值,N可采样点数;αi-经过此次等距离采样余下的距离;k-使得条件不等式成立的最大正整数。
提取等距离采样轨迹的形态特征的公式为:
式中:fi-第i个形态特征;Δx-第i个采样点的横坐标与第i-1个采样点的横坐标之差;Δy-第i个采样点的纵坐标与第i-1个采样点的纵坐标之差。
提取等时间采样轨迹的速度特征的方法为:求出各个相邻采样点之间的速率作为速度特征。
根据所述形态特征采用模板匹配算法找出待选轨迹的方法为:根据所述等距离采样轨迹的形态特征和模板轨迹的特征序列构成一个相似度矩阵,所述相似度矩阵的每一个元素为所述形态特征和所述特征序列中对应的两个向量的相似度;检测相似度矩阵最后一行的代价总和,将所有代价总和小于阈值γ的等距离采样轨迹作为待选轨迹。
所述相似度的计算公式如下:
d(p(i,j))=cos-1(fi·fj) (公式三)
式中:d(p(i,j))-相似度矩阵中对应坐标的相似度,fi-等距离采样轨迹的形态特征中的第i个特征,fj-模板轨迹的特征序列中的第j个特征。
所述相似度矩阵中各个坐标的总代价值的计算公式如下:
ω(p(i,j))=d(p(i,j))+min{ω(p(i-1,j-1)),ω(p(i-1,j)),ω(p(i,j-1))} (公式四)
式中:ω(p(i,j))-到相似度矩阵中对应坐标时的累计总代价和;d(p(i,j))-相似度矩阵中对应坐标的相似度。
获取待选轨迹的起点和终点采用回溯的方法。
对所有待选轨迹速率特征进行分类采用SVM分类器。
基于目标模型信息的连续手势轨迹分割系统,包括:采样模块,用于对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;特征提取模块,用于提取各等距离采样轨迹的形态特征,以及提取各等时间采样轨迹的速度特征;轨迹识别模块,用于根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;轨迹分割模块,用于对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
本发明的有益效果是:本发明首先使用DTW算法结合目标的模型信息进行分割后再使用SVM分类器分割,这种方式相对传统直接对输入分割的方式来说准确率具有很大的提升,并且DTW为模板匹配算法,具有需要使用样本少,鲁棒性好,速度快等特点,在DTW算法初步识别后,对SVM算法使用简单的特征即可正确的分类,因此整个算法的速率也比持续对输入轨迹进行复杂分类识别快。
附图说明
图1为本发明中基于目标模型信息的连续手势轨迹分割方法的一个实施例的流程图;
图2为本发明一个实施例中等时间间隔重采样以及减速区域的示意图;
图3为本发明的一个实施例中DTW与SVM相结合的轨迹分割的示意图;
图4为本发明中基于目标模型信息的连续手势轨迹分割系统的一个实施例的流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,图1为基于目标模型信息的连续手势轨迹分割方法的一个实施例的流程图,本实施例从字符轨迹的角度对本发明的技术方案进行详细说明,但是本发明的技术方案并不限于字符轨迹,任何已知分割目标类型的连续轨迹都可以使用本发明的方法进行分割。
本实施例的方法包括以下步骤:
步骤一、对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹。
所述等空间间隔重采样的采样公式为:
式中:d-当前采样点与前一次采样点的距离(像素距离);αi-1-经过前一次等距离采样余下的距离;τ-等距离阈值,N可采样点数;αi-经过此次等距离采样余下的距离;k-使得条件不等式成立的最大正整数,,也即最大可采样点数。
公式一表明了对于采样点距离较小的区域通过累加的策略不断累积他们的距离,当距离和大于预先设置的距离阈值时保存相关的等距离采样点。当采样点之间的距离较大、远大于所设定的距离阈值时即可通过插值策略保证等距离采样。
由于后续要多轨迹段进行分割,传统的分割方式是让用户在起点和终点稍作停顿从而进行检测和分割;由于用户在写完一个特定的轨迹时(如字符)会产生一个减速区域,如图2所示。本实施则通过检测这个减速区域从而进行轨迹的自动分割,当然如果用户在写完字符处进行停顿也能够检测出来,提高了轨迹分割的自然、便利性。为了检测所述减速区域,需要利用速度特征,使用等距离采样轨迹无法实时得到速度特征,因此本实施例采用等时间采样轨迹,等时间采样轨迹能很好地描述出运动的加减速过程。等时间采样轨迹的获取方法与等距离采样轨迹的获取方法类似,本实施例中对于200*160的书写窗口大小所选用的等距离间隔为15像素距离,时间间隔为30ms。
步骤二、提取各等距离采样轨迹的形态特征,提取各等时间采样轨迹的速度特征。
对于等距离采样轨迹,一般是使用相关采样点的位置信息作为特征;由于采样点之间的方向特征可以克服一些尺度上的变化、鲁棒性也较好,因此,本实施例在等距离采样轨迹中选择采样点之间的方向向量作为形态特征并归一化,提取等距离采样轨迹的形态特征的公式为:
式中:fi-第i个形态特征;Δx-第i个采样点的横坐标与第i-1个采样点的横坐标之差;Δy-第i个采样点的纵坐标与第i-1个采样点的纵坐标之差。
对于等时间采样轨迹,求出各个相邻采样点之间的速率作为速度特征;优选的,选择第i个采样点到第i-7个采样点之间的速率作为速度特征,此长度包含了轨迹起止的减速段区间,并且特征维度小,有利于计算。
步骤三、根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点。
所述模板匹配算法采用DTW算法(动态时域规整算法)。DTW算法是一种基于贪婪搜索的模板匹配算法,DTW通过比较输入与模板的相似度从而识别出结果,本实施例中使用DTW算法的识别结果再进行速率分类,即可结合模板信息来提高分割效果。
根据所述形态特征采用模板匹配算法找出待选轨迹的方法为:
根据所述等距离采样轨迹的形态特征和模板轨迹的特征序列构成一个相似度矩阵,所述相似度矩阵的每一个元素为所述形态特征和所述特征序列中对应的两个向量的相似度;本实施例使用角度作为相似度度量,所述相似度的计算公式如下:
d(p(i,j))=cos-1(fi·fj) (公式三)
式中:d(p(i,j))-相似度矩阵中对应坐标的相似度,fi-等距离采样轨迹的形态特征中的第i个特征,fj-模板轨迹的特征序列中的第j个特征。
在计算完相似度矩阵的元素之后,搜索相似度矩阵的最优路径使得路径总代价最小,为了减小运算量以及算法的合理性,在相似度矩阵中的搜索方式具有一定约束;DTW算法通过公式四所述的方式来计算各个坐标的总代价值:
ω(p(i,j))=d(p(i,j))+min{ω(p(i-1,j-1)),ω(p(i-1,j)),ω(p(i,j-1))} (公式四)
式中:ω(p(i,j))-到相似度矩阵中对应坐标时的累计总代价和;d(p(i,j))-相似度矩阵中对应坐标的相似度。
检测相似度矩阵最后一行的代价总和,然后采用阈值策略,设定阈值γ,将所有代价总和小于阈值γ的等距离采样轨迹作为待选轨迹。由于各个模板的轨迹是不同的,因此所设定的各个模板对应的阈值γ也应是不相同的,在检测到某条轨迹代价总和小于阈值γ时,采用回溯的方式找到以此点为终点的轨迹,从而求得起点以及整条轨迹序列。此时,相似度矩阵对应模板的类别即为识别出来的类,对于同一帧输入轨迹根据不同模板匹配的结果以及阈值策略来说可能会识别出多个类,这些识别出的类所对应的字符即为待选字符。
步骤四、对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
在得到待选字符以及对应轨迹之后,以原始采样索引编号为根据并找到这些轨迹在等时间间隔上的对应采样点,取得对应的速率特征,并进行减速区域判断。本实施例中减速区域的判断使用的是SVM(支持向量机),SVM是一种二分类模型并采用间隔最大的学习策略使问题化为求解二次规划问题,利用求解的对偶形式以及核函数技巧来在高维空间进行学习从而解决线性不可分样本的分类问题。本实施例中,首先使用大量的正、负样本来训练SVM分类器,其中正样本为用户所写完一个字符所带有减速特征的序列,负样本则是没有减速特征的序列,所使用高斯核进行训练、分类。
通过DTW算法获得待选字符轨迹,然后对待选字符轨迹所提取的具有速率特征的轨迹段使用SVM分类器进行分类,整个过程如图3所示,整个网格就是模板与待选轨迹构成的相似度矩阵也即代价矩阵,黑色的点构成的路径就是待选轨迹与模板轨迹的最相似的路径,白色点即通过回溯方法找到的起止点,找到起止点后提取待选轨迹相应的速度特征再使用SVM分类器进行分类,SVM分类器去除掉DTW算法识别出的待选字符中不具备减速特性的字符以及对应的待选轨迹,剩下的字符以及待选轨迹即是被分割出来的吻合目标模型信息的轨迹。
如图4所示,基于目标模型信息的连续手势轨迹分割系统,包括:采样模块,用于对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;特征提取模块,用于提取各等距离采样轨迹的形态特征,以及提取各等时间采样轨迹的速度特征;轨迹识别模块,用于根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;轨迹分割模块,用于对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.基于目标模型信息的连续手势轨迹分割方法,其特征在于:包括:
对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;
提取各等距离采样轨迹的形态特征,提取各等时间采样轨迹的速度特征;
根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;
对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
2.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:所述等空间间隔重采样的采样公式为:
式中:d-当前采样点与前一次采样点的距离;αi-1-经过前一次等距离采样余下的距离;τ-等距离阈值,N可采样点数;αi-经过此次等距离采样余下的距离;k-使得条件不等式成立的最大正整数。
3.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:提取等距离采样轨迹的形态特征的公式为:
式中:fi-第i个形态特征;Δx-第i个采样点的横坐标与第i-1个采样点的横坐标之差;Δy-第i个采样点的纵坐标与第i-1个采样点的纵坐标之差。
4.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:提取等时间采样轨迹的速度特征的方法为:求出各个相邻采样点之间的速率作为速度特征。
5.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:根据所述形态特征采用模板匹配算法找出待选轨迹的方法为:
根据所述等距离采样轨迹的形态特征和模板轨迹的特征序列构成一个相似度矩阵,所述相似度矩阵的每一个元素为所述形态特征和所述特征序列中对应的两个向量的相似度;
检测相似度矩阵最后一行的代价总和,将所有代价总和小于阈值γ的等距离采样轨迹作为待选轨迹。
6.根据权利要求5所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:所述相似度的计算公式如下:
d(p(i,j))=cos-1(fi·fj) (公式三)
式中:d(p(i,j))-相似度矩阵中对应坐标的相似度,fi-等距离采样轨迹的形态特征中的第i个特征,fj-模板轨迹的特征序列中的第j个特征。
7.根据权利要求5所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:所述相似度矩阵中各个坐标的总代价值的计算公式如下:
ω(p(i,j))=d(p(i,j))+min{ω(p(i-1,j-1)),ω(p(i-1,j)),ω(p(i,j-1))} (公式四)
式中:ω(p(i,j))-到相似度矩阵中对应坐标时的累计总代价和;d(p(i,j))-相似度矩阵中对应坐标的相似度。
8.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:获取待选轨迹的起点和终点采用回溯的方法。
9.根据权利要求1所述的基于目标模型信息的连续手势轨迹分割方法,其特征在于:对所有待选轨迹的速度特征进行分类采用SVM分类器。
10.基于目标模型信息的连续手势轨迹分割系统,其特征在于:包括:
采样模块,用于对输入的连续轨迹分别进行等空间间隔重采样和等时间间隔重采样,得到多个等距离采样轨迹和多个等时间采样轨迹;
特征提取模块,用于提取各等距离采样轨迹的形态特征,以及提取各等时间采样轨迹的速度特征;
轨迹识别模块,用于根据所述形态特征采用模板匹配算法找出待选轨迹,并获取待选轨迹的起点和终点;
轨迹分割模块,用于对所有待选轨迹的速度特征进行分类,去除不具备减速特性的待选轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610442838.5A CN106095104A (zh) | 2016-06-20 | 2016-06-20 | 基于目标模型信息的连续手势轨迹分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610442838.5A CN106095104A (zh) | 2016-06-20 | 2016-06-20 | 基于目标模型信息的连续手势轨迹分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106095104A true CN106095104A (zh) | 2016-11-09 |
Family
ID=57237400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610442838.5A Pending CN106095104A (zh) | 2016-06-20 | 2016-06-20 | 基于目标模型信息的连续手势轨迹分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106095104A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN107168633A (zh) * | 2017-04-07 | 2017-09-15 | 南京邮电大学 | 一种基于数据依赖的手势交互查询事件构建方法 |
CN107402713A (zh) * | 2017-07-28 | 2017-11-28 | 广东欧珀移动通信有限公司 | 加快黑屏手势处理的方法、装置、存储介质及移动终端 |
CN108764070A (zh) * | 2018-05-11 | 2018-11-06 | 西北大学 | 一种基于书写视频的笔画分割方法及书法临摹指导方法 |
CN111340029A (zh) * | 2018-12-19 | 2020-06-26 | 富士通株式会社 | 用于识别收件人地址中的至少部分地址的装置和方法 |
CN111354458A (zh) * | 2018-12-20 | 2020-06-30 | 中国科学院软件研究所 | 基于通用绘图任务的触控交互运动用户特征提取方法和辅助疾病检测系统 |
CN112906768A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 一种无线行为感知模型跨场景预选择方法 |
CN114501306A (zh) * | 2021-12-29 | 2022-05-13 | 中国电信股份有限公司 | 一种采样方法、装置、电子设备及存储介质 |
CN114646279A (zh) * | 2021-12-22 | 2022-06-21 | 上海交通大学 | 微波多尺度振动与形变测量方法及系统 |
CN114998744A (zh) * | 2022-07-18 | 2022-09-02 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法 |
CN116030059A (zh) * | 2023-03-29 | 2023-04-28 | 南京邮电大学 | 基于轨迹的目标id重认证匹配方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101960490A (zh) * | 2008-03-14 | 2011-01-26 | 松下电器产业株式会社 | 图像处理方法和图像处理设备 |
US20140015831A1 (en) * | 2012-07-16 | 2014-01-16 | Electronics And Telecommunications Research Institude | Apparatus and method for processing manipulation of 3d virtual object |
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
US20140211991A1 (en) * | 2013-01-30 | 2014-07-31 | Imimtek, Inc. | Systems and methods for initializing motion tracking of human hands |
-
2016
- 2016-06-20 CN CN201610442838.5A patent/CN106095104A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101960490A (zh) * | 2008-03-14 | 2011-01-26 | 松下电器产业株式会社 | 图像处理方法和图像处理设备 |
US20140015831A1 (en) * | 2012-07-16 | 2014-01-16 | Electronics And Telecommunications Research Institude | Apparatus and method for processing manipulation of 3d virtual object |
US20140211991A1 (en) * | 2013-01-30 | 2014-07-31 | Imimtek, Inc. | Systems and methods for initializing motion tracking of human hands |
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
Non-Patent Citations (3)
Title |
---|
唐竟人: "Recognizing 3D Continuous Letter Trajectory Gesture Using Dynamic Time Warping", 《SPRINGER INTERNATIONAL PUBLISHING》 * |
蒙兴宝: "基于运动轨迹的手势识别研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邹洪: "实时动态手势识别关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709939B (zh) * | 2016-12-09 | 2019-07-23 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN107168633A (zh) * | 2017-04-07 | 2017-09-15 | 南京邮电大学 | 一种基于数据依赖的手势交互查询事件构建方法 |
CN107168633B (zh) * | 2017-04-07 | 2019-08-06 | 南京邮电大学 | 一种基于数据依赖的手势交互查询事件构建方法 |
CN107402713A (zh) * | 2017-07-28 | 2017-11-28 | 广东欧珀移动通信有限公司 | 加快黑屏手势处理的方法、装置、存储介质及移动终端 |
CN107402713B (zh) * | 2017-07-28 | 2019-08-27 | Oppo广东移动通信有限公司 | 加快黑屏手势处理的方法、装置、存储介质及移动终端 |
CN108764070B (zh) * | 2018-05-11 | 2021-12-31 | 西北大学 | 一种基于书写视频的笔画分割方法及书法临摹指导方法 |
CN108764070A (zh) * | 2018-05-11 | 2018-11-06 | 西北大学 | 一种基于书写视频的笔画分割方法及书法临摹指导方法 |
CN111340029A (zh) * | 2018-12-19 | 2020-06-26 | 富士通株式会社 | 用于识别收件人地址中的至少部分地址的装置和方法 |
CN111354458A (zh) * | 2018-12-20 | 2020-06-30 | 中国科学院软件研究所 | 基于通用绘图任务的触控交互运动用户特征提取方法和辅助疾病检测系统 |
CN111354458B (zh) * | 2018-12-20 | 2023-11-14 | 中国科学院软件研究所 | 基于通用绘图任务的触控交互运动用户特征提取方法和辅助疾病检测系统 |
CN112906768A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 一种无线行为感知模型跨场景预选择方法 |
CN114646279A (zh) * | 2021-12-22 | 2022-06-21 | 上海交通大学 | 微波多尺度振动与形变测量方法及系统 |
CN114646279B (zh) * | 2021-12-22 | 2023-03-14 | 上海交通大学 | 微波多尺度振动与形变测量方法及系统 |
CN114501306A (zh) * | 2021-12-29 | 2022-05-13 | 中国电信股份有限公司 | 一种采样方法、装置、电子设备及存储介质 |
CN114501306B (zh) * | 2021-12-29 | 2024-05-14 | 中国电信股份有限公司 | 一种采样方法、装置、电子设备及存储介质 |
CN114998744A (zh) * | 2022-07-18 | 2022-09-02 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法 |
CN116030059A (zh) * | 2023-03-29 | 2023-04-28 | 南京邮电大学 | 基于轨迹的目标id重认证匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106095104A (zh) | 基于目标模型信息的连续手势轨迹分割方法及系统 | |
Kumar et al. | Sign language recognition | |
Pan et al. | Visual attention feature (VAF): a novel strategy for visual tracking based on cloud platform in intelligent surveillance systems | |
CN104063059B (zh) | 一种基于手指分割的实时手势识别方法 | |
Ren et al. | Robust hand gesture recognition based on finger-earth mover's distance with a commodity depth camera | |
Malbog | MASK R-CNN for pedestrian crosswalk detection and instance segmentation | |
CN110232308B (zh) | 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
Yang et al. | Tracking based multi-orientation scene text detection: A unified framework with dynamic programming | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
Peterson et al. | Grouping strokes into shapes in hand-drawn diagrams | |
Wang et al. | Improving human action recognition by non-action classification | |
CN102855461A (zh) | 在图像中检测手指的方法及设备 | |
Jung et al. | Noisy and incomplete fingerprint classification using local ridge distribution models | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN107798691A (zh) | 一种基于视觉的无人机自主着陆地标实时检测跟踪方法 | |
Jiang et al. | A fast and high-performance object proposal method for vision sensors: Application to object detection | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
Geetha et al. | Dynamic gesture recognition of Indian sign language considering local motion of hand using spatial location of Key Maximum Curvature Points | |
CN103996207A (zh) | 一种物体跟踪方法 | |
Li et al. | Fast object detection from unmanned surface vehicles via objectness and saliency | |
Elakkiya et al. | Intelligent system for human computer interface using hand gesture recognition | |
Wang et al. | Action recognition based on object tracking and dense trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |