CN106777990A - 智能终端操作者年龄估计方法 - Google Patents

智能终端操作者年龄估计方法 Download PDF

Info

Publication number
CN106777990A
CN106777990A CN201611190921.4A CN201611190921A CN106777990A CN 106777990 A CN106777990 A CN 106777990A CN 201611190921 A CN201611190921 A CN 201611190921A CN 106777990 A CN106777990 A CN 106777990A
Authority
CN
China
Prior art keywords
age
neuron
value
output
touch
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
Application number
CN201611190921.4A
Other languages
English (en)
Inventor
陈潇潇
余少雄
娄小平
熊佳慧
周永明
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.)
Hunan University of Arts and Science
Original Assignee
Hunan University of Arts and Science
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 Hunan University of Arts and Science filed Critical Hunan University of Arts and Science
Priority to CN201611190921.4A priority Critical patent/CN106777990A/zh
Publication of CN106777990A publication Critical patent/CN106777990A/zh
Pending legal-status Critical Current

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
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/0485—Scrolling or panning
    • 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
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机技术领域，提供了一种智能终端操作者年龄估计方法，包括以下步骤：获取操作者手指在智能终端触摸屏上的触摸滑动信息；提取触摸滑动信息中的特征参数，包括滑动轨迹宽度、滑动轨迹长度、时间参数、压力参数；计算滑动速度和触控力度；将年龄作为因变量，滑动轨迹宽度、滑动速度、触控力度作为自变量，通过预先训练好的神经网络模型进行年龄估计，得到操作者的年龄估计值。本发明通过获取操作者手指在触屏上滑动的信息，提取特征参数并进行计算，得到所需的参数：滑动轨迹宽度、滑动速度和触控力度，然后分析这些参数与年龄估计值之间的关系，最后得出根据手指触屏信息推断年龄估计值的数学模型，从而实现对年龄的估计。

Description

智能终端操作者年龄估计方法
技术领域
本发明属于计算机技术领域，具体涉及一种智能终端操作者年龄估计方法。
背景技术
随着互联网技术的快速发展，笔记本、手机、ipad、游戏机等智能设备越来越普及，使用智能设备的人群范围也不断扩大，上至七八十岁的老人，下至幼儿园小孩。目前，电子设备中的应用程序越来越多，各种系统软件、游戏软件和社交软件等，由于未成年人的心智还不够成熟，对很多应用程序中带有的欺诈、暴力等信息判断力不足，容易误入歧途；同时，在家庭环境中，年龄过小的孩子有可能不小心将父母手机中的重要应用程序删除，造成不可避免的损失。如果可以判断操作者的年龄从而设置权限就可以避免以上问题的发生。
现有技术中有根据人体肌肤纹理来估计人的年龄的算法模型，也有通过人脸识别来估计人的年龄的算法模型，但还没有通过手指滑动触屏的信息推断年龄的数学模型。
发明内容
针对以上问题的不足，本发明提供了一种智能终端操作者年龄估计方法，通过获取操作者手指在触屏上滑动的信息，提取特征参数并进行计算，得到所需的参数：滑动轨迹宽度、滑动速度和触控力度，然后分析这些参数与年龄估计值之间的关系，最后得出根据手指触屏信息推断年龄估计值的数学模型，从而实现对年龄的估计。
为实现上述目的，本发明智能终端操作者年龄估计方法，包括以下步骤：
S1：获取操作者手指在智能终端触摸屏上的触摸滑动信息；
S2：提取触摸滑动信息中的特征参数，包括滑动轨迹宽度、滑动轨迹长度、时间参数、压力参数；
S3：根据步骤S2提取的特征参数，计算滑动速度和触控力度；
S4：将年龄作为因变量，将步骤S1和步骤S2所得的滑动轨迹宽度、滑动速度、触控力度作为自变量，通过预先训练好的神经网络模型进行年龄估计，得到操作者的年龄估计值。
进一步地，所述步骤S2中时间参数信息包括：手指滑动时位于开始触点的时间T1和位于最后触点的时间T2。
进一步地，所述步骤S3中滑动速度的计算方法如下：
1)：获取手指滑动时位于开始触点的时间T1和位于最后触点的时间T2；
2)：计算手指滑动时间：T＝T2-T1；
3)：根据滑动轨迹长度L和手指滑动时间T，计算手指滑动速度：V＝L/T。
进一步地，所述步骤S3中触控力度的获取方法如下：
1)：获取每一时刻触摸点的压力值Pi；
2)：统计每个Pi出现的概率；
3)：将上一步得出的出现概率最高的Pi作为触控力度值。
进一步地，所述神经网络模型预先经过大量训练样本训练所得，训练步骤如下：
1)：建立用于计算年龄阶段值的神经网络初始模型，所述神经网络为三层神经网络，包括输入层、隐含层和输出层，各层的神经元个数分别为3、n和1；确定输入变量：滑动轨迹宽度信息x1、滑动速度x2和触控力度x3，输出变量为年龄阶段值；初设各神经元之间的权重、隐含层和输出层各神经元的阈值、误差函数E、误差精度α；
2)：采集一个样本的三个因变量(x1，x2，x3)，将三个因变量输入隐含层各神经元，根据步骤1)所设的权重和阈值，计算出隐含层各神经元的输出值，并将其输入到输出层神经元，计算出输出层神经元的输出值；
隐含层神经元输出模型：
输出层神经元输出模型：
i为输入层第i个神经元；
j为隐含层第j个神经元；
xi为神经网络的输入值；
wij为入层神经元与隐含层神经元之间的权重；
oj为隐含层神经元输出值；
wj为隐含层神经元与输出层神经元之间的权重；
y为输出层神经元输出值；
θj、θj为神经元阈值；
f(x)是激发函数，
3)：输出层神经元根据误差函数计算输出误差；
输出误差：t为期望的输出目标值；
神经网络进行自学习，进行误差修正，修正权重和阈值；
4)：经过p个样本的训练，全局误差：m为第m个样本；
5)：判断全局误差是否达到误差精度α，是则结束算法；否则进入步骤2)进入下一轮训练学习；直到全局误差达到误差精度，得到最终的神经网络模型。
进一步地，通过神经网络模型分析可以得到四个阶段年龄值：第一阶段年龄值Y1、第二阶段年龄值Y2、第三阶段年龄值Y3和第四阶段年龄值Y4。
进一步地，所述第一阶段年龄值Y1：0～7岁；
所述第一阶段年龄值Y2：8～15岁；
所述第一阶段年龄值Y3：15～50岁；
所述第四阶段年龄值Y4：50岁以上。
由上述方案可知，本发明提供的智能终端操作者年龄估计方法，通过获取操作者手指在触屏上滑动的信息，提取特征参数并进行计算，得到所需的参数：滑动轨迹宽度、滑动速度和触控力度，然后分析这些参数与年龄估计值之间的关系，最后得出根据手指触屏信息推断年龄估计值的数学模型，从而实现对年龄的估计。
附图说明
为了更清楚地说明本发明，下面对所需要使用的附图作简单地介绍。附图中，各元件并不一定按照实际的比例绘制。
图1为本实施例年龄测试方法的流程图；
图2为本实施例触控力度的计算方法流程图；
图3为本实施例年龄判断模型的训练流程图。
具体实施方式
下面将结合附图对本发明的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的产品，因此只是作为示例，而不能以此来限制本发明的保护范围。
实施例：
本发明提供一种智能终端操作者年龄估计方法，如图1～图3所示，包括以下步骤：
S1：获取操作者手指在智能终端触摸屏上的触摸滑动信息；
S2：提取触摸滑动信息中的特征参数，包括滑动轨迹宽度、滑动轨迹长度、时间参数、压力参数；
S3：根据步骤S2提取的特征参数，计算滑动速度和触控力度；
S4：将年龄作为因变量，将步骤S1和步骤S2所得的滑动轨迹宽度、滑动速度、触控力度作为自变量，通过预先训练好的神经网络模型进行年龄估计，得到操作者的年龄估计值。
本实施例的触屏滑动信息样本来自于150不同年龄的自愿者，包括小孩、成年人和老人等，年龄范围为1～60岁，每个自愿者采集5次触屏滑动信息。年龄不一样，手指的大小不一样，则在触摸屏上滑动时的轨迹宽度就不一样；年龄不一样，每个人的力量大小就不一样，则在触摸屏上触摸的力度就不一样；年龄不一样，每个人的习惯不一样，则每个人在触摸屏上滑动的速度就不一样。本实施从以上三个方面综合考虑，通过神经网络对大量样本的训练，依据统计学方法推导出根据手指触屏信息推断年龄估计值的数学模型，从而实现对年龄的估计。
所述步骤S2中时间参数信息包括：手指滑动时位于开始触点的时间T1和位于最后触点的时间T2。
所述步骤S3中滑动速度的计算方法如下：
1)：获取手指滑动时位于开始触点的时间T1和位于最后触点的时间T2；
2)：计算手指滑动时间：T＝T2-T1；
3)：根据滑动轨迹长度L和手指滑动时间T，计算手指滑动速度：V＝L/T。
如图2所示，所述步骤S3中触控力度的获取方法如下：
1)：获取每一时刻触摸点的压力值Pi；
2)：统计每个Pi出现的概率；
3)：将上一步得出的出现概率最高的Pi作为触控力度值。
所述神经网络模型预先经过大量训练样本训练所得，如图3所示，训练步骤如下：
1)：建立用于计算年龄阶段值的神经网络初始模型，所述神经网络为三层神经网络，包括输入层、隐含层和输出层，各层的神经元个数分别为3、n和1；确定输入变量：滑动轨迹宽度信息x1、滑动速度x2和触控力度x3，输出变量为年龄阶段值；初设各神经元之间的权重、隐含层和输出层各神经元的阈值、误差函数E、误差精度α；
2)：采集一个样本的三个因变量(x1，x2，x3)，将三个因变量输入隐含层各神经元，根据步骤1)所设的权重和阈值，计算出隐含层各神经元的输出值，并将其输入到输出层神经元，计算出输出层神经元的输出值；
隐含层神经元输出模型：
输出层神经元输出模型：
i为输入层第i个神经元；
j为隐含层第j个神经元；
xi为神经网络的输入值；
wij为入层神经元与隐含层神经元之间的权重；
oj为隐含层神经元输出值；
wj为隐含层神经元与输出层神经元之间的权重；
y为输出层神经元输出值；
θj、θj为神经元阈值；
f(x)是激发函数，
3)：输出层神经元根据误差函数计算输出误差；
输出误差：t为期望的输出目标值；
神经网络进行自学习，进行误差修正，修正权重和阈值；
4)：经过p个样本的训练，全局误差：m为第m个样本；
5)：判断全局误差是否达到误差精度α，是则结束算法；否则进入步骤2)进入下一轮训练学习；直到全局误差达到误差精度，得到最终的神经网络模型。
通过神经网络模型分析可以得到四个阶段年龄值：第一阶段年龄值Y1、第二阶段年龄值Y2、第三阶段年龄值Y3和第四阶段年龄值Y4。
进一步地，所述第一阶段年龄值Y1：0～7岁；
所述第一阶段年龄值Y2：8～15岁；
所述第一阶段年龄值Y3：15～50岁；
所述第四阶段年龄值Y4：50岁以上。
本实施例的神经网络训练模型共三层，第一层为输入层，第二层为隐含层，第三层为输出层，因为本实施例有三个因变量和一个自变量，则输入层有3个神经元，输出层有1个神经元，隐含层本实施例设置有4个神经元。神经网络模型采用p个输入学习样本：
Q1，Q2，Q3……QP；每个样本的输入值为Qm(xp1，xp2，xp3)；
已知其对应的期望目标为：
T1，T2，T3……Tp；其目标值Tm为Y1、Y2、Y3或Y4中的一种；
用神经网络的实际输出值与目标值的误差来修正权重值和阈值，使神经网络的实际输出值与期望的目标值尽可能的接近。经过p个样本的训练，全局误差达到误差精度α后停止训练得到最终的神经网络模型。
本实施例可以应用于各种设有触摸屏的电子设备，如电脑、手机、ipad、游戏机等，通过在触摸屏中设置触摸传感器，由触摸传感器来采集操作者使用电子设备时的触屏信息；此处的操纵者指使用电子设备的人群，可以是老人、小孩、成年人等；通过本发明得到的最终神经网络进行年龄的估计，得到不同的年龄阶段值，可以应用于通过年龄设置权限的场景，例如游戏软件、社交软件、支付软件等，通过年龄权限的设置控制青少年的行为，让成年人正常使用应用程序，未成年人则使用适合对应年龄阶段的应用程序；在实际应用中，可以防止未成年人沉溺于电子设备的游戏之后，防止被繁杂的社交软件中信息欺骗，促进未成年人的身心健康发展。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.智能终端操作者年龄估计方法，其特征在于，包括以下步骤：
S1：获取操作者手指在智能终端触摸屏上的触摸滑动信息；
S2：提取触摸滑动信息中的特征参数，包括滑动轨迹宽度、滑动轨迹长度、时间参数、压力参数；
S3：根据步骤S2提取的特征参数，计算滑动速度和触控力度；
S4：将年龄作为因变量，将步骤S1和步骤S2所得的滑动轨迹宽度、滑动速度、触控力度作为自变量，通过预先训练好的神经网络模型进行年龄估计，得到操作者的年龄估计值。
2.根据权利要求1所述的智能终端操作者年龄估计方法，其特征在于，所述步骤S2中时间参数信息包括：手指滑动时位于开始触点的时间T1和位于最后触点的时间T2。
3.根据权利要求1所述的智能终端操作者年龄估计方法，其特征在于，所述步骤S3中滑动速度的计算方法如下：
1)：获取手指滑动时位于开始触点的时间T1和位于最后触点的时间T2；
2)：计算手指滑动时间：T＝T2-T1；
3)：根据滑动轨迹长度L和手指滑动时间T，计算手指滑动速度：V＝L/T。
4.根据权利要求1所述的智能终端操作者年龄估计方法，其特征在于，所述步骤S3中触控力度的获取方法如下：
1)：获取每一时刻触摸点的压力值Pi；
2)：统计每个Pi出现的概率；
3)：将上一步得出的出现概率最高的Pi作为触控力度值。
5.根据权利要求1所述的智能终端操作者年龄估计方法，其特征在于，所述神经网络模型预先经过大量训练样本训练所得，训练步骤如下：
1)：建立用于计算年龄阶段值的神经网络初始模型，所述神经网络为三层神经网络，包括输入层、隐含层和输出层，各层的神经元个数分别为3、n和1；确定输入变量：滑动轨迹宽度信息x1、滑动速度x2和触控力度x3，输出变量为年龄阶段值；初设各神经元之间的权重、隐含层和输出层各神经元的阈值、误差函数E、误差精度α；
2)：采集一个样本的三个因变量(x1，x2，x3)，将三个因变量输入隐含层各神经元，根据步骤1)所设的权重和阈值，计算出隐含层各神经元的输出值，并将其输入到输出层神经元，计算出输出层神经元的输出值；
隐含层神经元输出模型：
输出层神经元输出模型：
i为输入层第i个神经元；
j为隐含层第j个神经元；
xi为神经网络的输入值；
wij为入层神经元与隐含层神经元之间的权重；
oj为隐含层神经元输出值；
wj为隐含层神经元与输出层神经元之间的权重；
y为输出层神经元输出值；
θj、θj为神经元阈值；
f(x)是激发函数，
3)：输出层神经元根据误差函数计算输出误差；
输出误差：t为期望的输出目标值；
神经网络进行自学习，进行误差修正，修正权重和阈值；
4)：经过p个样本的训练，全局误差：m为第m个样本；
5)：判断全局误差是否达到误差精度α，是则结束算法；否则进入步骤2)进入下一轮训练学习；直到全局误差达到误差精度，得到最终的神经网络模型。
6.根据权利要求5所述的智能终端操作者年龄估计方法，其特征在于，通过神经网络模型分析可以得到四个阶段年龄值：第一阶段年龄值Y1、第二阶段年龄值Y2、第三阶段年龄值Y3和第四阶段年龄值Y4。
7.根据权利要求6所述的智能终端操作者年龄估计方法，其特征在于，
所述第一阶段年龄值Y1：0～7岁；
所述第一阶段年龄值Y2：8～15岁；
所述第一阶段年龄值Y3：15～50岁；
所述第四阶段年龄值Y4：50岁以上。
CN201611190921.4A 2016-12-21 2016-12-21 智能终端操作者年龄估计方法 Pending CN106777990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611190921.4A CN106777990A (zh) 2016-12-21 2016-12-21 智能终端操作者年龄估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611190921.4A CN106777990A (zh) 2016-12-21 2016-12-21 智能终端操作者年龄估计方法

Publications (1)

Publication Number Publication Date
CN106777990A true CN106777990A (zh) 2017-05-31

Family

ID=58893587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611190921.4A Pending CN106777990A (zh) 2016-12-21 2016-12-21 智能终端操作者年龄估计方法

Country Status (1)

Country Link
CN (1) CN106777990A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407914A (zh) * 2017-08-18 2019-03-01 阿里巴巴集团控股有限公司 用户特征识别方法、装置、设备、介质和操作系统
CN109858214A (zh) * 2019-02-02 2019-06-07 南京林业大学 适用于家用控制装置的控制对象识别方法和系统
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN113505891A (zh) * 2021-09-09 2021-10-15 北京轻松筹信息技术有限公司 年龄信息的确定方法及装置、信息推送方法及装置
CN117991966A (zh) * 2024-04-03 2024-05-07 珠海星纪魅族信息技术有限公司 终端设备及其界面交互方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966016A (zh) * 2015-06-12 2015-10-07 西安交通大学 移动终端儿童用户协作式判断及限制操作权限的方法
CN104966011A (zh) * 2015-06-12 2015-10-07 西安交通大学 移动终端儿童用户非协作式判断及限制操作权限的方法
CN105068743A (zh) * 2015-06-12 2015-11-18 西安交通大学 基于多指触控行为特征的移动终端用户身份认证方法
CN105549885A (zh) * 2015-12-10 2016-05-04 重庆邮电大学 滑屏操控中用户情绪的识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966016A (zh) * 2015-06-12 2015-10-07 西安交通大学 移动终端儿童用户协作式判断及限制操作权限的方法
CN104966011A (zh) * 2015-06-12 2015-10-07 西安交通大学 移动终端儿童用户非协作式判断及限制操作权限的方法
CN105068743A (zh) * 2015-06-12 2015-11-18 西安交通大学 基于多指触控行为特征的移动终端用户身份认证方法
CN105549885A (zh) * 2015-12-10 2016-05-04 重庆邮电大学 滑屏操控中用户情绪的识别方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407914A (zh) * 2017-08-18 2019-03-01 阿里巴巴集团控股有限公司 用户特征识别方法、装置、设备、介质和操作系统
CN109858214A (zh) * 2019-02-02 2019-06-07 南京林业大学 适用于家用控制装置的控制对象识别方法和系统
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN113505891A (zh) * 2021-09-09 2021-10-15 北京轻松筹信息技术有限公司 年龄信息的确定方法及装置、信息推送方法及装置
CN117991966A (zh) * 2024-04-03 2024-05-07 珠海星纪魅族信息技术有限公司 终端设备及其界面交互方法
CN117991966B (zh) * 2024-04-03 2024-07-02 珠海星纪魅族信息技术有限公司 终端设备及其界面交互方法

Similar Documents

Publication Publication Date Title
CN106777990A (zh) 智能终端操作者年龄估计方法
CN110728209B (zh) 一种姿态识别方法、装置、电子设备及存储介质
Shen et al. Exemplar-based human action pose correction and tagging
CN108875708A (zh) 基于视频的行为分析方法、装置、设备、系统及存储介质
CN107766787A (zh) 人脸属性识别方法、装置、终端及存储介质
CN108227912A (zh) 设备控制方法和装置、电子设备、计算机存储介质
CN111862274A (zh) 生成对抗网络训练方法、图像风格迁移方法及装置
CN105303179A (zh) 指纹识别方法、装置
CN110223272A (zh) 身体成像
CN106875203A (zh) 一种确定商品图片的款式信息的方法及装置
CN110334587A (zh) 人脸关键点定位模型的训练方法、装置及关键点定位方法
CN109215102A (zh) 影像处理方法及系统
CN104111733B (zh) 一种手势识别系统及方法
WO2020088491A1 (zh) 一种运动行为模式分类方法、系统以及装置
CN103544486A (zh) 基于自适应标记分布的人类年龄估计方法
CN106529377A (zh) 一种基于图像的年龄估计方法、装置及系统
CN105426882A (zh) 一种人脸图像中快速定位人眼的方法
CN111724370A (zh) 一种基于不确定性和概率的多任务无参考图像质量评估方法及系统
Jiang et al. Visual BMI estimation from face images using a label distribution based method
Liu et al. Trampoline motion decomposition method based on deep learning image recognition
CN110826510A (zh) 一种基于表情情感计算的三维教学课堂实现方法
CN106503722B (zh) 基于触控轨迹图像处理的操作者年龄判定方法
US11847401B2 (en) Method and apparatus for recognizing handwriting inputs in multiple-user environment
CN109492124A (zh) 选择性注意线索指导的不良主播检测方法、装置及电子设备
Zuo Implementation of HCI software interface based on image identification and segmentation algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication