CN107251048A - 可靠指尖和手掌检测 - Google Patents
可靠指尖和手掌检测 Download PDFInfo
- Publication number
- CN107251048A CN107251048A CN201680010413.5A CN201680010413A CN107251048A CN 107251048 A CN107251048 A CN 107251048A CN 201680010413 A CN201680010413 A CN 201680010413A CN 107251048 A CN107251048 A CN 107251048A
- Authority
- CN
- China
- Prior art keywords
- template
- finger
- pixel
- group
- cluster
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
- G06V40/113—Recognition of static hand signs
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
Abstract
本文总体上描述了一种用于使用图像来检测手的手掌的系统和方法的实施例。一种用于检测手的手掌的方法可以包括:确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括在所述图像中的所检测边缘上的一组图像像素。所述方法可以包括:从所述多个手指模板匹配中选择对应于来自所述多个累积距离值的一组最小累积距离值的一组手指模板匹配。所述方法可以包括:细化所述组手指模板匹配以创建经细化手指模板;分簇经细化手指模板以创建一簇经细化手指模板;以及验证所述簇经细化手指模板包括有效手掌检测。
Description
优先权申请
本申请要求2015年03月24日提交的美国申请序列号14/667,393的优先权的权益,所述美国申请通过引用以其全部内容结合在此。
背景技术
用于手势识别或手姿势检测的基于图像的解决方案逐年变得越来越复杂。当前的解决方案可以包括众所周知的方法,比如使用Haar分类器,但是由于张开手掌姿势可能暴露手指之间的背景,所以可能不能在张开手掌姿势的情况下很好地工作。其他解决方案使用皮肤颜色,但是当手在面部、其他皮肤区域或类似的有色背景前面时可能会遇到降低的检测率。还有其他解决方案可能依赖静态相机前提进行背景减除,这需要已知的静态相机,并且对于某些设备可能是不现实的或无效的。在其他解决方案中,可以使用深度相机,这可能需要高功率使用。
附图说明
在不必按比例绘制的附图中,相同标号可以描述不同视图中的类似部件。具有不同字母后缀的相同标号可以表示类似部件的不同实例。附图总体上通过示例的方式而不是通过限制的方式展示了本文档中所讨论的各种实施例。
图1根据一些实施例大体展示了示出用于张开手掌检测的技术的流程图。
图2根据一些实施例大体展示了具有识别的手指模板的图像。
图3A至图3C根据一些实施例大体展示了图像的图。
图3D至图3F根据一些实施例大体展示了图像中的边缘检测的图。
图4根据一些实施例大体展示了手指模板。
图5A至图5D根据一些实施例大体展示了用于检测手的有效手掌的试探法。
图6A至图6B根据一些实施例大体展示了用于适当性检查的张开手掌模型。
图7根据一些实施例大体展示了示出用于使用图像来检测手的手掌的方法的流程图。
图8是根据实施例示出张开手掌检测系统的示意图。
图9根据一些实施例大体展示了一种机器的框图的示例,在所述机器上可以执行本文中所讨论的技术(例如,方法)中的任何一种或多种技术。
具体实施方式
如上所述,用于手势识别或手姿势检测的当前基于图像的解决方案可能具有一些缺点。在示例中,一种技术可以包括边缘检测、指尖检测、手势识别、张开手掌检测或模板匹配。在本公开中,提出了一种可以支持张开手掌检测和指尖轮廓线识别的技术。这种技术可能会影响从笔记本电脑、PC或服务器到超级本、平板电脑或更小的(例如,物联网)设备的一系列产品。所述技术可以包括增强手势识别应用的鲁棒性。所述技术可以以软件或硬件或其组合来实现。
在示例中,一种技术可以包括引入多阶段模板匹配过程或用于将模板匹配一起分簇到候选指尖检测中的贪婪算法。
霍夫变换是先前已知的用于模板匹配的技术。霍夫变换将可以通过图像中的点的一组线映射为等效变换空间中的曲线。针对输入图像中的所有边缘点重复霍夫变换过程,并且投票方案检测具有最大票数的变换空间中的点。这些点对应于输入图像中的潜在线。霍夫变换可以推广到任意形状。
在霍夫变换中,对模板参数空间上的每个边缘像素执行单独的搜索。本文提出的一种技术可以包括执行一次这样的搜索。执行搜索一次可以通过使用较少的处理能力、减少热量、允许在指定的时间段内进行额外的处理步骤等来改善计算机的功能。在另一个示例中,可以将搜索分成几个阶段。
即使执行单个搜索的技术包括执行复杂的模板搜索,所述技术可以实时完成。可能模板的空间可以很大。例如,对于下面描述的手指形状或视频图形阵列(VGA)分辨率,所述空间可以包括在粗糙量化参数上定义并且与模板位置、旋转、大小或单个曲线特性相关联的13亿个模板。在霍夫变换中,可能每个图像需要对大约10000到50000个边缘像素进行重复搜索。在本技术中,可以对图像中的边缘像素使用一个搜索。运行搜索一次可以将搜索的迭代从可能的10000到50000的数量减少到一个。在另一个示例中,所述技术可以将搜索分成几个阶段。例如,在第一阶段,可以考虑位置、旋转或大小参数。在后续阶段中,所述技术可以搜索单个曲线特性的空间。这对于VGA分辨率可以将要搜索的模板的数量从几十亿减少到大约300000。
先前使用的方案的另一个示例是基于倒角匹配的方案。基于倒角匹配的方案通常将模板搜索过程分为多个阶段,但它们在每个阶段不使用不同的阈值。在示例中,一种新技术可以包括多个阈值,这些阈值用于在多个阶段竞争之后修剪模板。可以在第一阶段使用第一阈值,所述第一阈值可以比在第二阶段使用的第二阈值更严格。针对一个阶段使用不同的阈值,所述技术可以在每个阶段比以前的技术处理更少的模板。在另一个示例中,所述技术可以通过在每个阶段之后执行合并操作来保持模板数量较小。例如,可以将彼此相似的模板合并在一起。
其他方法可以以不同的方式解决指尖检测。例如,一种方法可以将指尖识别为从深度中获得的测地最大值。然而,使用深度数据可能需要大量的功率使用。其他方法可以从皮肤检测过程已经将手区域与背景区域分离后产生的皮肤掩模的特性定位指尖。在示例中,由于可能的皮肤碰撞(例如,手指上的皮肤与其他身体部位上的皮肤或类似于背景颜色的皮肤颜色之间),本文所述的技术可以不使用皮肤信息而进行指尖检测。
又一种方法可以通过分别在R、G和B(红色、绿色和蓝色)通道中的每个通道上应用Canny来进行边缘检测。所述方法可以包括使用Haar分类器和Adaboost来从边缘数据检测指尖。然而,这种方法只能使用R、G和B通道。本文描述的技术可以使用比R、G和B更多的通道来提供鲁棒性。在示例中,可以不使用Haar分类器和Adaboost检测指尖,并且替代地,可以使用新颖的模板匹配过程来检测指尖。
图1根据一些实施例大体展示了示出用于张开手掌检测的技术100的流程图。技术100可以包括用于检测图像中的边缘并对检测到的边缘中的像素执行距离图计算的操作102。操作102可以具有边缘图和距离图的输出。在示例中,技术100包括用于使用边缘图和距离图执行粗糙手指模板搜索的操作104。操作104可以具有初始组模板匹配的输出。技术100可以包括用于执行所述初始组模板匹配的位置、角度或尺度细化的操作106。技术100可以以经细化的一组模板匹配而继续,所述细化的一组模板匹配可以在操作108中修改。操作108可以包括手指形状细化,从而产生进一步细化的一组模板匹配。在示例中,技术100包括用于使用边缘像素距离修剪细化的模板匹配从而产生可能的指尖轮廓线位置的操作110。技术100可以包括用于对手指簇(bundle)进行创建、选择和排序的操作112。操作112可以致使手掌的检测。技术100可以包括用于执行检测到的手掌适当性检查的操作114。
在示例中,可以应用边缘检测和模板匹配来找到与四个指尖轮廓线(例如,食指、中指、无名指或小指)匹配的可能模板。可以应用分簇(bundling)技术将高度可能的指尖检测结合到张开手掌检测中。这样的过程可以返回根据某种基于颜色和距离的度量排序的最佳匹配簇。在另一个示例中,可以使用定制试探法,其找到四个手指模板的簇,根据基于颜色均匀性或边缘像素距离的某种分数对它们进行排序,并返回最有可能表示张开手掌姿势的簇。
在具体示例中,超过95%的示例可以在使用上述示例的技术返回的簇中包括排名第一的最佳匹配簇。在其他示例中,也可以返回最佳匹配簇,并且排在最佳的10-20个簇中。所述技术可能会返回假正,例如,可以在最佳的10-20个簇中找到假正以及正确的检测。然而,假正率很小(<5%)。可以采用额外的试探式技术来区分返回的簇中的真实检测和假正,比如基于地标的检测。一种技术可以包括用C或C++编写的代码。
上述技术使用边缘数据执行可靠的姿势检测。在示例中,所述技术可以用作其他技术中的构建块。例如,它可以用于已由其他分类器分类为候选姿势窗口的较小窗口中的指尖检测。所述技术也可以适用于硬件加速。例如,所述技术可以实时运行。例如,VGA帧可以在几秒钟内在单个2.6GHz Sandy Bridge内核中处理。在另一个示例中,处理VGA帧可以是可并行的并且适合于GPU或定制硬件加速(例如,卷积、模板匹配、分簇加速等)。其他实时示例可以包括简单的工程扩展(例如,使用SIMD SSE/AVX指令、多核、GPU EU或硬件加速器)。
一种技术可以由几个操作组成。第一处理操作可以包括边缘图(edge map)创建阶段和距离图(distance map)创建阶段。距离图可以直接从边缘图创建。边缘图可以由七个单独的颜色通道(即,R、G、B、Y、Cr、Cb和S)中的一个或多个创建,以便最小化由于手和背景之间的灰度值碰撞而丢失手指边缘信息的概率。虽然当使用少于七个上述通道时可能会出现这种碰撞,但是如果所有七个通道都贡献于边缘图,则可能不会出现这种碰撞。在示例中,可以使用描绘张开手掌姿势的约80个图像的数据库。在示例中,在创建边缘图之后,可以创建距离图。距离图可以用表示像素和最近边缘像素之间的距离的距离值来注释图像中的像素。
距离图可以用作多阶段模板匹配过程的输入。模板匹配阶段可以包括第一广泛搜索操作,其中手指模板与不同位置、角度或大小的边缘和距离图匹配。第一阶段可以返回根据手指模板的边缘像素与图的边缘像素之间的累积距离确定的一定数量的候选模板配置(例如,与多个位置、角度或大小相关联)。例如,累积距离(cumulative distance)可以包括使用对一个或多个像素距离值进行操作的任何数学过程计算的任何距离。在示例中,可能有50000到200000像素。第二阶段可以通过确定最佳手指形状参数来细化模板配置,并且还可以包括最佳位置、角度或大小值。第二阶段可以包括合并操作,其中彼此靠近的模板配置被合并。可以从第二阶段选择与边缘像素的距离非常小的一定数量的模板配置。在示例中,这些配置的数量可以是50到100。第三操作可以运行贪婪算法,其首先计算可构成候选张开手掌姿势的指尖轮廓线的手指模板的簇。可以根据组合的颜色均匀性或边缘距离度量对这些簇进行排序。在示例中,贪婪算法可以返回一定数量的最高排名的簇。在具体示例中,当帧中存在张开手掌时,几乎100%的样本可以在贪婪算法返回的前10-20个簇中包括最好地描述指尖轮廓线的位置的簇。在另一具体示例中,超过95%的样本可以在贪婪算法返回的那些簇中包括排名第一的最佳簇。
图2根据一些实施例大体展示了具有所识别的手指模板(例如202)的图像200。图像200包括所识别的手指模板202的示例。在一个实施例中,可以在图像200中检测边缘。例如,可以使用颜色通道数据在图像200中检测边缘。颜色通道数据可以包括七个颜色通道(比如红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色或饱和度)中的一个或多个。在另一个示例中,可以针对图像200的检测到的边缘上的多个像素确定距离图。距离图可以包括多个像素相对于彼此的接近度信息。可以通过确定从在检测到的边缘上的多个像素的第一组中的像素到手指模板中的若干组像素的累积距离来确定识别的手指模板202。
图3A至图3C大体展示了根据一些实施例的图像的图(例如,300、301或302)。图3D至图3F大体展示了根据一些实施例的图像中边缘检测的图(例如,303、304或305)。边缘检测的图303、304和305分别与图像的图300、301和302相关。在示例中,图3D至图3F中的图(例如,303、304或305)可以被反转以便于观看(例如,黑色场上的白点)。
在示例中,创建边缘图以检测输入图像中的边缘,这可以促进用于检测指尖的模板匹配。可以进行边缘检测以限定要检测的形状(例如,手指形状),这些形状可以独立于背景颜色特性而与背景形状或像素区分开。当使用单个灰度通道时,这个过程可能很困难。在示例中,可以使用基于许多不同灰度信号的边缘信息。灰度信号可以与图像的不同颜色特性相关联。
边缘图创建技术可以包括Canny边缘检测器的多通道变体。在示例中,可以使用七个颜色通道。七个通道可以包括红色(R)、绿色(G)、蓝色(B)、Y亮度(Y)、彩色红色(Cr)、彩色蓝色(Cb)和饱和度(S)。每个通道可以返回单独的边缘图。如果最终图中的像素是七个输入通道返回的图中的至少一个图中的边缘像素,则其可以被认为是边缘像素。可以通过在由R、G、B、Y、Cr、Cb和S返回的边缘图之间执行逻辑或运算来计算最终图。
在示例中,可以使用用于区分‘粗边缘’(例如,非常强烈地被认为是边缘像素的像素)和‘细边缘’(例如,可能是最终图中的边缘像素的像素)的固定阈值。在另一个示例中,可以使用从空间导数幅度直方图确定的动态阈值。使用动态阈值可以允许在每个通道中更准确地跟踪有意义的边缘像素,每个通道使用不同的阈值。
在另一个示例中,技术可以应用滞后过程来找到每个图的边缘像素。所述方法可以类似于Canny技术,或者可以使用从空间导数直方图动态地计算的阈值。在又一示例中,使用滞后的技术可以扩展相邻候选边缘像素的概念,以包括大于最近的3×3窗口的邻域中的像素。例如,可以考虑具有垂直于将这些像素与中心像素连接的线的梯度的像素。在示例中,可以使用来自具有比用于降噪的Sobel边缘检测器(例如,用于Canny的那些)更大的尺度值的规范化高斯导数的边缘滤波器。可以将这些滤波器应用于输入图像的适当模糊的版本。
在示例中,可以使用简单的接近度信息广播技术来确定距离图。在其他示例中,可以使用替代技术,比如基于Voronoi图的技术。
图4根据一些实施例大体展示了手指模板400。一种技术可以包括模板匹配操作,其可以将手指模板400放置在距离图的顶部的不同位置处。所述技术可以包括计算手指模板400的边缘像素与距离图的边缘像素之间的累积距离。在示例中,手指模板400可以包括类似于指尖轮廓线的形状。所述形状可以由两个线段和两个椭圆段组成。手指模板400可以被参数化为六个参数,比如图4中所示的a、h、bl、br、cl和d。例如,这些参数可以确定图4中所示的线段和椭圆段终点。参数a、bl、br、cl和d也可以用它们与参数h的比率表示。每次将参数h设置为不同的值时,可以生成相同手指模板400的不同尺度版本。以这种方式,参数a、bl、br、cl和d指示手指模板400的形状,而参数h指示其大小。
手指模板400可以使用其六个参数值和位置信息来呈现。在呈现期间,所述技术可以确定构成模板的绘制线段和椭圆段的像素的坐标。手指模板400可以在旋转不同的角度值的不同位置被呈现。手指模板400可以与位置信息、大小信息和旋转信息相关联。位置、旋转和大小信息的组合可以包括模板配置。模板的尺度可以包括模板的大小。模板的尺度可以由参数h的值表示。为了执行模板匹配,可以使用模板配置的像素的坐标来获得关于这些像素与输入边缘图中的边缘像素之间的距离的信息。所述信息可以来自对应的距离图。用于确定模板配置与输入边缘图中的实际轮廓的接近度的度量可以包括配置中的像素与图中最近的边缘像素的平均平方距离。模板配置也可以被称为模板匹配。
在示例中,模板匹配操作可以包括对候选模板配置的广泛搜索。在这种广泛搜索期间,可以使用单个手指形状。所述形状的参数可以表示可以来自大训练集的图4中所示的参数(例如,a、bl、br、cl或d)的期望值。在示例中,在广泛(粗糙)搜索期间,图像宽度和高度可以被划分为像素间隔(例如,8个像素)。可以将参数h的尺度空间(例如,从h=16个像素至h=80个像素)类似地划分为像素间隔(例如,8个像素、16个像素等)。在示例中,旋转值的空间可以在-0.57弧度至0.57弧度之间,并且可以被划分为弧度间隔(例如,0.08弧度、0.19弧度、0.26弧度等)。其他实施例可以将搜索空间划分为不同的间隔。来自上述间隔的位置、尺度和角度值的组合可以被认为是候选模板配置。传递到下一阶段的配置可以包括具有低于阈值的边缘像素距离的配置。阈值可以表示为手指的尺度参数的函数。在一个实施例中,阈值等于手指形状的尺度乘以因子。对于所述操作,可以通过实验确定因子或绝对阈值。可以使用来自位于粗糙搜索的相同间隔内的两个手指配置之间的最大距离的因子。对于VGA分辨率考虑的配置的总数可以包括最大值(例如,302000)。在一些实施例中,可以在用于加速的不同处理单元之间分割所述技术的这一部分。另一个示例可以涉及预先确定与可能的大小或角度值(例如围绕坐标中心(0,0))相关联的模板配置。在所述示例中,确定配置与实际轮廓线的接近度可以涉及将预先确定的配置从坐标中心(0,0)转换到目的地位置并计算距离度量的值。在示例中,预先确定模板配置可以包括预先计算手指模板的像素的坐标。
在示例中,模板匹配可以包括细化的搜索。细化的搜索可以包括使用一系列尺度、角度或位置细化操作来进一步细化通过粗糙搜索的配置。在细化的搜索中,可以针对迭代来细化单个参数值(例如,尺度、角度、位置x、位置y或类似细化)。细化可以包括取参数值(例如,尺度=s0)并使用两个相差预定的量的额外的值。例如,所述量可以等于前一阶段使用的间隔的一半(例如,如果在前一个细化或初始匹配中使用8个像素的尺度,则在下一个细化中可以使用4个像素)。如果前一阶段使用的尺度间隔是Δs,则两个额外的值可以是s0+Δs/2和s0-Δs/2。在示例中,粗糙搜索Δs可以等于8个像素。细化操作可以用s0、s0+Δs/2和s0-Δs/2中产生最佳边缘像素距离的一个值代替正在被细化的值。细化的搜索可以涉及一定数量的细化周期(例如,2个、3个、4个等)。周期可以涉及单独的细化操作(例如,尺度、角度、位置x、位置y或类似细化)。在示例中,周期可以使用为前一周期所使用的间隔的值的一半的间隔。对于尺度、位置x或位置y参数,例如,三个周期所使用的间隔可以等于4个像素、2个像素和1个像素。对于旋转角度参数,三个周期所使用的间隔可以是0.095弧度、0.0475弧度和0.02375弧度。
在细化的搜索结束时,边缘像素距离低于第二阈值的配置可以被修剪。在这个阶段可以如先前那样使用尺度相关阈值。所述第二阈值可以比粗糙搜索使用的阈值更严格,并且通过实验使用类似的方法确定。对于VGA分辨率在此阶段考虑的配置的总数可以是100000的数量级。可以在不同的处理单元之间分割处理工作量。模板匹配操作可以包括使用彼此相似的配置并且将它们合并。在示例中,相似可能意味着尺度之间的尺度相关的差、配置的x中心坐标和y中心坐标各自小于阈值。在另一个示例中,配置角度之间的绝对差可以小于阈值。在示例中,对于VGA分辨率,合并后的配置的数量可以包括10000到30000个配置。
在示例中,模板匹配可以包括形状细化操作。在先前的操作中,多个配置与单个形状的手指形状参数(例如,a、bl、br、cl和d值)相关联。在所述操作中,可以相对于来自人造手指的数据库的替代手指形状考虑配置的形状。人造手指形状可以通过机器学习训练产生。在示例中,期望最大化(EM)技术可以用于训练。在另一个示例中,k均值或在线k均值聚类技术可用于训练。为了支持训练,具有手指形状的图像可以用手指的椭圆线段的端点中的颜色注释,如图4中所示。在形状细化操作中,配置的手指形状可以由产生最佳边缘像素距离的形状代替。可以使用人造手指数据库。在示例中,人造手指数据库可以包含几百个手指形状(例如,300、400、500等)。手指形状可以从较少数量的来自几个人(例如,在示例中为四个)的实际手指形状(例如,小于100)产生。从具有实质上不同的手指形状的几个人(例如,一个或多个男性、一个或多个女性以及一个或多个儿童)产生的数据库可足以返回良好的手指检测。由于在所述操作中使用的手指形状的数量远大于1的事实,因此预先确定粗糙搜索和细化的搜索中使用的手指模板的优化可能不容易应用。替代地,人造手指形状可以根据它们的相似性被分组成族。手指形状族可以进一步组织成族树。使用族树信息可以通过将模板与族树中最接近的族的模板进行比较来大大减少手指形状评估过程的时间。在示例中,操作可以包括使用比先前两个阈值更严格的阈值对模板配置的第三次修剪。在另一个示例中,第三次修剪可以使用绝对(例如,尺度不变)阈值。这样的修剪之后可以是相似模板配置的第二次合并。所得到的配置可以例如为50-100个配置的数量级。形状细化也可以在多个处理单元之间分割。
在示例中,处理器可以通过确定在检测到的边缘上的多个像素的第一组中的像素与手指模板中的若干组像素的累积距离来确定第一组手指模板匹配。例如,第一组手指模板匹配可以包括指示手指形状的参数。在另一个示例中,累积距离可以包括第一组手指模板匹配中的像素与检测到的边缘上的多个像素的平均平方距离。在又一示例中,可以通过确定模板匹配中的多个像素与图像边缘像素之间的累积距离小于最大阈值来确定第一组手指模板匹配。为了细化第一组手指模板匹配,处理器可以使用尺度、角度或位置参数。在示例中,处理器可以用经细化手指形状来代替第一手指模板的形状。
图5A至图5D大体展示了根据一些实施例的用于检测手的有效手掌(例如,500A至500D)的试探法。在图5A至图5D所示的示例中,试探式技术可以包括检测手掌。在示例中,一种技术可以包括可能表示相同的张开手掌姿势的不同手指的配置被分簇在一起。配置可以表示四个手指中的一个(例如,食指、中指、无名指或小指)。由于在前面的阶段使用的手指形状的选择,拇指可以被排除在搜索之外。在另一个示例中,拇指可以被包括为第五手指。为了将手指模板分组成簇,可以应用一定数量的不同的试探法。在图5A的示例中,试探法可以包括判定手的手指是否具有相似的大小。在图5B的另一个示例中,试探法可以包括判定手的手指是否不重叠。在这个示例中,试探法用于检测张开手掌姿势。在又一示例中,试探法可以包括确定连续的手指彼此不是太远。另一种试探法可以包括连续的手指之间的角度不太宽。试探法可以包括手指不直接在张开手掌姿势中的另一个手指下方。采用多种试探法(比如上面针对图5A-5D描述的用于检测手的有效手掌的那些)的技术是通用的并且适用于多个手姿势,包括但不限于张开手掌姿势、V形姿势、食指竖起姿势等。下面的讨论侧重于张开手掌姿势,但是可以使用试探法检测任何手姿势。
试探法可以包括尺度试探法。尺度试探法可以包括确定一簇的两个手指上的手指长度的相似性。尺度试探法可以包括对图5A中的第一手指尺度值s1 502A和第二手指尺度值s2 502B的计算。在示例中,尺度试探法可以包括由两个手指的尺度值s1 502A和s2 502B确定的确定(例如,|s1-s2|/max(s1,s2))。在所述示例中,尺度试探法可以判定值|s1-s2|/max(s1,s2)是否小于阈值,以便将手指视为同一簇的一部分。第二个试探法是最小或最大距离试探法。在示例中,最小或最大距离试探法可以包括两个手指的中心的距离d 504与图5B中的最大宽度a 506的比率。在示例中,如果两个手指的比率超过或低于阈值,则两个手指可能是在一个簇中。
在示例中,‘手指之间的角度’试探法可以包括判定通过模板匹配过程确定的图5C上的可能的顺序手指之间的角度508是否小于阈值。如果角度508低于阈值,则这些手指可以是同一簇的一部分。在示例中,‘沿着指尖的角度(angle-along-fingertip)’试探法可以包括判定图5D上的在水平线与连接两个指尖的线之间的角度510是否小于阈值。如果所述角度低于阈值,则这些手指可以是同一簇的一部分。
使用一种试探法或多钟试探法,一种技术可以贪婪地确定两个手指的可能簇。所述技术还可以确定可能是一簇的一部分的三个手指或四个手指。在示例中,如果手指与簇的成员满足尺度、最小距离、最大距离、手指之间的角度或者指尖之间的角度试探法,则所述手指可以被认为是所述簇的一部分。在示例中,试探法中的一种或多种可以与不同的阈值一起使用。在另一个示例中,为了成为簇的成员,手指可能需要与另一个手指、两个其他手指、所有其他手指等满足试探法的阈值。在又一示例中,如果手指与簇的所有成员满足尺度、最小距离和指尖之间的角度试探法并且与所述簇的至少一个成员满足最大距离和手指之间的角度试探法,则所述手指被认为是所述簇的一部分。
在示例中,一种技术可以包括使用试探法将第一手指模板与三个其他手指模板一起分簇以创建有效的张开手掌检测。张开手掌检测技术可以包括尺度试探法、最小距离试探法、最大距离试探法、第一手指模板与第二手指模板之间的角度试探法或第一手指模板中的第一指尖与第二手指模板上的第二指尖之间的角度试探法。在另一个示例中,所述技术可以包括通过对多个像素的多个组迭代用于确定第一手指模板的操作从而确定多个其他手指模板,并且其中,多个手指模板可以包括来自所述多个像素的第一组的第一手指模板、来自所述多个像素的第二组的第二手指模板、来自所述多个像素的第三组的第三手指模板和来自所述多个像素的第四组的第四手指模板。
试探法可以用于判定手掌检测是否适当,比如通过使用连续手指模板的相对高度。在另一个示例中,为了确定手掌检测是适当的,连续手指模板的相对高度可以包括高度的一次增大随后是高度的两次降低或高度的两次增大随后是高度的一次降低的序列。在示例中,如果检测中的每个手指模板内的颜色均匀性度量超过第一阈值,则手掌检测可以被认为是适当的。在另一个示例中,如果从两个或更多个手指模板计算的颜色均匀性度量超过第二阈值,则手掌检测可以被认为是适当的。
图6A至图6B大体展示了根据一些实施例的用于适当性检查的张开手掌模型600A和600B。在示例中,张开手掌模型600A可以表示左手。在另一个示例中,张开手掌模型600B可以表示右手。适当性检查可以包括判定张开手掌模型是否表示左手或右手。
可以检查一簇的‘适当性’。在示例中,如果簇的连续指尖的y坐标上升两次并且下降一次,则所述簇可以是适当的。在另一个示例中,如果簇的连续指尖的y坐标上升一次并且下降两次,则所述簇可以是适当的。例如,在张开手掌模型600A中,左手簇可以包括所述左手簇的连续指尖的y坐标上升两次并且下降一次。张开手掌模型600A可以包括所述左手簇的连续的小指和无名指指尖的y坐标沿箭头602上升以及所述簇的连续的无名指和中指指尖的y坐标沿箭头604上升。张开手掌模型600A可以包括所述簇的连续的中指和食指指尖的y坐标沿箭头606下降。三个箭头602、604和606的图案可以是上升两次并且下降一次,这指示适当的张开手掌模型600A。在示例中,张开手掌模型600B可以表示第二可能的适当的张开手掌模型,其中箭头608、610和612以上升然后两次下降的图案表示右手簇的连续指尖的y坐标。
在另一个示例中,由指尖轮廓线包围的区域在它们的颜色方面可以相对均匀。颜色均匀性可用于确定张开手掌模型的适当性。在示例中,可以通过检查Cr-Cb、H或S颜色描述的变化是否限制在手指中来检查颜色均匀性。可以对另外的手指重复所述过程。在示例中,阈值可以用于单个手指、多个手指或张开手掌模型中的所有四个手指。如果这些组中的一个或多个超过所述阈值,则所述张开手掌模型可以被认为是适当的或有效的。在另一个示例中,可以使用手指之间的Cr-Cb、H或S颜色描述中的平均值之间的距离被限制来确定张开手掌模型适当性。
在另一个示例中,在应用指尖之间的角度和适当性试探法之前,可以旋转候选簇,使得用于适当性确定的参考手指处于直立位置。这可以有助于确保适当性确定针对张开手掌姿势的可能旋转而言是鲁棒的。在示例中,可以通过上述粗糙搜索技术使用的角度边界来确定所述技术可以使用的总旋转。
在示例中,可以根据组合的边缘距离或颜色均匀性度量对通过适当性确定的簇相对于通过适当性确定的其他簇进行排序。排序的结果可以包括在张开手掌模型中使用最高排名的一个或多个簇。在另一个示例中,所述技术所考虑的中间簇的数量可能很大(例如,100到1000个),并且所述技术可以在一定数量的处理单元之间分割。
图7根据一些实施例大体展示了示出一种用于使用图像来检测手的手掌的方法700的流程图。方法700可以包括操作702,所述操作用于确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括图像中在所检测的边缘上的一组图像像素。操作702可以包括:其中,所述多个手指模板匹配包括多个单独手指模板匹配。例如,单独手指模板匹配可以包括指定数量的手指模板(例如,一个、四个等等)。在示例中,方法700还可以包括:使用颜色通道数据检测图像中的边缘。例如,颜色通道数据可以包括红色、绿色、蓝色、y-亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
方法700可以包括操作704,所述操作用于从所述多个手指模板匹配中选择一组手指模板匹配,所述组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值。在示例中,操作704包括:其中,所述多个累积距离值包括所述组图像像素中的像素与所述多个手指模板匹配中的像素的平均平方距离。
方法700可以包括操作706,所述操作用于细化所述组手指模板匹配以创建经细化手指模板,其中,创建经细化手指模板包括使用手指模板搜索、手指模板合并和手指模板阈值化。在示例中,手指模板搜索、手指模板合并和手指模板阈值化包括在尺度、角度或距离试探法上的手指模板搜索、手指模板合并和手指模板阈值化。例如,尺度试探法可以包括对手指模板的长度执行计算,阈值距离试探法可以包括对手指模板之间(例如,手指模板的指尖之间)的最大或最小距离执行计算,并且角度试探法可以包括对手指模板之间的最大或最小距离执行计算。
方法700可以包括操作708,所述操作用于分簇经细化手指模板以创建一簇经细化手指模板。操作708可以包括:使用尺度、距离或角度试探法来分簇经细化手指模板。方法700可以包括操作710,所述操作用于验证一簇经细化手指模板包括有效手掌检测。在示例中,操作710可以包括:通过确定经细化手指模板包括指定数量的经细化手指模板(例如,一个、四个等)来验证一簇经细化手指模板包括有效手掌检测。在另一个示例中,操作710包括:通过判定指定数量的经细化手指模板中的颜色是否基本上是均匀的来验证一簇经细化手指模板包括有效手掌检测。在另一个示例中,操作710包括:通过确定指定数量的经细化手指模板中的连续手指模板之间的有序长度差来验证一簇经细化手指模板包括有效手掌检测,其中,长度差包括从轴线到指尖的质心坐标的距离。例如,操作710可以包括:通过验证有序长度差连续地包括一个正长度差和两个负长度差或连续地包括两个正长度差和一个负长度差来验证一簇经细化手指模板包括有效的张开手掌检测。
图8是根据实施例展示有效手掌检测系统800的示意图。在示例中,有效手掌检测系统可以包括手指模板模块802。手指模板模块802可以确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括图像中在所检测的边缘上的一组图像像素,并且从所述多个手指模板匹配中选择一组手指模板匹配,所述组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值。
在示例中,手指模板模块802可以使用单个模板的粗糙搜索来判定图像中是否存在手指,其中,所述单个模板是数据库中的多个模板的平均模板。在另一个示例中,手指模板模块802可以预先确定所述组所选择的手指模板匹配。检测到的边缘可以包括使用颜色通道数据检测到的边缘。颜色通道数据可以包括红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色或饱和度中的至少一个。
有效手掌检测系统800可以包括细化模块804。细化模块804可以细化所述组手指模板匹配以创建经细化手指模板,其中,创建经细化手指模板包括使用手指模板搜索、合并和阈值化。在示例中,细化模块804可以通过使用手指模板搜索、手指模板合并和手指模板阈值化来细化经细化手指模板从而迭代细化。
在另一个示例中,细化模块804可以:在每次连续细化之后将细化间隔减小一半来迭代细化,其中,细化间隔包括一定数量的像素或者一个角度;将从所述组图像像素中的像素到第一手指模板匹配中的像素与从所述组图像像素中的像素到第二手指模板匹配中的像素的所述多个累积距离值进行比较,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中,并且其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数而确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。在又一示例中,第二手指模板匹配可以包括与第一手指模板匹配不相同的形状。经细化手指模板可以包括多个形状。可以使用树形经细化手指模板形状族数据结构将所述多个形状存储在数据库中。
有效手掌检测系统800可以包括分簇模块806。分簇模块806可以从经细化手指模板中创建一簇经细化手指模板。在示例中,分簇模块806可以使用刻度、距离或角度试探法来创建所述簇。在另一个示例中,分簇模块806可以确定多个可能的具有至少一个且少于六个手指模板匹配的簇,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
有效手掌检测系统800可以包括验证模块808。验证模块808可以验证一簇经细化手指模板包括有效手掌检测。在示例中,验证模块808用于确定一簇经细化手指模板包括指定数量的手指模板。例如,验证模块808可以判定指定数量的手指模板中的颜色是否基本上是均匀的。在另一个示例中,验证模块808可以确定一簇经细化手指模板中的连续经细化手指模板之间的有序长度差,其中,长度差包括从轴线到指尖的质心坐标的距离。例如,验证模块808可以验证有序长度差连续地包括一个正长度差和两个负长度差或连续地包括两个正长度差和一个负长度差。
图9总体上展示了根据一些实施例的机器900的框图的示例,可以在所述机器上执行本文中所描述的技术(例如,方法)中的任何一项或多项。在替代性实施例中,机器900可作为独立设备而进行操作或者可以连接(例如,连网)至其他机器。在联网部署中,机器900在服务器-客户端网络环境中可以以服务器机器、客户端机器或两者的身份进行操作。在示例中,机器900可以充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器900可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web电器、网络路由器、交换机或桥、或能够执行指定要由所述机器采取的动作的(顺序或以其他方式)指令的任何机器。进一步地,虽然仅展示了单个机器,但术语“机器”还应视为包括机器的任何集合,所述机器单独地或联合地执行指令集合(或多个集合)以便执行本文中所讨论的方法中的任何一种或多种方法,比如,云计算、作为服务的软件(SaaS)、其他计算机簇配置。
如本文所述的示例可以包括或可以操作在逻辑或一定数量的部件、模块或机制上。模块是能够在操作时执行指定操作的有形实体(例如,硬件)。模块包括硬件。在示例中,硬件可以被具体配置为执行特定操作(例如,硬连线)。在示例中,硬件可以包括可配置执行单元(例如,晶体管、电路等)和包含指令的计算机可读介质,其中,所述指令将执行单元配置成用于在操作时执行特定操作。可以在执行单元或加载机构的指导下发生配置。因此,在设备进行操作时,执行单元通信地耦合至计算机可读介质。在所述示例中,执行单元可以是多于一个模块的成员。例如,在操作中,执行单元可由第一组指令配置成用于在一个时间点实施第一模块,并且由第二组指令重新配置成用于实施第二模块。
机器(例如,计算机系统)900可以包括硬件处理器902(例如,中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核或其任何组合)、主存储器904和静态存储器906,所述组件的一些或全部组件可以经由互连链路(例如,总线)908彼此通信。机器900可以进一步包括显示单元910、字母数字输入设备912(例如,键盘)和用户接口(UI)导航设备914(例如,鼠标)。在示例中,显示单元910、字母数字输入设备912和UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如,驱动单元)916、信号生成设备918(例如,扬声器)、网络接口设备920以及一个或多个传感器921,比如,全球定位系统(GPS)传感器、指南针、加速度计或其他传感器。机器900可以包括输出控制器928(比如,串行(例如,通用串行总线(USB))、并行或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接以便通信或控制一个或多个外围设备(例如,打印机、读卡器等)。
存储设备916可包括非瞬态机器可读介质922,其上存储有一个或多个数据结构或指令集合924(例如,软件),所述一个或多个数据结构或指令集合实施本文中所描述的技术或功能中的一项或多项或者由其利用。指令924还可以全部或至少部分地驻留在主存储器904内、在静态存储器906内或在由机器900对其的执行期间驻留在硬件处理器902内。在示例中,硬件处理器902、主存储器904、静态存储器906或存储设备916的一个或任何组合可以构成机器可读介质。
虽然机器可读介质922被展示为单个介质,但是术语“机器可读介质”可以包括被配置成用于存储所述一个或多个指令924的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联高速缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码或承载用于由机器900执行的指令且使机器900执行本公开的技术中的任何一种或多种的任何介质或能够存储、编码或承载由这种指令使用或与这种指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器以及光介质和磁介质。在示例中,大容量的机器可读介质包括带有具有不变(例如,静止)质量的多个粒子的机器可读介质。相应地,大容量的机器可读介质不是瞬态传播信号。大容量的机器可读介质的特定示例可包括:非易失性存储器,比如半导体存储器设备(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪速存储器设备;磁盘,如内置硬盘和可移除磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
可以进一步利用一定数量的传输协议(例如,帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任一种协议、经由网络接口设备920、使用传输介质、通过通信网络926来传输或接收指令924。示例通信网络可以包括:局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络、以及无线数据网络(例如,已知为的电气与电子工程师协会(IEEE)802.11标准家族、已知为的IEEE 802.16标准家族)、IEEE802.15.4标准家族、点对点(P2P)网络等等。在示例中,网络接口设备920可以包括一个或多个物理插孔(例如,以太网、同轴或电话插孔)或一个或多个天线以便连接至通信网络926。在示例中,网络接口设备920可以包括多个天线以便用于使用单输入多输出(SMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种技术来进行无线通信。术语“传输介质”应视为包括能够存储、编码或承载由机器900执行的指令的任何无形介质,并且包括数字或模拟通信信号或者促进这种软件通信的其他无形介质。
各种说明和示例
这些非限制性示例中的每一个可以独立地存在,或者可以以与其他示例中的一个或多个的各种排列或组合的方式组合。
示例1包括由用于使用图像来检测手的手掌的系统实施的主题,所述系统包括:手指模板模块,所述手指模板模块用于:确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括在所述图像中的所检测边缘上的一组图像像素,并且从所述多个手指模板匹配中选择一组手指模板匹配,所述组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值;细化模块,所述细化模块用于细化所述组手指模板匹配以创建经细化手指模板,其中,创建所述经细化手指模板包括使用手指模板搜索、合并和阈值化;分簇模块,所述分簇模块用于从所述经细化手指模板中创建一簇经细化手指模板;以及验证模块,所述验证模块用于验证所述簇经细化手指模板包括有效手掌检测。
在示例2中,示例1的主题可以可选地包括:其中,所述手指模板模块用于使用单个模板的粗糙搜索来判定所述图像中是否存在手指,其中,所述单个模板是数据库中的多个模板的平均模板。
在示例3中,实例1-2中的一个或其任何组合的主题可以可选地包括:其中,所述手指模板模块用于预先确定所述组所选择的手指模板匹配。
在示例4中,示例1-3的一个或其任何组合的主题可以可选地包括:其中,所述细化模块用于通过使用手指模板搜索、合并和阈值化来细化所述经细化手指模板从而迭代细化。
在示例5中,示例1-4中的一个或其任何组合的主题可以可选地包括:其中,为了迭代细化,所述细化模块用于:在每次连续细化之后将细化间隔减小一半,其中,所述细化间隔包括一定数量的像素或者一个角度;将从所述组图像像素中的像素到第一手指模板匹配中的像素与到第二手指模板匹配中的像素的所述多个累积距离值进行比较,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中,并且其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数而确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。
在示例6中,示例1-5中的一个或其任何组合的主题可以可选地包括:其中,所述第二手指模板匹配包括与所述第一手指模板匹配不相同的形状。
在示例7中,示例1-6中的一个或其任何组合的主题可以可选地包括:其中,所述经细化手指模板包括多个形状,所述多个形状是使用树形经细化手指模板形状族数据结构来存储的。
在示例8中,示例1-7中的一个或其任何组合的主题可以可选地包括:其中,所述多个累积距离值包括所述组图像像素中的所述像素与所述多个手指模板匹配中的所述像素的平均平方距离。
在示例9中,示例1-8中的一个或其任何组合的主题可以可选地包括:其中,所述所检测边缘包括使用颜色通道数据检测到的边缘,所述颜色通道数据包括红色、绿色、蓝色、y-亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
在示例10中,示例1-9中的一个或其任何组合的主题可以可选地包括:其中,为了创建所述簇,所述分簇模块使用刻度、距离或角度试探法。
在示例11中,示例1-10中的一个或其任何组合的主题可以可选地包括:其中,为了创建所述簇,所述分簇模块用于确定多个可能的具有至少一个且少于六个手指模板匹配的簇,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
在示例12中,示例1-11中的一个或其任何组合的主题可以可选地包括:其中,为了验证所述簇经细化手指模板包括所述有效手掌检测,所述验证模块用于确定所述簇经细化手指模板包括指定数量的手指模板。
在示例13中,示例1-12中的一个或其任何组合的主题可以可选地包括:其中,为了验证所述簇经细化手指模板包括所述有效手掌检测,所述验证模块用于判定所述指定数量的手指模板中的颜色是否基本上是均匀的。
在示例14中,示例1-13中的一个或其任何组合的主题可以可选地包括:其中,为了验证所述簇经细化手指模板包括所述有效手掌检测,所述验证模块用于确定所述簇经细化手指模板中的连续经细化手指模板之间的有序长度差,其中,长度差包括从轴线到指尖的质心坐标的距离。
在示例15中,示例1-14中的一个或其任何组合的主题可以可选地包括:其中,为了验证所述簇经细化手指模板包括所述有效手掌检测,所述验证模块用于验证所述有序长度差包括一个正长度差和两个连续负长度差的序列或两个连续正长度差和一个负长度差的序列。
示例16包括由用于使用图像来检测手的手掌的方法实施的主题,所述方法包括:在处理器处确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括在所述图像中的所检测边缘上的一组图像像素;从所述多个手指模板匹配中选择一组手指模板匹配,所述组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值;细化所述组手指模板匹配以创建经细化手指模板,其中,创建所述经细化手指模板包括使用手指模板搜索、手指模板合并和手指模板阈值化;分簇经细化手指模板以创建一簇经细化手指模板;以及验证所述簇经细化手指模板包括有效手掌检测。
在示例17中,示例16的主题可以可选地包括:进一步包括使用颜色通道数据检测所述图像中的边缘。
在示例18中,示例16-17中的一个或其任何组合的主题可以可选地包括:其中,所述颜色通道数据包括红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
在示例19中,示例16-18中的一个或其任何组合的主题可以可选地包括:进一步包括使用单个模板的粗糙搜索来判定所述图像中是否存在手指,其中,所述单个模板是数据库中的多个模板的平均模板。
在示例20中,示例16-19中的一个或其任何组合的主题可以可选地包括:进一步包括预先确定所述组所选择的手指模板匹配。
在示例21中,示例16-20中的一个或其任何组合的主题可以可选地包括:进一步包括通过使用手指模板搜索、合并和阈值化来细化所述经细化手指模板而迭代细化。
在示例22中,示例16-21中的一个或其任何组合的主题可以可选地包括:其中,迭代细化包括:在每次连续细化之后将细化间隔减小一半,其中,所述细化间隔包括一定数量的像素或者一个角度;将从所述组图像像素中的像素到第一手指模板匹配中的像素与到第二手指模板匹配中的像素的所述多个累积距离值进行比较,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中,并且其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数而确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。
在示例23中,示例16-22中的一个或其任何组合的主题可以可选地包括:其中,所述第二手指模板匹配包括与所述第一手指模板匹配不相同的形状。
在示例24中,示例16-23中的一个或其任何组合的主题可以可选地包括:其中,所述经细化手指模板包括多个形状,所述多个形状是使用树形经细化手指模板形状族数据结构来存储的。
在示例25中,示例16-24中的一个或其任何组合的主题可以可选地包括:其中,所述多个累积距离值包括所述组图像像素中的所述像素与所述多个手指模板匹配中的所述像素的平均平方距离。
在示例26中,示例16-25中的一个或其任何组合的主题可以可选地包括:其中,创建所述簇包括确定多个可能的具有至少一个且少于六个手指模板匹配的簇,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
在示例27中,示例16-26中的一个或其任何组合的主题可以可选地包括:其中,验证所述经细化手掌模板包括有效手掌检测包括确定所述簇经细化手指模板包括指定数量的手指模板。
在示例28中,示例16-27中的一个或其任何组合的主题可以可选地包括:其中,验证所述簇经细化手指模板包括所述有效手掌检测包括判定所述指定数量的手指模板中的颜色是否基本上是均匀的。
在示例29中,示例16-28中的一个或其任何组合的主题可以可选地包括:其中,验证所述簇经细化手指模板包括所述有效手掌检测包括确定所述簇经细化手指模板中的连续经细化手指模板之间的有序长度差,其中,长度差包括从轴线到指尖的质心坐标的距离。
在示例30中,示例16-29中的一个或其任何组合的主题可以可选地包括:其中,验证所述簇经细化手指模板包括所述有效手掌检测包括验证所述有序长度差包括一个正长度差和两个连续负长度差的序列或两个连续正长度差和一个负长度差的序列。
示例31包括包括用于接收信息的指令的至少一种机器可读介质,所述指令当由机器执行时使所述机器执行示例16-30的方法中的任一种方法。
示例32包括一种设备,所述设备包括用于执行示例16-30的方法中的任一种方法的装置。
示例33包括由设备实施的主题,所述设备包括:用于在处理器处确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值的装置,其中,所述组图像像素包括在所述图像中的所检测边缘上的一组图像像素;用于从所述多个手指模板匹配中选择一组手指模板匹配的装置,所述组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值;用于细化所述组手指模板匹配以创建经细化手指模板的装置,其中,创建所述经细化手指模板包括使用手指模板搜索、手指模板合并和手指模板阈值化;用于分簇经细化手指模板以创建一簇经细化手指模板的装置;以及用于验证所述簇经细化手指模板包括有效手掌检测的装置。
在示例34中,示例33的主题可以可选地包括:进一步包括用于使用颜色通道数据检测所述图像中的边缘的装置。
在示例35中,示例33-34中的一个或其任何组合的主题可以可选地包括:其中,所述颜色通道数据包括红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
在示例36中,示例33-35中的一个或其任何组合的主题可以可选地包括:进一步包括用于使用单个模板的粗糙搜索来判定所述图像中是否存在手指的装置,其中,所述单个模板是数据库中的多个模板的平均模板。
在示例37中,示例33-36中的一个或其任何组合的主题可以可选地包括:进一步包括用于预先确定所述组所选择的手指模板匹配的装置。
在示例38中,示例33-37中的一个或其任何组合的主题可以可选地包括:进一步包括用于通过使用手指模板搜索、合并和阈值化来细化所述经细化手指模板而迭代细化的装置。
在示例39中,示例33-38中的一个或其任何组合的主题可以可选地包括:其中,用于迭代细化的所述装置包括:用于在每次连续细化之后将细化间隔减小一半的装置,其中,所述细化间隔包括一定数量的像素或者一个角度;用于将从所述组图像像素中的像素到第一手指模板匹配中的像素与到第二手指模板匹配中的像素的所述多个累积距离值进行比较的装置,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中,并且其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数而确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。
在示例40中,示例33-39中的一个或其任何组合的主题可以可选地包括:其中,所述第二手指模板匹配包括与所述第一手指模板匹配不相同的形状。
在示例41中,示例33-40中的一个或其任何组合的主题可以可选地包括:其中,所述经细化手指模板包括多个形状,所述多个形状是使用树形经细化手指模板形状族数据结构来存储的。
在示例42中,示例33-41中的一个或其任何组合的主题可以可选地包括:其中,所述多个累积距离值包括所述组图像像素中的所述像素与所述多个手指模板匹配中的所述像素的平均平方距离。
在示例43中,示例33-42中的一个或其任何组合的主题可以可选地包括:其中,用于创建所述簇的所述装置包括用于确定多个可能的具有至少一个且少于六个手指模板匹配的簇的装置,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
在示例44中,示例33-43中的一个或其任何组合的主题可以可选地包括:其中,用于验证所述经细化手掌模板包括有效手掌检测的所述装置包括用于确定所述簇经细化手指模板包括指定数量的手指模板的装置。
在示例45中,示例33-44中的一个或其任何组合的主题可以可选地包括:其中,用于验证所述簇经细化手指模板包括所述有效手掌检测的所述装置包括用于判定所述指定数量的手指模板中的颜色是否基本上是均匀的装置。
在示例46中,示例33-45中的一个或其任何组合的主题可以可选地包括:其中,用于验证所述簇经细化手指模板包括所述有效手掌检测的所述装置包括用于确定所述簇经细化手指模板中的连续经细化手指模板之间的有序长度差的装置,其中,长度差包括从轴线到指尖的质心坐标的距离。
在示例47中,示例33-46中的一个或其任何组合的主题可以可选地包括:其中,用于验证所述簇经细化手指模板包括所述有效手掌检测的所述装置包括用于验证所述有序长度差包括连续的一个正长度差和两个连续负长度差的序列或两个连续正长度差和一个负长度差的序列。
以上的详细描述包括对附图的参照,这些附图形成了详细描述的一部分。附图通过展示的方式示出了特定实施例。这些实施例在本文中也被称为“示例”。这种示例可以包括除所示出或所描述的要素之外的要素。然而,诸位发明人还设想了其中仅提供所示出或所描述的那些要素的示例。另外,诸位发明人还设想了相对于特定示例(或其一个或多个方面)或者相对于本文中所示出或所描述的其他示例(或其一个或多个方面),使用所示出或所描述的那些要素(或其一个或多个方面)的任何组合或排列的示例。
在本文档与通过引用并入的任何文档之间的用法不一致的情况下,以本文档中的用法为准。
在本文档中,如在专利文档中是普遍的,术语“一个(a)”或“一个(an)”用于包括一个或多于一个,独立于“至少一个”或者“一个或多个”的任何其他实例或用法。在本文档中,术语“或者”用于指代非排他的或,从而使得除非另外指示,“A或B”包括“A而没有B”、“B而没有A”以及“A和B”。在本文档中,术语“包括(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的易懂的英文等价词。此外,在以下权利要求书中,术语“包括(including)”和“包括(comprising)”是开放式的,即,除在权利要求中列在此类术语之后的那些元素外还包括元素的系统、设备、物品、组合物、配方或过程仍被视为落入所述权利要求的范围内。此外,在以下权利要求书中,术语“第一”、“第二”和“第三”等仅仅用作标签,并且不旨在对它们的对象施加数值要求。
本文描述的方法示例可以至少部分地是机器或计算机实现的。一些示例可以包括编码有可操作以配置电子设备来执行如上述示例中所述的方法的指令的计算机可读介质或机器可读介质。这种方法的实现可以包括代码,比如微代码、汇编语言代码、更高级别的语言代码等。这种代码可以包括用于执行各种方法的计算机可读指令。所述代码可以形成计算机程序产品的一部分。此外,在示例中,所述代码可以有形地存储在一个或多个易失性、非瞬态或非易失性有形计算机可读介质上,比如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括但不限于硬盘、可移除磁盘、可移除光盘(例如,光盘和数字视频盘)、磁带盒、存储卡或棒、随机存取存储器(RAM)、只读存储器(ROM)等。
以上描述旨在是说明性的,而非限制性的。例如,以上所描述的示例(或其一个或多个方面)可相互组合使用。如本领域的普通技术人员在审阅以上描述后可以使用其他实施例。提供了摘要以符合37C.F.R.§1.72(b),以允许读者快速明确技术公开的性质。基于其将不被用于解释或者限制权利要求书的范围或者含义的理解提交摘要。而且,在以上具体实施方式中,可以将各个特征分组在一起以便精简本公开。这不应当被解释为意图指未要求保护的公开的特征对于任何权利要求是必需的。相反,发明性主题可在于比特定的公开实施例的所有特征要少的特征。因此,以下权利要求作为示例或实施例被并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且预期这些实施例可以以各种组合或排列彼此组合。
Claims (25)
1.一种用于使用图像来检测手的手掌的系统,所述系统包括:
手指模板模块,所述手指模板模块用于:
确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述组图像像素包括所述图像中的所检测边缘上的一组图像像素;
从所述多个手指模板匹配中选择一组手指模板匹配,所述一组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值;
细化模块,所述细化模块用于细化所述一组手指模板匹配以创建经细化手指模板,其中,创建所述经细化手指模板包括使用手指模板搜索、合并和阈值化;
分簇模块,所述分簇模块用于从所述经细化手指模板中创建一簇经细化手指模板;以及
验证模块,所述验证模块用于验证所述一簇经细化手指模板包括有效手掌检测。
2.如权利要求1所述的系统,其中,所述手指模板模块用于使用单个模板的粗糙搜索来判定所述图像中是否存在手指,其中,所述单个模板是数据库中的多个模板的平均模板。
3.如权利要求1所述的系统,其中,所述手指模板模块用于预先确定所述一组所选择的手指模板匹配。
4.如权利要求1所述的系统,其中,所述细化模块用于通过使用手指模板搜索、合并和阈值化来细化所述经细化手指模板从而迭代细化。
5.如权利要求4所述的系统,其中,为了迭代细化,所述细化模块用于:
在每次连续细化之后将细化间隔减小一半,其中,所述细化间隔包括数个像素或者一角度;
将从所述一组图像像素中的像素到第一手指模板匹配中的像素与到第二手指模板匹配中的像素的所述多个累积距离值进行比较,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中;并且
其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数来确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。
6.如权利要求5所述的系统,其中,所述第二手指模板匹配包括与所述第一手指模板匹配不相同的形状。
7.如权利要求5所述的系统,其中,所述经细化手指模板包括多个形状,所述多个形状是使用树形经细化手指模板形状族数据结构来存储的。
8.如权利要求1所述的系统,其中,所述多个累积距离值包括所述组图像像素中的所述像素与所述多个手指模板匹配中的所述像素的平均平方距离。
9.如权利要求1所述的系统,其中,所检测边缘包括使用颜色通道数据检测的边缘,所述颜色通道数据包括红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
10.如权利要求1所述的系统,其中,为了创建所述簇,所述分簇模块使用刻度、距离或角度试探法。
11.如权利要求1所述的系统,其中,为了创建所述簇,所述分簇模块用于确定具有至少一个且少于六个手指模板匹配的多个可能簇,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
12.如权利要求1-11中任一项所述的系统,其中,为了验证所述一簇经细化手指模板包括所述有效手掌检测,所述验证模块用于确定所述一簇经细化手指模板包括指定数量的手指模板。
13.一种用于使用图像来检测手的手掌的方法,所述方法包括:
在处理器处确定从一组图像像素中的像素到多个手指模板匹配中的像素的多个累积距离值,其中,所述一组图像像素包括所述图像中的所检测边缘上的一组图像像素;
从所述多个手指模板匹配中选择一组手指模板匹配,所述一组手指模板匹配对应于来自所述多个累积距离值的一组最小累积距离值;
细化所述一组手指模板匹配以创建经细化手指模板,其中,创建所述经细化手指模板包括使用手指模板搜索、手指模板合并和手指模板阈值化;
对经细化手指模板进行分簇以创建一簇经细化手指模板;以及
验证所述一簇经细化手指模板包括有效手掌检测。
14.如权利要求13所述的方法,进一步包括使用颜色通道数据检测所述图像中的边缘。
15.如权利要求14所述的方法,其中,所述颜色通道数据包括红色、绿色、蓝色、y亮度、彩色红色、彩色蓝色和饱和度中的至少一个。
16.如权利要求13所述的方法,进一步包括使用单个模板的粗糙搜索来判定所述图像中是否存在手指,其中,所述单个模板是数据库中的多个模板的平均模板。
17.如权利要求13所述的方法,进一步包括预先确定所述一组所选择的手指模板匹配。
18.如权利要求13所述的方法,进一步包括通过使用手指模板搜索、合并和阈值化来细化所述所创建的经细化手指模板而迭代细化。
19.如权利要求18所述的方法,其中,迭代细化包括:
在每次连续细化之后将细化间隔减小一半,其中,所述细化间隔包括数个像素或者一角度;
将从所述组图像像素中的像素到第一手指模板匹配中的像素与到第二手指模板匹配中的像素的所述多个累积距离值进行比较,其中,所述第一手指模板匹配和所述第二手指模板匹配在所述多个手指模板匹配中;并且
其中,通过根据细化间隔来增大或减小所述第一手指模板匹配的参数来确定所述第二手指模板匹配,所述细化间隔包括位置、尺度或角度值中的至少一个。
20.如权利要求19所述的方法,其中,所述第二手指模板匹配包括与所述第一手指模板匹配不相同的形状。
21.如权利要求19所述的方法,其中,所述经细化手指模板包括多个形状,所述多个形状是使用树形经细化手指模板形状族数据结构来存储的。
22.如权利要求13所述的方法,其中,所述多个累积距离值包括所述一组图像像素中的所述像素与所述多个手指模板匹配中的所述像素的平均平方距离。
23.如权利要求13所述的方法,其中,创建所述簇包括确定具有至少一个且少于六个手指模板匹配的多个可能簇,其中,所述多个可能簇中的每个可能簇对于所述可能簇中的所有手指模板匹配而言均满足刻度、距离或角度试探法中的至少一个。
24.至少一种机器可读介质,包括用于接收信息的指令,所述指令当由机器执行时使所述机器执行如权利要求13至23所述方法中的任一种方法。
25.一种设备,所述设备包括用于执行如权利要求13至23所述方法中的任一种方法的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/667,393 | 2015-03-24 | ||
US14/667,393 US9558389B2 (en) | 2015-03-24 | 2015-03-24 | Reliable fingertip and palm detection |
PCT/US2016/019336 WO2016153699A1 (en) | 2015-03-24 | 2016-02-24 | Reliable fingertip and palm detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107251048A true CN107251048A (zh) | 2017-10-13 |
CN107251048B CN107251048B (zh) | 2021-09-17 |
Family
ID=56975488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680010413.5A Active CN107251048B (zh) | 2015-03-24 | 2016-02-24 | 可靠指尖和手掌检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9558389B2 (zh) |
EP (1) | EP3274922A4 (zh) |
CN (1) | CN107251048B (zh) |
WO (1) | WO2016153699A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241536A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种掌脉图像识别方法及系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3424019A4 (en) * | 2016-03-01 | 2019-10-23 | Ventana Medical Systems, Inc. | ENHANCED IMAGE ANALYSIS ALGORITHMS USING CONTROL BLADES |
US20170277944A1 (en) * | 2016-03-25 | 2017-09-28 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for positioning the center of palm |
US11340706B2 (en) * | 2017-11-13 | 2022-05-24 | Zyetric Gaming Limited | Gesture recognition based on depth information and computer vision |
CN108197596B (zh) * | 2018-01-24 | 2021-04-06 | 京东方科技集团股份有限公司 | 一种手势识别方法和装置 |
CN109359566B (zh) * | 2018-09-29 | 2022-03-15 | 河南科技大学 | 利用手指特征进行层级分类的手势识别方法 |
US20210027643A1 (en) * | 2019-07-25 | 2021-01-28 | International Business Machines Corporation | Augmented reality tutorial generation |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112747A1 (en) * | 2005-11-15 | 2007-05-17 | Honeywell International Inc. | Method and apparatus for identifying data of interest in a database |
CN101777115A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种安全的指纹认证方法及系统 |
CN102739856A (zh) * | 2012-05-31 | 2012-10-17 | 西安电子科技大学 | 基于手掌图像信息的手机解锁系统及解锁方法 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
US20130343605A1 (en) * | 2012-06-25 | 2013-12-26 | Imimtek, Inc. | Systems and methods for tracking human hands using parts based template matching |
US8638987B2 (en) * | 2010-10-06 | 2014-01-28 | Electonics And Telecommunications Research Institute | Image-based hand detection apparatus and method |
CN103597515A (zh) * | 2011-06-06 | 2014-02-19 | 微软公司 | 用于识别张开的或闭合的手的系统 |
CN103679130A (zh) * | 2012-09-24 | 2014-03-26 | 富士通株式会社 | 手追踪方法、手追踪设备和手势识别系统 |
CN103926999A (zh) * | 2013-01-16 | 2014-07-16 | 株式会社理光 | 手掌开合手势识别方法和装置、人机交互方法和设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3069654A (en) | 1960-03-25 | 1962-12-18 | Paul V C Hough | Method and means for recognizing complex patterns |
US8135181B2 (en) | 2007-03-26 | 2012-03-13 | The Hong Kong Polytechnic University | Method of multi-modal biometric recognition using hand-shape and palmprint |
JP6155786B2 (ja) | 2013-04-15 | 2017-07-05 | オムロン株式会社 | ジェスチャ認識装置、ジェスチャ認識方法、電子機器、制御プログラムおよび記録媒体 |
CN105210115B (zh) | 2013-06-10 | 2020-10-30 | 英特尔公司 | 使用2d图像数据来执行手势识别 |
-
2015
- 2015-03-24 US US14/667,393 patent/US9558389B2/en active Active
-
2016
- 2016-02-24 WO PCT/US2016/019336 patent/WO2016153699A1/en active Application Filing
- 2016-02-24 EP EP16769266.4A patent/EP3274922A4/en not_active Withdrawn
- 2016-02-24 CN CN201680010413.5A patent/CN107251048B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112747A1 (en) * | 2005-11-15 | 2007-05-17 | Honeywell International Inc. | Method and apparatus for identifying data of interest in a database |
CN101777115A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种安全的指纹认证方法及系统 |
US8638987B2 (en) * | 2010-10-06 | 2014-01-28 | Electonics And Telecommunications Research Institute | Image-based hand detection apparatus and method |
CN103597515A (zh) * | 2011-06-06 | 2014-02-19 | 微软公司 | 用于识别张开的或闭合的手的系统 |
CN102739856A (zh) * | 2012-05-31 | 2012-10-17 | 西安电子科技大学 | 基于手掌图像信息的手机解锁系统及解锁方法 |
US20130343605A1 (en) * | 2012-06-25 | 2013-12-26 | Imimtek, Inc. | Systems and methods for tracking human hands using parts based template matching |
CN103679130A (zh) * | 2012-09-24 | 2014-03-26 | 富士通株式会社 | 手追踪方法、手追踪设备和手势识别系统 |
CN103926999A (zh) * | 2013-01-16 | 2014-07-16 | 株式会社理光 | 手掌开合手势识别方法和装置、人机交互方法和设备 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241536A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种掌脉图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2016153699A1 (en) | 2016-09-29 |
EP3274922A4 (en) | 2018-11-21 |
CN107251048B (zh) | 2021-09-17 |
EP3274922A1 (en) | 2018-01-31 |
US9558389B2 (en) | 2017-01-31 |
US20160283768A1 (en) | 2016-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107251048A (zh) | 可靠指尖和手掌检测 | |
CN107688823B (zh) | 一种图像特征获取方法及装置,电子设备 | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN109816769A (zh) | 基于深度相机的场景地图生成方法、装置及设备 | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
CN111832447B (zh) | 建筑图纸构件识别方法、电子设备及相关产品 | |
CN103514432A (zh) | 人脸特征提取方法、设备和计算机程序产品 | |
JP2022521038A (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、装置及び電子機器 | |
CN104978586A (zh) | 商标识别方法和装置 | |
CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
CN108256454B (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
CN109509222B (zh) | 直线类物体的检测方法及装置 | |
CN111401219B (zh) | 一种手掌关键点检测方法和装置 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
CN110110663A (zh) | 一种基于人脸属性的年龄识别方法及系统 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN111046759A (zh) | 人脸识别方法及相关装置 | |
CN111428671A (zh) | 人脸结构化信息识别方法、系统、装置及存储介质 | |
CN106372652A (zh) | 发型识别方法及发型识别装置 | |
CN110321821B (zh) | 基于三维投影的人脸对齐初始化方法及装置、存储介质 | |
CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
CN113780066B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN110321822B (zh) | 基于最邻近检索的人脸对齐初始化方法及装置、存储介质 | |
CN104616302A (zh) | 一种目标实时识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |