CN107483813B - 一种根据手势进行跟踪录播的方法、装置及存储装置 - Google Patents

一种根据手势进行跟踪录播的方法、装置及存储装置 Download PDF

Info

Publication number
CN107483813B
CN107483813B CN201710672541.2A CN201710672541A CN107483813B CN 107483813 B CN107483813 B CN 107483813B CN 201710672541 A CN201710672541 A CN 201710672541A CN 107483813 B CN107483813 B CN 107483813B
Authority
CN
China
Prior art keywords
gesture
network model
detected
image
detection network
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
CN201710672541.2A
Other languages
English (en)
Other versions
CN107483813A (zh
Inventor
陈洪军
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.)
Shenzhen Minrray Industry Corp ltd
Original Assignee
Shenzhen Minrray Industry Corp ltd
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 Shenzhen Minrray Industry Corp ltd filed Critical Shenzhen Minrray Industry Corp ltd
Priority to CN201710672541.2A priority Critical patent/CN107483813B/zh
Publication of CN107483813A publication Critical patent/CN107483813A/zh
Application granted granted Critical
Publication of CN107483813B publication Critical patent/CN107483813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种根据手势进行跟踪录播的方法、装置及存储装置，所述方法包括步骤：预先对手势图片进行深度学习，生成训练好的手势检测网络模型；以及将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制。本发明先通过深度学习建立手势检测网络模型，然后将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，从而能够实时的根据被录像人不同的手势调整摄像机镜头进行跟踪录播，不仅降低了跟踪录播成本，而且大大提高了跟踪录播的准确率。

Description

一种根据手势进行跟踪录播的方法、装置及存储装置
技术领域
本发明涉及跟踪录播技术领域，尤其涉及一种根据手势进行跟踪录播的方法、装置及存储装置。
背景技术
录播系统是把现场摄录的视频、音频、电子设备的图像信号进行整合同步录制，生成标准化的流媒体文件，用来对外直播、存储、后期编辑、点播。录播系统进行跟踪录播时，如何根据被录着的行为调整录播策略至关重要，现有的跟踪录播大多是通过增加辅助摄像头对高度进行检测，判断是否被录像人(例如学生)有站立动作，从而相应的调整摄像头，这样不仅成本较高，而且仅能根据高度判断，容易出错，不够智能，不能根据被录像人不同的手势调整摄像机镜头。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种根据手势进行跟踪录播的方法、装置及存储装置，从而克服现有的跟踪录播方法成本较高，容易出错，不够智能，不能根据被录像人不同的手势调整摄像机镜头的问题。
本发明的技术方案如下：
本发明提供一种根据手势进行跟踪录播的方法，包括：
步骤A、预先对手势图片进行深度学习，生成训练好的手势检测网络模型；以及
步骤B、将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制。
所述的根据手势进行跟踪录播的方法，其中，所述步骤A具体包括：
步骤A1、制作手势图片模板，并构建包含训练集和测试集的手势图片数据库；
步骤A2、构建用于深度学习的手势识别网络模型；
步骤A3、采用手势识别网络模型对手势图片数据库中的手势图片模板进行训练学习，生成训练好的手势检测网络模型。
所述的根据手势进行跟踪录播的方法，其中，所述步骤A3具体包括：
步骤A31、对手势识别网络模型进行深度学习参数配置；
步骤A32、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习，得到初步训练的手势检测网络模型；
步骤A33、使用测试集的手势图片模板对初步训练的手势检测网络模型进行测试，判断测试的准确率是否超过预设的准确率阈值，当是时，生成训练好的手势检测网络模型。
所述的根据手势进行跟踪录播的方法，其中，所述步骤A3具体还包括：
步骤A34、当测试的准确率没有超过预设的准确率阈值时，将训练集的测试失败值反馈给训练集进行学习，重复步骤A32。
所述的根据手势进行跟踪录播的方法，其中，所述步骤A32具体包括：
步骤A321、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习；
步骤A322、判断学习图片数是否大于预设图片数阈值，当是时，得到初步训练的手势检测网络模型，之后进入步骤A33。
所述的根据手势进行跟踪录播的方法，其中，所述步骤B具体包括：
步骤B1、加载训练好的手势检测网络模型，并读取实时采集的待检测图像，然后对待检测图像进行预处理；
步骤B2、将预处理后的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制。
所述的根据手势进行跟踪录播的方法，其中，所述步骤B1中，对待检测图像进行预处理的过程包括对待检测图像进行的归一化转化。
本发明又提供一种根据手势进行跟踪录播的装置，包括：
深度学习模块，用于预先对手势图片进行深度学习，生成训练好的手势检测网络模型；以及
手势分类模块，用于将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制。
本发明还提供另一种根据手势进行跟踪录播的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如以上任一项所述方法的步骤。
本发明还提供一种存储装置，其中，所述存储装置存储有计算机程序，所述计算机程序能够被执行以实现如以上任一项所述方法的步骤。
本发明的有益效果是：本发明提供了一种根据手势进行跟踪录播的方法、装置及存储装置，所述方法先通过深度学习建立手势检测网络模型，然后将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，从而能够实时的根据被录像人不同的手势调整摄像机镜头进行跟踪录播，不仅降低了跟踪录播成本，而且大大提高了跟踪录播的准确率。
附图说明
图1是本发明根据手势进行跟踪录播的方法的流程图。
图2为本发明根据手势进行跟踪录播的装置的原理框图。
具体实施方式
本发明提供一种根据手势进行跟踪录播的方法、装置及存储装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参见图1，图1是本发明实施例提供的根据手势进行跟踪录播的方法的流程图。图1所示的根据手势进行跟踪录播的方法，包括：
步骤S100、预先对手势图片进行深度学习，生成训练好的手势检测网络模型；以及
步骤S200、将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制。
进一步的，本实施例中，所述步骤S100具体包括：
步骤S110、制作手势图片模板，并构建包含训练集和测试集的手势图片数据库；具体实施时，可以以HDF5数据库为基础制作手势图片数据库。
步骤S120、构建用于深度学习的手势识别网络模型；具体实施时，手势识别网络模型包括手势检测模型和手势识别模型，可以以caffe深度学习框架为基础构件设计网络框架。
步骤S130、采用手势识别网络模型对手势图片数据库中的手势图片模板进行训练学习，生成训练好的手势检测网络模型。
进一步的，本实施例中，所述步骤S130具体包括：
步骤S131、对手势识别网络模型进行深度学习参数配置；具体实施时，所述深度学习参数包括学习率、学习率调整(更新)策略、最大训练迭代次数等参数，例如可以设置学习率为0.001，学习率更新策略(inv)动量为0.9，最大迭代次数为10w。
步骤S132、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习，得到初步训练的手势检测网络模型。
步骤S133、使用测试集的手势图片模板对初步训练的手势检测网络模型进行测试，判断测试的准确率是否超过预设的准确率阈值，当是时，生成训练好的手势检测网络模型；具体实施时，使用测试集的手势图片模板对初步训练的手势检测网络模型进行测试，得到准确率和失败率(loss值)，失败率也即是平均误差率，可以预设设置准确率阈值为0.995。
步骤S134、当测试的准确率没有超过预设的准确率阈值时，将训练集的测试失败值反馈给训练集进行学习，重复步骤S132；具体实施时，例如当测试的准确率小于0.995时，计算训练集loss值并进行反向传播，不断反作用于训练学习。
进一步的，本实施例中，所述步骤S132具体包括：
步骤S1321、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习；具体实施时，先利用随机梯度下降算法批量学习训练集中的手势图片模板。
步骤S1322、判断学习图片数是否大于预设图片数阈值，当是时，得到初步训练的手势检测网络模型，之后进入步骤S133；具体实施时，例如可以设置预设图片数阈值为1000张，图像数据库有5万张图片，每学习1000张图片，进行一次验证测试，然后对学习的一些参数进行调整，使学习效果到最优。当学习图片数不大于预设图片数阈值时，则计算训练集loss值并进行反向传播，重复步骤S132。
进一步的，本实施例中，所述步骤S200具体包括：
步骤S210、加载训练好的手势检测网络模型，并读取实时采集的待检测图像，然后对待检测图像进行预处理；具体实施时，对待检测图像进行预处理的过程包括对待检测图像进行的归一化转化，把图像调整大小(resize)作均值处理，以便于识别；实时采集的待检测图像也即是进行实时捕捉图像。
步骤S220、将预处理后的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制；具体实施时，通过之前学习好的模型正向计算一次得到结果，也即是通过网络模型进行前向转播，通过得到的网络输出(output)计算手势分类，然后根据手势完成相应控制。其中，所述手势分类可以为各种手势，例如当被录播人为老师时，手势可以为指点黑板上板书的手势(指点)、让学生保持安静的手势(掌心下压)、或者给学生加油的手势(握紧拳头)等等，所述相应的跟踪录播控制包括拉近镜头以及调整摄像头拍摄角度等业务操作控制，例如当老师的手势为指点黑板上板书的手势时，调整摄像头角度聚焦老师指点的黑板上的板书内容。
本发明先通过深度学习建立手势检测网络模型，然后将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，从而能够实时的根据被录像人不同的手势调整摄像机镜头进行跟踪录播，不仅降低了跟踪录播成本，而且大大提高了跟踪录播的准确率。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储与一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁盘、光盘、只读存储记忆体(Read-Only，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
基于以上所述根据手势进行跟踪录播的方法，本发明实施例还提供一种存储装置，其中，所述存储装置存储有计算机程序，所述计算机程序能够被执行以实现如以上任一项所述方法的步骤。
基于以上所述的根据手势进行跟踪录播的方法，本发明实施例提供的第一种根据手势进行跟踪录播的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如以上任一项所述方法的步骤。
基于以上所述的根据手势进行跟踪录播的方法，本发明实施例提供的第二种根据手势进行跟踪录播的装置，如图2所示，包括：深度学习模块100、手势分类模块200，其中，
深度学习模块100，用于预先对手势图片进行深度学习，生成训练好的手势检测网络模型；具体如上所述。
手势分类模块200，用于将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制；具体如上所述。
综上，本发明提供了一种根据手势进行跟踪录播的方法、装置及存储装置，所述方法先通过深度学习建立手势检测网络模型，然后将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，从而能够实时的根据被录像人不同的手势调整摄像机镜头进行跟踪录播，不仅降低了跟踪录播成本，而且大大提高了跟踪录播的准确率。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种根据手势进行跟踪录播的方法，其特征在于，包括：
步骤A、预先对手势图片进行深度学习，生成训练好的手势检测网络模型；以及
步骤B、将实时采集的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制；
所述步骤A具体包括：
步骤A1、制作手势图片模板，并构建包含训练集和测试集的手势图片数据库；以HDF5数据库为基础制作手势图片数据库；
步骤A2、构建用于深度学习的手势识别网络模型；手势识别网络模型包括手势检测模型和手势识别模型，以caffe深度学习框架为基础构件设计网络框架；
步骤A3、采用手势识别网络模型对手势图片数据库中的手势图片模板进行训练学习，生成训练好的手势检测网络模型；
所述步骤A3具体包括：
步骤A31、对手势识别网络模型进行深度学习参数配置；
步骤A32、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习，得到初步训练的手势检测网络模型；
步骤A33、使用测试集的手势图片模板对初步训练的手势检测网络模型进行测试，判断测试的准确率是否超过预设的准确率阈值，当是时，生成训练好的手势检测网络模型；
所述步骤A3具体还包括：
步骤A34、当测试的准确率没有超过预设的准确率阈值时，将训练集的测试失败值反馈给训练集进行学习，重复步骤A32；
所述步骤A32具体包括：
步骤A321、采用随机梯度下降算法对训练集中的手势图片模板进行批量学习；
步骤A322、判断学习图片数是否大于预设图片数阈值，当是时，得到初步训练的手势检测网络模型，之后进入步骤A33；
所述步骤B具体包括：
步骤B1、加载训练好的手势检测网络模型，并读取实时采集的待检测图像，然后对待检测图像进行预处理；
步骤B2、将预处理后的待检测图像采用训练好的手势检测网络模型进行计算，得到待检测图像对应的手势分类，并根据对应的手势分类进行相应的跟踪录播控制；
所述步骤B1中，对待检测图像进行预处理的过程包括对待检测图像进行的归一化转化；
当被录播人为老师时，手势为指点黑板上板书的手势、让学生保持安静的手势、或者给学生加油的手势，所述相应的跟踪录播控制包括拉近镜头以及调整摄像头拍摄角度等业务操作控制，当老师的手势为指点黑板上板书的手势时，调整摄像头角度聚焦老师指点的黑板上的板书内容。
2.一种根据手势进行跟踪录播的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
3.一种存储装置，其特征在于，所述存储装置存储有计算机程序，所述计算机程序能够被执行以实现如权利要求1所述方法的步骤。
CN201710672541.2A 2017-08-08 2017-08-08 一种根据手势进行跟踪录播的方法、装置及存储装置 Active CN107483813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710672541.2A CN107483813B (zh) 2017-08-08 2017-08-08 一种根据手势进行跟踪录播的方法、装置及存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710672541.2A CN107483813B (zh) 2017-08-08 2017-08-08 一种根据手势进行跟踪录播的方法、装置及存储装置

Publications (2)

Publication Number Publication Date
CN107483813A CN107483813A (zh) 2017-12-15
CN107483813B true CN107483813B (zh) 2020-11-17

Family

ID=60599110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710672541.2A Active CN107483813B (zh) 2017-08-08 2017-08-08 一种根据手势进行跟踪录播的方法、装置及存储装置

Country Status (1)

Country Link
CN (1) CN107483813B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189206B (zh) * 2018-06-20 2023-08-18 济南大学 一种三维手势生成方法
CN109274915A (zh) * 2018-11-28 2019-01-25 广州讯立享智能科技有限公司 一种信息采集方法及装置
CN115134506A (zh) * 2021-03-26 2022-09-30 阿里巴巴新加坡控股有限公司 摄像画面调整方法、视频画面处理方法以及装置和系统
CN113784045B (zh) * 2021-08-31 2023-08-22 北京安博盛赢教育科技有限责任公司 聚焦互动方法、装置、介质和电子设备
CN113784046A (zh) * 2021-08-31 2021-12-10 北京安博盛赢教育科技有限责任公司 一种随动拍摄方法、装置、介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103973986A (zh) * 2014-05-30 2014-08-06 苏州天趣信息科技有限公司 一种基于移动终端照相机的调焦及其镜头切换方法
CN105373785A (zh) * 2015-11-30 2016-03-02 北京地平线机器人技术研发有限公司 基于深度神经网络的手势识别检测方法与装置
CN105391964A (zh) * 2015-11-04 2016-03-09 广东欧珀移动通信有限公司 一种视频数据处理方法和装置
CN106506931A (zh) * 2015-09-07 2017-03-15 富泰华工业（深圳）有限公司 电子装置及其拍照控制方法和系统
CN106980365A (zh) * 2017-02-21 2017-07-25 华南理工大学 基于深度卷积神经网络框架的第一视角动态手势识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2558943B2 (ja) * 1990-10-19 1996-11-27 富士通株式会社 ニューラルネットワークを用いた人間の動作自動認識装置
CN101354608A (zh) * 2008-09-04 2009-01-28 中兴通讯股份有限公司 一种视频输入实现方法及系统
US9285983B2 (en) * 2010-06-14 2016-03-15 Amx Llc Gesture recognition using neural networks
CN104573621A (zh) * 2014-09-30 2015-04-29 李文生 基于Chebyshev神经网络的动态手势学习和识别方法
US20170161555A1 (en) * 2015-12-04 2017-06-08 Pilot Ai Labs, Inc. System and method for improved virtual reality user interaction utilizing deep-learning
US20170161607A1 (en) * 2015-12-04 2017-06-08 Pilot Ai Labs, Inc. System and method for improved gesture recognition using neural networks
CN106127146A (zh) * 2016-06-22 2016-11-16 电子科技大学 一种基于手势识别的无人机航迹指引方法
CN106127248A (zh) * 2016-06-24 2016-11-16 平安科技（深圳）有限公司 基于深度学习的车牌分类方法及系统
CN106991386A (zh) * 2017-02-27 2017-07-28 杭州电子科技大学 一种基于深度残差网络的手势识别方法
CN106991372B (zh) * 2017-03-02 2020-08-28 北京工业大学 一种基于混合深度学习模型的动态手势识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103973986A (zh) * 2014-05-30 2014-08-06 苏州天趣信息科技有限公司 一种基于移动终端照相机的调焦及其镜头切换方法
CN106506931A (zh) * 2015-09-07 2017-03-15 富泰华工业（深圳）有限公司 电子装置及其拍照控制方法和系统
CN105391964A (zh) * 2015-11-04 2016-03-09 广东欧珀移动通信有限公司 一种视频数据处理方法和装置
CN105373785A (zh) * 2015-11-30 2016-03-02 北京地平线机器人技术研发有限公司 基于深度神经网络的手势识别检测方法与装置
CN106980365A (zh) * 2017-02-21 2017-07-25 华南理工大学 基于深度卷积神经网络框架的第一视角动态手势识别方法

Also Published As

Publication number Publication date
CN107483813A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107483813B (zh) 一种根据手势进行跟踪录播的方法、装置及存储装置
CN109165552B (zh) 一种基于人体关键点的姿态识别方法、系统及存储器
TWI709091B (zh) 圖像處理方法和裝置
CN108399376B (zh) 学生课堂学习兴趣智能分析方法及系统
EP3826317A1 (en) Method and device for identifying key time point of video, computer apparatus and storage medium
CN112183166B (zh) 确定训练样本的方法、装置和电子设备
US9971933B1 (en) Facial image screening method and face recognition system thereof
CN110659397B (zh) 一种行为检测方法、装置、电子设备和存储介质
CN110969045B (zh) 一种行为检测方法、装置、电子设备和存储介质
CN111273232B (zh) 一种室内异常情况判断方法及系统
Wang et al. Yolov5 enhanced learning behavior recognition and analysis in smart classroom with multiple students
CN113705510A (zh) 目标识别跟踪的方法、装置、设备及存储介质
CN111325082A (zh) 一种人员专注度分析方法及装置
CN109986553B (zh) 一种主动交互的机器人、系统、方法及存储装置
CN111951629A (zh) 一种发音纠正系统、方法、介质和计算设备
Vayadande et al. Lipreadnet: A deep learning approach to lip reading
CN111402096A (zh) 一种在线授课质量管理方法、系统、设备和介质
CN107452381B (zh) 一种多媒体语音识别装置及方法
CN112861809B (zh) 基于多目标视频分析的课堂抬头检测系统及其工作方法
CN107526438B (zh) 根据举手动作进行跟踪录播的方法、装置及存储装置
EP3609189B1 (en) Testing rendering of screen objects
CN115311111A (zh) 课堂参与度评价方法及系统
CN114627534A (zh) 活体判别方法及电子设备、存储介质
CN114299606A (zh) 一种基于前端相机的睡觉检测方法及装置
CN118553017A (zh) 一种网络教学用摄像头及报警系统

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
CB02 Change of applicant information

Address after: 518000 Ganli Industrial Park, Jihua Street, Longgang District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Tomorrow Industrial Co., Ltd.

Address before: 518000 Zhonghai Credit Innovation Industry City, No. 12 Ganli Six Road, Buji Street, Longgang District, Shenzhen City, Guangdong Province, 5th-6th floor, 13B building, 6th floor, 13A building

Applicant before: Shenzhen tomorrow industrial Limited by Share Ltd

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant