CN108038452B - 一种基于局部图像增强的家电手势快速检测识别方法 - Google Patents
一种基于局部图像增强的家电手势快速检测识别方法 Download PDFInfo
- Publication number
- CN108038452B CN108038452B CN201711350411.3A CN201711350411A CN108038452B CN 108038452 B CN108038452 B CN 108038452B CN 201711350411 A CN201711350411 A CN 201711350411A CN 108038452 B CN108038452 B CN 108038452B
- Authority
- CN
- China
- Prior art keywords
- gesture
- hand
- resolution
- image enhancement
- image
- 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
Links
Images
Classifications
-
- 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
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于局部图像增强的家电手势快速检测识别方法,其采用移动侦测方法提取图像序列中的运动区域,在此区域采用检测算法对人举手的姿态进行检测与手的区域定位,然后对手的区域进行局部增强,再利用识别算法对特定手势进行识别。该家电手势快速检测识别方法对手的区域进行图像增强,使此区域更清晰,从而能够实现适应多种复杂光线远距离的家电手势控制,有效避免了不清晰手势引起的误识别和漏识别问题,提高了用户体验。
Description
技术领域
本发明涉及手势识别领域,具体涉及一种基于局部图像增强的家电手势快速检测识别方法。
背景技术
手势控制是家电控制中非常方便的一种方法,手势控制具有非接触、快速方便的特点。
目前,手势识别一般是基于图像来实现的,其具有识别距离远、成本低等优点。但是,该识别比较依赖于图像质量,需要应对各种复杂的光线环境,单纯的通过全局ISP调整并不能够使手部分区域图像清晰,而不清晰的手势,容易引起误识别和漏识别,从而导致指令误触发和漏响应,从而导致用户体验变差。
发明内容
本发明的目的在于提供一种基于局部图像增强的家电手势快速检测识别方法,其解决了现有手势识别的图像输入质量不高而导致手势误识别和漏识别的问题,从而提高用户体验。
为实现上述目的,本发明采用的技术方案为:
一种基于局部图像增强的家电手势快速检测识别方法,其包括以下步骤:
步骤1、离线下检测识别模型训练
步骤1.1、人举手姿势模型训练
通过采集人举手姿势的各种光照以及距离的图片和视频,人工标定出上半身加手臂的外接矩形框作为正样本,然后选择其他场景以及姿势的图片作为负样本,将正、负样本送入深度卷积神经网络检测器进行学习,得到能够检测人举手姿势的模型;
步骤1.2、特定手势模型训练
通过采集不同的特定手势的清晰图片和视频,人工给定不同特定手势的定义,并送入深度卷积神经网络中进行学习,得到特定手势模型;
步骤2、在线检测识别
步骤2.1、移动侦测
采用移动侦测方法即前后两帧之间的差分图来判断运动区域;然后在此运动区域的基础上,扩大范围并设定为感兴趣区域;
步骤2.2、人举手姿势检测
根据步骤1.1中学习到的人举手姿势模型,对步骤2.1中得到的每一个感兴趣区域进行检测,从而判断是否是人举手姿势,当判断为人举手姿势时,输出特征图;
检测过程是利用深度卷积神经网络进行,将感兴趣区域直接输入到卷积神经网络中,并对感兴趣区域进行卷积以及池化操作,采用步骤1.1中训练得到的人举手姿势模型,得到目标的位置和目标的置信度;将此检测出来的目标放大回原来图像尺度,就能够对应到原图的区域,从而能够检测原图上不同大小的目标;在原图上按照置信度将所有检测出来的相邻目标框加权平均,得到最终的目标区域以及总的置信度,最终置信度大于阈值的区域,认为是人举手姿态的区域;
步骤2.3、人手位置定位与局部增强
采用检测器确定步骤2中的特征图中人举手的大概位置,在该位置上,通过局部图像增强来增加此位置的清晰度,获取高清手势图像;
步骤2.4、手势识别
根据步骤1.2训练得到的手势模型,对步骤2.3中得到的高清手势图像进行识别,得到不同的手势结果。
所述检测识别方法还包括:
步骤2.5、手势跟踪
一旦步骤2.3中的手定位完成,在启动2.4手势识别线程的同时,启动跟踪线程;此线程利用跟踪算法时刻跟踪手的位置,在下一次手势识别判断的时,直接通过跟踪判断手的位置。
所述步骤2.3中,图像增强的方法为:通过变焦镜头,利用所定位到的人手位置,判断人手的大小,来推断人手的位置,将镜头焦距调整到能够清晰拍摄到人手轮廓的距离即可获得高清手势图像。
所述步骤2.3中,图像增强的方法为:通过对图像此区域进行局部ISP调整和直方图均衡化来获取高清手势图像。
所述步骤1中还包括:
步骤1.3、手势局部区域高分辨率生成对抗网络模型训练
通过采集大量不同手势的低分辨率模糊图片以及与其对应的高分辨率清晰图片,送入生成对抗网络中进行学习,得到能够将低分辨率的手势图片转换成高分辨率手势图片的生成对抗网络模型;
所述步骤2.3中,图像增强的方法为:采用步骤1.3中训练得到的生成对抗网络模型,来生成一个高分辨率、高清晰度的高清手势图像。
所述步骤1.3中,训练过程中低分辨率图片与高分辨率图片的比例为N:1其中,N为1-5。
所述步骤2.3中,检测器为Cascade级联检测器。
采用上述方案后,本发明采用移动侦测算法提取图像序列中的运动区域,在此区域采用检测算法对人举手的姿态进行检测与定位,然后对手的区域进行局部增强,再利用识别算法对特定手势进行识别。该家电手势快速检测识别方法对手的区域进行图像增强,使此区域更清晰,从而能够实现适应多种复杂光线远距离的家电手势控制,有效避免了不清晰手势引起的误识别和漏识别问题,提高了用户体验。
附图说明
图1为本发明流程图;
图2为本发明人具有姿势模型训练的外接矩形框标定示意图;
图3为本发明手势识别图片;
图4为图3的特征图。
具体实施方式
如图1至图4所示,本发明揭示了一种基于局部图像增强的家电手势快速检测识别方法,其包括以下步骤:
步骤1、离线下检测识别模型训练
所述离线,即指在具体的家电手势识别运行之前,提前学习的模型;所述模型,就是一种提前学到的知识库。
步骤1.1、人举手姿势模型训练
通过采集人举手姿势的各种光照以及距离的图片和视频,如图2所示,人工标定出上半身加手臂的外接矩形框作为正样本,然后选择大量其他场景以及姿势的图片作为负样本,将正、负样本送入深度卷积神经网络检测器进行学习,得到能够检测人举手姿势的模型。
步骤1.2、特定手势模型训练
通过采集不同的特定手势的清晰图片和视频,人工给定不同手势的定义,并送入深度卷积神经网络中进行学习,得到能够识别不同的特定手势模型。
步骤1.3、手势局部区域高分辨率生成对抗网络模型训练
通过采集大量不同手势的低分辨率模糊图片以及与其对应的高分辨率清晰图片,送入生成对抗网络中进行学习,得到能够将低分辨率的手势图片转换成高分辨率手势图片的模型。
采集过程中,低分辨率模糊图片和与其对应的高分辨率清晰图片可以用两个不同分辨率的摄像头同时采集获取。训练过程中低分辨率图片与高分辨率图片的比例为N:1,N取值一般为1-5,也就是可以通过单张或者连续的多张低分辨率图片来用本模型生成高分辨率的图片。
步骤2、在线检测识别
所述在线检测识别,指的是具体的家电手势识别。
步骤2.1、移动侦测
采用传统的移动侦测方法,用前后两帧之间的差分图来判断运动区域;然后在此区域的基础上,扩大范围(例如长宽各乘4)并设定为感兴趣区域。因为手势触发的时候必然有运动,通过移动侦测来确定需要检测的区域,将静止背景过滤掉,从而提升检测的速度。
步骤2.2、人举手姿势检测
根据步骤1.1中学习到的人举手姿势模型,对步骤2.1中得到的每一个感兴趣区域进行检测,从而判是否是人举手姿势,当判断为人举手姿势时,输出特征图。
检测过程是利用深度卷积神经网络进行,将感兴趣区域直接输入到卷积神经网络中,经过每一层卷积以及后面的池化操作,图像的尺度越来越小,在最后面5个尺度上分别进行检测,得到每一个尺度对应的结果。
所述的卷积操作就是卷积神经网络中的卷积操作;所述的池化操作,就是将相邻的4个像素变成一个,例如取4个像素的平均值或者取最大值。这样会使图像的尺度越来越小,在每个尺度上,利用步骤1.1中学习到的人举手姿势模型,都能够得到以下信息:目标的位置(包含左上角的坐标、宽、高)和目标的置信度。所谓的置信度,就是此目标区域是人举手的姿态的概率值。将此检测出来的目标放大回原来图像尺度(相应的坐标以及宽、高做同样尺度的缩放),就能够对应到原图的区域,从而能够检测原图上不同大小的目标。通过在原图上按照置信度将所有检测出来的相邻目标框加权平均,得到最终的目标区域以及总的置信度,最终置信度大于某一个阈值的区域,认为是人举手姿态的区域。
步骤2.3、人手位置定位与局部增强
如图3所示,本发明通过步骤2.2中的特征图提供的特征,设计Cascade级联检测器,在特征图上滑动窗口,找到一个最像人手的位置。在这个位置上,通过局部图像增强,来增加此位置的清晰度。图像增强有很多种方法,优选的,本发明有三种方法,这三种方法可以单独使用也可以结合使用。
方法一、通过变焦镜头,利用所定位到的人手位置,判断人手的大小,来推断人手的大概位置(距离越远,图像中人手越小),将镜头焦距调整到能够清晰拍摄到人手轮廓的距离即可获得高清手势图像。
方法二、通过对图像此区域进行局部ISP(Image Signal Processing)调整和直方图均衡化来获取高清手势图像。
方法三、采用步骤1.3中训练得到的生成对抗网络模型,来生成一个高分辨率、高清晰度的高清手势图像。
步骤2.4、手势识别
根据步骤1.2训练得到的手势模型,对步骤2.3中得到的高清手势图像进行识别,得到不同的手势结果。
步骤2.5、手势跟踪
一旦步骤2.3中的手定位完成,在启动2.4手势识别线程的同时,启动跟踪线程。此线程利用跟踪算法,时刻跟踪手的位置,在下一次手势识别判断的时候,不需要重复前面的过程,直接通过跟踪判断手的位置。
本发明的关键在于,本发明采用移动侦测算法提取图像序列中的运动区域,在此区域采用检测算法对人举手的姿态进行检测与定位,然后对手的区域进行局部增强,再利用识别算法对特定手势进行识别。该家电手势快速检测识别方法对手的区域进行图像增强,使此区域更清晰,从而能够实现适应多种复杂光线远距离的家电手势控制,有效避免了不清晰手势引起的误识别和漏识别问题,提高了用户体验。
以上所述,仅是本发明实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:包括以下步骤:
步骤1、离线下检测识别模型训练
步骤1.1、人举手姿势模型训练
通过采集人举手姿势的各种光照以及距离的图片和视频,人工标定出上半身加手臂的外接矩形框作为正样本,然后选择其他场景以及姿势的图片作为负样本,将正、负样本送入深度卷积神经网络检测器进行学习,得到能够检测人举手姿势的模型;
步骤1.2、手势模型训练
通过采集不同的手势的清晰图片和视频,人工给定不同手势的定义,并送入深度卷积神经网络中进行学习,得到能够识别不同手势的模型;
步骤2、在线检测识别
步骤2.1、移动侦测
采用移动侦测方法即前后两帧之间的差分图来判断运动区域;然后在此运动区域的基础上,扩大范围并设定为感兴趣区域;
步骤2.2、人举手姿势检测
根据步骤1.1中学习到的人举手姿势模型,对步骤2.1中得到的每一个感兴趣区域进行检测,从而判断是否是人举手姿势,当判断为人举手姿势时,输出特征图;
检测过程是利用深度卷积神经网络进行,将感兴趣区域直接输入到卷积神经网络中,并对感兴趣区域进行卷积以及池化操作,采用步骤1.1中训练得到的人举手姿势模型,得到目标的位置和目标的置信度,所谓的置信度,就是此目标区域是人举手的姿势的概率值;将此检测出来的目标放大回原来图像尺度,就能够对应到原图的区域,从而能够检测原图上不同大小的目标;在原图上按照置信度将所有检测出来的相邻目标框加权平均,得到最终的目标区域以及总的置信度,最终置信度大于阈值的区域,认为是人举手姿势的区域;
步骤2.3、人手位置定位与局部增强
采用检测器确定步骤2中的特征图中人举手的位置,在该位置上,通过局部图像增强来增加此位置的清晰度,获取高清手势图像;
步骤2.4、手势识别
根据步骤1.2训练得到的手势模型,对步骤2.3中得到的高清手势图像进行识别,得到不同的手势结果。
2.根据权利要求1所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述检测识别方法还包括:
步骤2.5、手势跟踪
一旦步骤2.3中的手定位完成,在启动2.4手势识别线程的同时,启动跟踪线程;此线程利用跟踪算法时刻跟踪手的位置,在下一次手势识别判断的时候,直接通过跟踪判断手的位置。
3.根据权利要求1或2所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述步骤2.3中,图像增强的方法为:通过变焦镜头,利用所定位到的人手位置,判断人手的大小,来推断人手的位置,将镜头焦距调整到能够清晰拍摄到人手轮廓的距离即可获得高清手势图像。
4.根据权利要求1或2所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述步骤2.3中,图像增强的方法为:通过对图像此区域进行局部ISP调整和直方图均衡化来获取高清手势图像。
5.根据权利要求1或2所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述步骤1中还包括:
步骤1.3、手势局部区域高分辨率生成对抗网络模型训练
通过采集大量不同手势的低分辨率模糊图片以及与其对应的高分辨率清晰图片,送入生成对抗网络中进行学习,得到能够将低分辨率的手势图片转换成高分辨率手势图片的生成对抗网络模型;
所述步骤2.3中,图像增强的方法为:采用步骤1.3中训练得到的生成对抗网络模型,来生成一个高分辨率、高清晰度的高清手势图像。
6.根据权利要求5所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述步骤1.3中,训练过程中低分辨率图片与高分辨率图片的比例为N:1其中,N为1-5。
7.根据权利要求1所述的一种基于局部图像增强的家电手势快速检测识别方法,其特征在于:所述步骤2.3中,检测器为Cascade级联检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350411.3A CN108038452B (zh) | 2017-12-15 | 2017-12-15 | 一种基于局部图像增强的家电手势快速检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350411.3A CN108038452B (zh) | 2017-12-15 | 2017-12-15 | 一种基于局部图像增强的家电手势快速检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038452A CN108038452A (zh) | 2018-05-15 |
CN108038452B true CN108038452B (zh) | 2020-11-03 |
Family
ID=62103205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711350411.3A Active CN108038452B (zh) | 2017-12-15 | 2017-12-15 | 一种基于局部图像增强的家电手势快速检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038452B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961157B (zh) * | 2018-06-19 | 2021-06-01 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108960163B (zh) * | 2018-07-10 | 2021-09-24 | 亮风台(上海)信息科技有限公司 | 手势识别方法、装置、设备和存储介质 |
CN109106225B (zh) * | 2018-07-24 | 2021-02-19 | 珠海格力电器股份有限公司 | 一种加热器具的控制方法及加热器具 |
CN109089040B (zh) * | 2018-08-20 | 2021-05-14 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN110941188A (zh) * | 2018-09-25 | 2020-03-31 | 珠海格力电器股份有限公司 | 智能家居控制方法及装置 |
CN109446961B (zh) * | 2018-10-19 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 姿势检测方法、装置、设备及存储介质 |
CN109685097B (zh) * | 2018-11-08 | 2020-12-25 | 银河水滴科技(北京)有限公司 | 一种基于gan的图像检测方法及装置 |
CN109544603B (zh) * | 2018-11-28 | 2021-07-23 | 上饶师范学院 | 基于深度迁移学习的目标跟踪方法 |
CN110298314A (zh) * | 2019-06-28 | 2019-10-01 | 海尔优家智能科技(北京)有限公司 | 手势区域的识别方法及装置 |
CN110399822A (zh) * | 2019-07-17 | 2019-11-01 | 思百达物联网科技(北京)有限公司 | 基于深度学习的举手动作识别方法、装置及存储介质 |
CN111079624B (zh) * | 2019-12-11 | 2023-09-01 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
CN112272191B (zh) * | 2020-11-16 | 2022-07-12 | Oppo广东移动通信有限公司 | 数据转移方法及相关装置 |
CN113221745B (zh) * | 2021-05-12 | 2023-09-01 | 北京百度网讯科技有限公司 | 举手识别方法、装置、电子设备及存储介质 |
CN112949785B (zh) * | 2021-05-14 | 2021-08-20 | 长沙智能驾驶研究院有限公司 | 对象检测方法、装置、设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049764A (zh) * | 2012-12-13 | 2013-04-17 | 中国科学院上海微系统与信息技术研究所 | 一种低空飞行器目标识别方法 |
CN105303543A (zh) * | 2015-10-23 | 2016-02-03 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
CN106909883A (zh) * | 2017-01-17 | 2017-06-30 | 北京航空航天大学 | 一种基于ros的模块化手部区域检测方法和装置 |
EP3203412A1 (en) * | 2016-02-05 | 2017-08-09 | Delphi Technologies, Inc. | System and method for detecting hand gestures in a 3d space |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014200454A1 (en) * | 2013-06-10 | 2014-12-18 | Intel Corporation | Performing hand gesture recognition using 2d image data |
CN106325485B (zh) * | 2015-06-30 | 2019-09-10 | 芋头科技(杭州)有限公司 | 一种手势检测识别方法及系统 |
CN105550655A (zh) * | 2015-12-16 | 2016-05-04 | Tcl集团股份有限公司 | 一种手势图像获取设备及其手势图像获取方法 |
CN106155327A (zh) * | 2016-08-01 | 2016-11-23 | 乐视控股(北京)有限公司 | 手势识别方法和系统 |
CN107239727A (zh) * | 2016-12-07 | 2017-10-10 | 北京深鉴智能科技有限公司 | 手势识别方法和系统 |
CN107154023B (zh) * | 2017-05-17 | 2019-11-05 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
-
2017
- 2017-12-15 CN CN201711350411.3A patent/CN108038452B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049764A (zh) * | 2012-12-13 | 2013-04-17 | 中国科学院上海微系统与信息技术研究所 | 一种低空飞行器目标识别方法 |
CN105303543A (zh) * | 2015-10-23 | 2016-02-03 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
EP3203412A1 (en) * | 2016-02-05 | 2017-08-09 | Delphi Technologies, Inc. | System and method for detecting hand gestures in a 3d space |
CN106909883A (zh) * | 2017-01-17 | 2017-06-30 | 北京航空航天大学 | 一种基于ros的模块化手部区域检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
Wavelet Enhanced Image Preprocessing and Neural Networks for Hand Gesture Recognition;Xingang Fu 等;《2015 IEEE International Conference on Smart City/SocialCom/SustainCom》;20160505;第838-843页 * |
视觉手势识别综述;易靖国 等;《计算机科学》;20160630;第43卷(第6A期);第103-108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038452A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038452B (zh) | 一种基于局部图像增强的家电手势快速检测识别方法 | |
CN111104816B (zh) | 一种目标物的姿态识别方法、装置及摄像机 | |
EP3092619B1 (en) | Information processing apparatus and information processing method | |
CN108062525B (zh) | 一种基于手部区域预测的深度学习手部检测方法 | |
KR101697161B1 (ko) | 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법 | |
KR101747216B1 (ko) | 표적 추출 장치와 그 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록 매체 | |
CN110287907B (zh) | 一种对象检测方法和装置 | |
US20200250487A1 (en) | Target detection method and apparatus, and computer device | |
KR20090037275A (ko) | 인체 부분 검출 장치 및 그 방법 | |
JP2016015045A (ja) | 画像認識装置、画像認識方法及びプログラム | |
WO2014201971A1 (zh) | 在线训练的目标检测方法及装置 | |
CN105741319B (zh) | 基于盲目更新策略和前景模型的改进视觉背景提取方法 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
CN110458235B (zh) | 一种视频中运动姿势相似度比对方法 | |
CN112767443A (zh) | 目标跟踪方法、电子设备及相关产品 | |
CN110909561A (zh) | 眼睛状态检测系统及眼睛状态检测系统的操作方法 | |
WO2022127814A1 (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
CN110852241B (zh) | 一种应用于护理机器人的小目标检测方法 | |
CN108614988A (zh) | 一种复杂背景下的运动手势自动识别系统 | |
CN106250878B (zh) | 一种结合可见光和红外图像的多模态目标跟踪方法 | |
CN111539990A (zh) | 运动物体位置检测方法、装置、设备及介质 | |
CN113537071B (zh) | 一种基于事件相机的静态和动态目标检测方法及设备 | |
CN111753775B (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
JP2021007055A (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム |
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 |