CN108647597A - 一种手腕识别方法、手势识别方法、装置和电子设备 - Google Patents

一种手腕识别方法、手势识别方法、装置和电子设备 Download PDF

Info

Publication number
CN108647597A
CN108647597A CN201810391614.5A CN201810391614A CN108647597A CN 108647597 A CN108647597 A CN 108647597A CN 201810391614 A CN201810391614 A CN 201810391614A CN 108647597 A CN108647597 A CN 108647597A
Authority
CN
China
Prior art keywords
bianry image
wrist
gray scale
straightway
target
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
Application number
CN201810391614.5A
Other languages
English (en)
Other versions
CN108647597B (zh
Inventor
宋振坤
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201810391614.5A priority Critical patent/CN108647597B/zh
Publication of CN108647597A publication Critical patent/CN108647597A/zh
Priority to US16/203,915 priority patent/US10922535B2/en
Application granted granted Critical
Publication of CN108647597B publication Critical patent/CN108647597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明实施例提供一种手腕识别方法、手势识别方法、装置和电子设备，该方法包括：获取手部图像；对所述手部图像进行二值化处理，得到二值图像；识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。本发明实施例可以提高手势识别准确度。

Description

一种手腕识别方法、手势识别方法、装置和电子设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种手腕识别方法、手势识别方法、装置和电子设备。
背景技术
随着科学技术的发展，目前越来越多的应用场景中需要手势识别，以根据识别结果执行相应的操作。目前的手势识别技术无法将手势图像与手臂图像进行有效区分，导致手臂图像影响手势图像，从而导致手势识别准确度比较低。
发明内容
本发明的目的在于提供一种手腕识别方法、手势识别方法、装置和电子设备，以解决手势识别准确度比较低的问题。
为了达到上述目的，本发明提供一种手腕识别方法，其特征在于，包括：
获取手部图像；
对所述手部图像进行二值化处理，得到二值图像；
识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
可选的，所述根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置，包括：
计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
可选的，所述根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置之前，所述方法还包括：
计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
可选的，所述计算所述局部图像在所述目标方向的灰度投影曲线之前，所述方法还包括：
对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
可选的，所述识别所述二值图像的主方向，包括：
检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
可选的，所述根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度，包括：
将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
可选的，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
本发明实施例还提供一种手势识别方法，包括：
获取手部图像；
采用本发明实施例提供的手腕识别确定手腕位置；
沿所述手腕位置对所述二值图像进行分割，得到手势图像；
针对所述手势图像进行手势识别。
本发明实施例还提供一种手腕识别，包括：
获取模块，用于获取手部图像；
第一处理模块，用于对所述手部图像进行二值化处理，得到二值图像；
识别模块，用于识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
确定模块，用于根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
可选的，所述确定模块包括：
第一计算单元，用于计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
确定单元，用于根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
可选的，所述装置还包括：
第二计算单元，用于计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
第三计算单元，用于计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
可选的，所述装置还包括：
第二处理模块，用于对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
可选的，所述识别模块包括：
检测单元，用于检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
第一确定单元，用于根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
第二确定单元，用于确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
可选的，所述第一确定单元用于将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
可选的，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
本发明实施例还提供一种手势识别装置，包括：
获取模块，用于获取手部图像；
确定模块，用于采用本发明实施例提供的手腕识别确定手腕位置；
分割模块，用于沿所述手腕位置对所述二值图像进行分割，得到手势图像；
识别模块，用于针对所述手势图像进行手势识别。
本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明实施例提供的手腕识别方法中的步骤。
本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明实施例提供的手势识别方法中的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例还提供手腕识别方法中的步骤，或者，所述计算机程序被处理器执行时实现本发明实施例还提供手势识别方法中的步骤。
本发明实施例中，获取手部图像；对所述手部图像进行二值化处理，得到二值图像；识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。这样可以实现有效地确定手腕位置，从而可以提高手势识别准确度。
附图说明
图1是本发明实施例提供的一种手腕识别方法的流程图；
图2是本发明实施例提供的一种二值图像的示意图；
图3是本发明实施例提供的一种手势图像的示意图；
图4是本发明实施例提供的另一种手腕识别方法的流程图；
图5是本发明实施例提供的一种灰度投影曲线的示意图；
图6是本发明实施例提供的一种灰度投影曲线和导数曲线的示意图；
图7是本发明实施例提供的一种局部图像的示意图；
图8是本发明实施例提供的一种局部图像的主方向的示意图；
图9是本发明实施例提供的一种手势识别方法的流程图；
图10是本发明实施例提供的一种手腕识别装置的结构图；
图11是本发明实施例提供的另一种手腕识别装置的结构图；
图12是本发明实施例提供的另一种手腕识别装置的结构图；
图13是本发明实施例提供的另一种手腕识别装置的结构图；
图14是本发明实施例提供的另一种手腕识别装置的结构图；
图15是本发明实施例提供的一种手势识别装置的结构图；
图16是本发明实施例提供的一种电子设备的结构图；
图17是本发明实施例提供的一种电子设备的结构图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
请参见图1，图1是本发明实施例提供的一种手腕识别方法的流程图，如图1所示，包括以下步骤：
101、获取手部图像；
102、对所述手部图像进行二值化处理，得到二值图像；
103、识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
104、根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
其中，上述手部图像可以是通过图像采集装置对人体的手部进行采集，得到的手部图像，本发明实施例中，对采集的手部图像进行二值化处理时，可以直接对图像采集装置采集到的彩色手部图像二值化处理。该手部图像包含了手指、手掌和手腕等图像信息。
需要说明的是，本发明实施例提供的手腕识别方法可以应用于任何能够进行图像识别的电子设备，例如：手机、平板电脑、计算机、游戏设备、智能控制设备或者电视机等电子设备，对此本发明实施例不作限定。另外，该方法应用的电子设备可以包括图像采集装置或者不包括图像采集装置，如果包括图像采集装置，则上述手部图像可以该电子设备通过该图像采集装置采集的，如果不包括图像采集装置，则上述手部图像可以是该电子设备接收其他电子设备发送的。
其中，上述对采集的手部图像进行二值化处理，得到二值图像可以是，将上述手部图像上的像素点的灰度值转换为0或255，也就是说将整个手部图像转换成黑白效果的图像。例如：如果上述手部图像中包含手臂部分，则可以直接使用基于肤色模型的二值化方法对该手部图像进行二值化处理，处理后得到的二值图像往往如图2所示。如图2所示，二值图像中除了手势图像以外还会包括部分手臂图像，其中，手势图像可以是，从手腕开始包括手掌和手指的图像，例如：如图3所示的手势图像。在实际应用中可以根据手势图像进行手势识别，这样可以避免手臂的干扰会导致手势识别准确度不足的问题，以提高手势识别的准确度。
而主方向可以是上述二值图像的整体方向，例如：二值图像的整体朝向。另外，上述二值图像可以是关于上述主方向近似对称。本发明实施例中，可以通过检测二值图像轮廓的直线识别二值图像的主方向，该检测方式具体参见下面实施例的描述。当然，对此不作限定，例如：还可以是简单将二值图像的中线作为上述主方向，只是该方法的准确度比通过检测二值图像轮廓的直线识别主方向的准确度要低。
另外，本发明实施例中，上述预设手腕特征可以是预先定义好的，例如：上述预设手腕特征为宽度最变化剧烈，由于上述目标方向与上述主方向垂直，从而二值图像中的宽度可以理解为，二值图像在目标方向的长度，这样通过上述目标方向可以确定宽度最变化剧烈的目标位置。例如：通过图2和图3和图5可以确定人体手部的特点为，从手臂到手掌的方向上延伸，从手臂到手腕，人体手部宽度变化不大，而在人体的手腕位置处宽度变化明显，即与上述主方向垂直且宽度变化剧烈的位置。当然，上述宽度最变化剧烈仅是一个举例，例如：上述预设手腕特征还可以是从平缓向两侧突变，其中，这里两侧为上述目标方向的两侧，从而通过上述目标方向可以确定二值图像中平缓向两侧突变的目标位置，如通过图2可以确定手腕位置是从平缓向两侧突变的位置。
或者，上述预设手腕特征还可以是与上述主方向平行的直线段的终点，这样可以检测出二值图像中轮廓的直线段，并选择出与上述主方向平行的手臂边缘线段，从而可以将手臂边缘线段的终点，且与上述目标方向平行的位置作为手腕位置，其中，该终点为靠近手掌方向的终点。
需要说明的是，本发明实施例提供的手腕识别方法可以应用于基于图像处理的手势识别方法，例如：可以应用于在基于模板匹配或神经网络等分类器的手势识别系统中，这样在计算手势特征之前，通过本发明实施例提供的手腕识别方法准确在识别手腕位置，从而提高手势识别准确度。
本发明实施例中，获取手部图像；对所述手部图像进行二值化处理，得到二值图像；识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。这样可以实现有效地确定手腕位置，从而可以提高手势识别准确度。
请参见图4，图4是本发明实施例提供的另一种手腕识别方法的流程图，如图4所示，包括以下步骤：
401、获取手部图像；
402、对所述手部图像进行二值化处理，得到二值图像；
403、识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
404、计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
405、根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
上述计算二值图像或者局部图像在目标方向的灰度投影曲线可以是，将二值图像或者局部图像进行旋转，例如：将二值图像或者局部图像旋转目标角度，该目标角度为主方向与预设参考方向的夹角，这样可以实现旋转后的二值图像或者局部图像的主方向变为预设参考方向，从而计算二值图像或者局部图像沿目标方向的灰度投影曲线。其中，上述预设参考方向可以是垂直方向，或者水平方向。当然，也可以不进行旋转，例如：可以直接计算二值图像或者局部图像在目标方向的灰度投影曲线。只是，通过旋转可以实现灰度投影曲线可以以水平方向或者垂直方向为参考，更加符合本领域技术人员的阅读习惯，例如：如图5所示，图5中横坐标与水平方向平行，且横坐标表示灰度投影曲线沿主方向延伸，纵坐标与垂直方向平行，纵坐标表示灰度投影曲线上的数值，这样可以实现灰度投影曲线的横坐标与水平方向平行，更加符合本领域技术人员的阅读习惯。
当计算出上述灰度投影曲线后可以确定灰度投影曲线中斜率变化最快的位置，其中，斜率变化最快的位置可以理解为变化最剧烈的位置。根据人体手部的特点，从手臂到手掌的方向上延伸，从手臂到手腕，人体手部宽度变化不大，而在人体的手腕位置处宽度变化明显，也就是说，二值图像的手腕在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
通过步骤404和步骤405可以实现将二值图像中上述灰度投影曲线中斜率变化最快的位置对应的目标位置确定的手腕位置，从而可以提高手腕识别的准确度。
需要说明的是，本实施方式中，可以计算二值图像或者局部图像在上述目标方向的灰度投影曲线，但由于局部图像为二值图像中的部分图像，从而当局部图像的上述目标位置确定后，即可以直接确定上述二值图像中的目标位置，因为，二者为同一个位置。另外，由于可以计算局部图像在所述目标方向的灰度投影曲线，这样可以避免一些手指数量不同的手臂图像带来的错误识别，因为如果少一个手指，则在手指位置可能会在灰度投影曲线中产生一个斜率变化最快的位置，达到进一步提高手腕识别的准确度。
作为一种可选的实施方式，所述根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置之前，所述方法还包括：
计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
该实施方式中，可以实现将二值图像中在所述目标方向的投影位置为所述二阶导数中的极大值的位置确定为手腕位置。例如：如图6所示，包括二值图像、局部图像、局部图像的灰度投影曲线、灰度投影曲线的一阶层数和灰度投影曲线的二阶层数和手势图像，其中，图6中，可以建立二维坐标系，纵坐标表示灰度投影曲线、一阶层数和二阶层数的数值，横坐标表示灰度投影曲线、一阶层数和二阶层数沿主方向延伸。这样当二阶导数中的极大值确定后，就可以确定极大值对应的横坐标值(如虚线所示的横坐标值)，从而可以确定二值图像中在该横坐标值的目标位置为手腕位置。
另外，上述一阶导数中曲线斜率最大值位置可以是通过计算一阶层数中各位置的曲线斜率，进而确定曲线斜率最大值位置，之后可以确定曲线斜率最大值位置对应的横坐标值(如虚线所示的横坐标值)，从而可以确定二值图像中在该横坐标值的目标位置为手腕位置。
该实施方式中，由于可以通过二阶层数的极大值或者一阶导数中曲线斜率最大值位置确定手腕位置，从而可以提高确定手腕位置的准确性，进而提高手势识别的准确性。
例如：根据人体手部的特点，从手臂到手掌的方向上延伸，从手臂到手腕，人体手部宽度变化不大，而在人体的手腕位置处宽度变化明显。对应在手部图像中，在与主方向垂直的方向上，二值图像宽度变化剧烈的位置即为手腕，从而找到手腕位置即可实现手势图像与手臂图像分割。本实施方式中，可以实现采用基于投影曲线的方法确定手腕的位置，确定主方向后，将二值图像和局部图像进行旋转，旋转角度为θ(例如：主方向与水平方向的夹角)，使手势图像的主方向变为水平方向，然后分别计算旋转后局部图像的垂直方向灰度投影曲线、灰度投影曲线的一阶导数与二阶导数，如图6所示。在手腕位置处，灰度投影曲线变化最剧烈，即灰度投影曲线的斜率变化最快，也就是投影曲线的一阶导数曲线变化最快，一阶导数曲线变化最快的位置也就是一阶导数曲线斜率的最大值位置，这就是投影曲线的二阶导数曲线的极大值位置。
可选的，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
其中，上述第一个等值区间和最后一个等值区间可以称作，投影曲线两个零点对应的二阶导数区间，因为，在投影曲线的零点位置的二阶导数区间为等值区间，例如：如图6所示的二阶导数中第一个直线段和最后一个直线段。
在实际应用中投影曲线在图像的两端可能会出现剧烈变化，从而二值图像的两端，灰度投影值由零开始增大，最终减小变为零，进而导致投影曲线的二阶导数极大值点可能会出现在图像两端。这样，本实施方式中，极大值为所述二阶导数的上述搜索区间中的极大值，这样可以避免二阶导数的极大值在投影曲线两侧的情况，以提高手腕位置确定的准确度。因为，正常的手部图像中，手腕位置肯定位于两个零点之间，这样在较小的区间内搜索投影曲线二阶导数的极大值，确定手腕位置，从而提高手腕位置确定的准确度。
作为一种可选的实施方式，所述计算所述局部图像在所述目标方向的灰度投影曲线之前，所述方法还包括：
对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
其中，上述开运算为形态学开运算，该开运算先对二值图像进行腐蚀处理，然后对腐蚀处理的图像进行膨胀处理，以得到上述至少去掉手指部分和噪声部分的局部图像。具体可以参见图2至图7的变化，其中，图7为局部图像。当然，对上述二值图像进行开运算处理，除了去掉手指部分和噪声部分之外，还可以去掉其他细小部分图像信息，以便于后续主方向和手腕位置的确定。
该实施方式中，由于通过开运算处理，得到至少去掉手指部分和噪声部分的局部图像，从而可以准确地去掉手指部分和噪声部分，进而提高后续确定主方向和手腕方向的准确度，达到提高手势识别准确度的效果。
需要说明的是，本发明实施例中，并不限定通过开运算处理得到上述局部图像，例如：还可以通过霍夫圆检测方法或者神经网络方法等方法去掉二值图像的手指部分，以得到上述局部图像。
作为一种可选的实施方式，所述识别所述局部图像的主方向，包括：
检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
确定所述局部图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
其中，上述检测所述局部图像轮廓的N条直线段可以是，通过二值图像中各像素点的灰度值确定局部图像的轮廓，因为，二值图像中手臂部分与非手臂部分的灰度值不同，一个灰度值为0，另一个灰度值为255。之后，可以通过霍夫变换(Hough)直线检测方法或者直线段检测(Line Segment Detector，LSD)方法等方法检测出上述局部图像轮廓的N条直线段。其中，上述N条直线段可以如图8所示的7条直线段。
而上述预设参考方向可以是水平方向或者垂直方向，其中，本发明实施例中的附图以预设参考方向为水平方向进行举例说明。
上述根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度可以是，可以包括：
将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
其中，上述权重夹角总和可以是，N条直线段的权重夹角加起来的总和，由于直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，从而可以实现将每条直线段的长度作为该直线段的权重值，由于，在实际中长度越长的部位对主方向的影响越大，这样可以提高主方向的准确性。
例如：如图8所示，本发明实施例中，考虑人体手部的结构特点，局部图像是关于主方向近似对称的，因此根据图像中每条直线段的长度和方向确定手部图像的主方向，并且手部图像的主方向近似于长度最长的线段的方向(例如当图像中手臂较大时，图像的主方向近似于两个手臂边缘线段的方向，线段1和线段4是手臂边缘线段)，即对于长度较大的线段，其方向(例如：与水平方向的夹角)对手部图像的主方向的影响较大，因此本发明实施例可以使用加权平均的方法确定手部图像的主方向，以每条线段的长度作为权重系数，线段的长度越长，其方向对应的权重系数越大。以图8为例，图中主要存在7条直线，可以分别计算出7条直线的长度l1,l2,l3,......l7，以及每条直线与水平方向的夹角θ1,θ2,θ3,......θ7，并以每条线段的长度作为权重系数，计算出7条线段方向的加权平均结果从而确定手臂与手势图像的主方向，具体计算方式可以为：
上述公式中，以每条线段的长度li作为其方向(例如：与水平方向的夹角θi)的权重系数，分子是7条线段方向(例如：与水平方向的夹角)的加权总和，分母是7个权重系数的总和，以最终的加权平均结果θ作为主方向与预设参考方向(例如：水平方向)的夹角。
当然，本发明实施例中，上述根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度的步骤，并不限定通过上述将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度来实现，例如：还可以是将上述N条直接段中长度最长的两条直线段与预设参考方向的夹角的均值作为上述目标角度等，对此不作限定。
本实施例中，在图4所示的实施例中，通过灰度投影曲线中斜率变化最快的位置确定所述二值图像的手腕位置，从而实现准确地确定出手腕位置，进一步手势识别的准确性。
请参见图9，图9是本发明实施例提供的一种手势识别方法的流程图，如图9所示，包括以下步骤：
步骤901、获取手部图像；
步骤902、采用本发明实施例提供的手腕识别方法确定手腕位置；
步骤903、沿所述手腕位置对所述二值图像进行分割，得到手势图像；
步骤904、针对所述手势图像进行手势识别。
需要说明的是，步骤902确定手腕位置可以参见图1和图4所示的实施例，此处不作赘述。
本实施例中，确定手腕位置后，可以对二值图像进行分割，得到手势图像，从而可以针对该手势图像进行手势识别，例如：识别手势图像的变化轨迹或者大小或者空间位置等等，对此不作限定。
沿该手腕位置对所述二值图像进行分割，得到手势图像，这样可以去除手臂图像对手势识别造成的干扰，提高手势识别准确度。
需要说明的是，本发明实施例提供的手势识别方法可以应用于任何能够进行图像识别的电子设备，例如：手机、平板电脑、计算机、游戏设备、智能控制设备或者电视机等电子设备，对此本发明实施例不作限定。
本实施例中，由于可以准备地确定手腕位置，且沿所述手腕位置对所述二值图像进行分割，这样可以去掉手臂部分，进而避免手臂部分对手势识别产生的影响，以提高手势识别的准确度。
请参见图10，图10是本发明实施例提供的一种手腕识别装置的结构图，如图10所示，手腕识别装置1000包括：
获取模块1001，用于获取手部图像；
第一处理模块1002，用于对所述手部图像进行二值化处理，得到二值图像；
识别模块1003，用于识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
确定模块1004，用于根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
可选的，如图11所示，所述确定模块1004包括：
第一计算单元10041，用于计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
确定单元10042，用于根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
可选的，如图12所示，所述装置还包括：
第二计算单元1005，用于计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
第三计算单元1006，用于计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
可选的，如图13所示，所述装置还包括：
第二处理模块1007，用于对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
可选的，如图14所示，所述识别模块1003包括：
检测单元10031，用于检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
第一确定单元10032，用于根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
第二确定单元10033，用于确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
可选的，所述第一确定单元10032用于将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
可选的，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
需要说明的是，本实施例中上述手腕识别装置1000可以实现本发明实施例中手腕识别方法实施例中任意实施方式，也就是说，本发明实施例中手腕识别方法实施例中的任意实施方式都可以被本实施例中的上述手腕识别装置1000所实现，以及达到相同的有益效果，此处不再赘述。
请参见图15，图15是本发明实施例提供的一种手势识别装置的结构图，如图15所示，手势识别装置1500包括：
获取模块1501，用于获取手部图像；
确定模块1502，用于采用本发明实施例提供的手腕识别确定手腕位置；
分割模块1503，用于沿所述手腕位置对所述二值图像进行分割，得到手势图像；
识别模块1504，用于针对所述手势图像进行手势识别。
需要说明的是，本实施例中上述手势识别装置1500可以实现本发明实施例中手势识别方法实施例中任意实施方式，也就是说，本发明实施例中手势识别方法实施例中的任意实施方式都可以被本实施例中的上述手势识别装置1500所实现，以及达到相同的有益效果，此处不再赘述。
请参见图16，图16是本发明实施例提供的一种电子设备的结构图，如图16所示，电子设备1600，包括：存储器1601、处理器1602及存储在所述存储器1601上并可在所述处理器1602上运行的计算机程序，其中，
所述处理器1602用于读取存储器1601中的计算程序，执行下列过程：
获取手部图像；
对所述手部图像进行二值化处理，得到二值图像；
识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
可选的，所述处理器1602执行的根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置，包括：
计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
可选的，所述根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置之前，处理器1602还用于：
计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
可选的，所述计算所述局部图像在所述目标方向的灰度投影曲线之前，处理器1602还用于：
对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
可选的，处理器1602执行的所述识别所述二值图像的主方向，包括：
检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
可选的，处理器1602执行的所述根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度，包括：
将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
可选的，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
需要说明的是，本实施例中上述电子设备1600可以实现本发明实施例中手腕识别方法实施例中任意实施方式，也就是说，本发明实施例中手腕识别方法实施例中的任意实施方式都可以被本实施例中的上述电子设备1600所实现，以及达到相同的有益效果，此处不再赘述。
请参见图17，图17是本发明实施例提供的另一种电子设备的结构图，如图17所示，电子设备1700，包括：存储器1701、处理器1702及存储在所述存储器1701上并可在所述处理器1702上运行的计算机程序，其中，
所述处理器1702用于读取存储器1701中的计算程序，执行下列过程：
获取手部图像；
采用本发明实施例提供的手腕识别确定手腕位置；
沿所述手腕位置对所述二值图像进行分割，得到手势图像；
针对所述手势图像进行手势识别。
需要说明的是，本实施例中上述电子设备1700可以实现本发明实施例中手势识别方法实施例中任意实施方式，也就是说，本发明实施例中手势识别方法实施例中的任意实施方式都可以被本实施例中的上述电子设备1700所实现，以及达到相同的有益效果，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的手腕识别方法中的步骤，或者所述计算机程序被处理器执行时实现本发明实施例提供的手势识别方法中的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种手腕识别方法，其特征在于，包括：
获取手部图像；
对所述手部图像进行二值化处理，得到二值图像；
识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
2.权利要求1所述的方法，其特征在于，所述根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置，包括：
计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
3.如权利要求2所述的方法，其特征在于，所述根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置之前，所述方法还包括：
计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
4.如权利要求2或3所述的方法，其特征在于，所述计算所述局部图像在所述目标方向的灰度投影曲线之前，所述方法还包括：
对所述二值图像进行开运算处理，得到至少去掉所述手指信息和噪声部分的所述局部图像。
5.如权利要求4所述的方法，其特征在于，所述识别所述二值图像的主方向，包括：
检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
6.如权利要求5所述的方法，其特征在于，所述根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度，包括：
将所述N条直线段的权重夹角总和除以所述N条直线段的长度总和得到的角度作为所述目标角度，其中，直线段i的权重夹角为，直线段i与所述预设参考方向的夹角乘以直线段i的长度得到的乘积，i为1至N中任一整数。
7.如权利要求3所述的方法，其特征在于，所述极大值为所述二阶导数的搜索区间中的极大值，其中，所述搜索区间为所述二阶导数去掉第一个等值区间和最后一个等值区间的剩余区间，其中，所述第一个等值区间为所述二阶导数中与第一个值连续，且数值均等于所述第一个值的区间，所述最后一个等值区间为所述二阶导数中与最后一个值连续，且数值均等于所述最后一个值的区间。
8.一种手势识别方法，其特征在于，包括：
获取手部图像；
采用权利要求1-7任一项所述的方法确定手腕位置；
沿所述手腕位置对所述二值图像进行分割，得到手势图像；
针对所述手势图像进行手势识别。
9.一种手腕识别装置，其特征在于，包括：
获取模块，用于获取手部图像；
第一处理模块，用于对所述手部图像进行二值化处理，得到二值图像；
识别模块，用于识别所述二值图像的主方向，并确定与所述主方向垂直的目标方向；
确定模块，用于根据所述目标方向，将所述二值图像中满足预设手腕特征的目标位置确定为所述二值图像的手腕位置。
10.权利要求9所述的装置，其特征在于，所述确定模块包括：
第一计算单元，用于计算所述二值图像或者局部图像在所述目标方向的灰度投影曲线，其中，所述局部图像为所述二值图像至少去掉手指信息的局部图像；
确定单元，用于根据所述灰度投影曲线，将所述二值图像中的目标位置确定为所述二值图像的手腕位置，其中，所述目标位置在所述目标方向的投影位置为所述灰度投影曲线中斜率变化最快的位置。
11.如权利要求10所述的装置，其特征在于，所述装置还包括：
第二计算单元，用于计算所述灰度投影曲线的二阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述二阶导数中的极大值在所述灰度投影曲线中对应的位置；或者
第三计算单元，用于计算所述灰度投影曲线的一阶导数，其中，所述灰度投影曲线中斜率变化最快的位置为所述一阶导数中曲线斜率最大值位置在所述灰度投影曲线中对应的位置。
12.如权利要求11所述的装置，其特征在于，所述识别模块包括：
检测单元，用于检测所述局部图像轮廓的N条直线段，并计算每条直线段的长度，以及每条直线段与预设参考方向的夹角，其中，N为正整数；
第一确定单元，用于根据所述N条直线段的长度，以及所述N条直线段与预设参考方向的夹角，确定目标角度；
第二确定单元，用于确定所述二值图像的主方向，所述主方向与所述预设参考方向的夹角为所述目标角度。
13.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的手腕识别方法中的步骤。
14.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求8所述的手势识别方法中的步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的手腕识别方法中的步骤，或者，所述计算机程序被处理器执行时实现如权利要求8所述的手势识别方法中的步骤。
CN201810391614.5A 2018-04-27 2018-04-27 一种手腕识别方法、手势识别方法、装置和电子设备 Active CN108647597B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810391614.5A CN108647597B (zh) 2018-04-27 2018-04-27 一种手腕识别方法、手势识别方法、装置和电子设备
US16/203,915 US10922535B2 (en) 2018-04-27 2018-11-29 Method and device for identifying wrist, method for identifying gesture, electronic equipment and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810391614.5A CN108647597B (zh) 2018-04-27 2018-04-27 一种手腕识别方法、手势识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN108647597A true CN108647597A (zh) 2018-10-12
CN108647597B CN108647597B (zh) 2021-02-02

Family

ID=63748268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810391614.5A Active CN108647597B (zh) 2018-04-27 2018-04-27 一种手腕识别方法、手势识别方法、装置和电子设备

Country Status (2)

Country Link
US (1) US10922535B2 (zh)
CN (1) CN108647597B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008818A (zh) * 2019-01-29 2019-07-12 北京奇艺世纪科技有限公司 一种手势识别方法、装置及计算机可读存储介质
CN110738118A (zh) * 2019-09-16 2020-01-31 平安科技（深圳）有限公司 手势识别方法、系统及管理终端、计算机可读存储介质
CN113128435A (zh) * 2021-04-27 2021-07-16 南昌虚拟现实研究院股份有限公司 图像中手部区域分割方法、装置、介质及计算机设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112764524A (zh) * 2019-11-05 2021-05-07 沈阳智能机器人国家研究院有限公司 一种基于纹理特征的肌电信号手势动作识别方法
CN111354029B (zh) * 2020-02-26 2023-05-05 深圳市瑞立视多媒体科技有限公司 手势深度确定方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110234840A1 (en) * 2008-10-23 2011-09-29 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus, method and computer program for recognizing a gesture in a picture, and apparatus, method and computer program for controlling a device
WO2012005893A2 (en) * 2010-06-29 2012-01-12 Microsoft Corporation Skeletal joint recognition and tracking system
CN103226387A (zh) * 2013-04-07 2013-07-31 华南理工大学 基于Kinect的视频人手指尖定位方法
US20140240213A1 (en) * 2013-02-25 2014-08-28 Honda Motor Co., Ltd. Multi-resolution gesture recognition
US8971637B1 (en) * 2012-07-16 2015-03-03 Matrox Electronic Systems Ltd. Method and system for identifying an edge in an image
CN104766055A (zh) * 2015-03-26 2015-07-08 济南大学 一种手势识别中的手腕图像去除方法
CN105893929A (zh) * 2015-12-27 2016-08-24 乐视致新电子科技（天津）有限公司 手指与手腕的区分方法及其装置
US20160283784A1 (en) * 2015-03-24 2016-09-29 Michael Kounavis Multi-layer skin detection and fused hand pose matching

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6344032B2 (ja) * 2013-09-26 2018-06-20 富士通株式会社 ジェスチャ入力装置、ジェスチャ入力方法、およびジェスチャ入力プログラム
CN104063059B (zh) 2014-07-13 2017-01-04 华东理工大学 一种基于手指分割的实时手势识别方法
US20160026857A1 (en) * 2014-07-23 2016-01-28 Lsi Corporation Image processor comprising gesture recognition system with static hand pose recognition based on dynamic warping
US20160078289A1 (en) * 2014-09-16 2016-03-17 Foundation for Research and Technology - Hellas (FORTH) (acting through its Institute of Computer Gesture Recognition Apparatuses, Methods and Systems for Human-Machine Interaction
US10818011B2 (en) * 2017-12-29 2020-10-27 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Carpal segmentation and recognition method and system, terminal and readable storage medium

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110234840A1 (en) * 2008-10-23 2011-09-29 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus, method and computer program for recognizing a gesture in a picture, and apparatus, method and computer program for controlling a device
WO2012005893A2 (en) * 2010-06-29 2012-01-12 Microsoft Corporation Skeletal joint recognition and tracking system
US8971637B1 (en) * 2012-07-16 2015-03-03 Matrox Electronic Systems Ltd. Method and system for identifying an edge in an image
US20140240213A1 (en) * 2013-02-25 2014-08-28 Honda Motor Co., Ltd. Multi-resolution gesture recognition
CN103226387A (zh) * 2013-04-07 2013-07-31 华南理工大学 基于Kinect的视频人手指尖定位方法
US20160283784A1 (en) * 2015-03-24 2016-09-29 Michael Kounavis Multi-layer skin detection and fused hand pose matching
CN104766055A (zh) * 2015-03-26 2015-07-08 济南大学 一种手势识别中的手腕图像去除方法
CN105893929A (zh) * 2015-12-27 2016-08-24 乐视致新电子科技（天津）有限公司 手指与手腕的区分方法及其装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008818A (zh) * 2019-01-29 2019-07-12 北京奇艺世纪科技有限公司 一种手势识别方法、装置及计算机可读存储介质
CN110738118A (zh) * 2019-09-16 2020-01-31 平安科技（深圳）有限公司 手势识别方法、系统及管理终端、计算机可读存储介质
CN110738118B (zh) * 2019-09-16 2023-07-07 平安科技（深圳）有限公司 手势识别方法、系统及管理终端、计算机可读存储介质
CN113128435A (zh) * 2021-04-27 2021-07-16 南昌虚拟现实研究院股份有限公司 图像中手部区域分割方法、装置、介质及计算机设备
CN113128435B (zh) * 2021-04-27 2022-11-22 南昌虚拟现实研究院股份有限公司 图像中手部区域分割方法、装置、介质及计算机设备

Also Published As

Publication number Publication date
US20190332858A1 (en) 2019-10-31
US10922535B2 (en) 2021-02-16
CN108647597B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN108647597A (zh) 一种手腕识别方法、手势识别方法、装置和电子设备
CN107808143B (zh) 基于计算机视觉的动态手势识别方法
CN108875540B (zh) 图像处理方法、装置和系统及存储介质
US9251588B2 (en) Methods, apparatuses and computer program products for performing accurate pose estimation of objects
US9480417B2 (en) Posture estimation device, posture estimation system, and posture estimation method
JP6077993B2 (ja) 画像の異形を識別するための画像データの処理方法、システムおよびプログラム
US9117138B2 (en) Method and apparatus for object positioning by using depth images
US20130279756A1 (en) Computer vision based hand identification
CN108875533B (zh) 人脸识别的方法、装置、系统及计算机存储介质
CN108564579B (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
US8111877B2 (en) Image processing device and storage medium storing image processing program
US8965051B2 (en) Method and apparatus for providing hand detection
Ren et al. Hand gesture recognition with multiscale weighted histogram of contour direction normalization for wearable applications
WO2023093151A1 (zh) 图像筛选方法及装置、电子设备和存储介质
CN112287802A (zh) 人脸图像检测方法、系统、存储介质及设备
CN109447006A (zh) 图像处理方法、装置、设备及存储介质
CN109375833B (zh) 一种触控指令的生成方法及设备
CN111382606A (zh) 摔倒检测方法、摔倒检测装置和电子设备
CN112395920B (zh) 基于雷达的姿态识别装置、方法以及电子设备
CN108255298B (zh) 一种投影交互系统中的红外手势识别方法及设备
Wang et al. Skin Color Weighted Disparity Competition for Hand Segmentation from Stereo Camera.
CN113487562B (zh) 一种基于手持设备的皮肤光泽度检测系统
Zhao et al. Blur feature extraction plus automatic KNN matting: a novel two stage blur region detection method for local motion blurred images
CN111913584B (zh) 一种基于手势识别的鼠标光标控制方法及系统
Ahn et al. The hand gesture recognition system using depth camera

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