CN108734098A - 人体图像识别方法及装置 - Google Patents

人体图像识别方法及装置 Download PDF

Info

Publication number
CN108734098A
CN108734098A CN201810332669.9A CN201810332669A CN108734098A CN 108734098 A CN108734098 A CN 108734098A CN 201810332669 A CN201810332669 A CN 201810332669A CN 108734098 A CN108734098 A CN 108734098A
Authority
CN
China
Prior art keywords
determining
human body
image
depth image
depth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810332669.9A
Other languages
English (en)
Inventor
张伟民
汤月娟
李明珠
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.)
Beijing Polytechnic Huahui Technology Co Ltd
Original Assignee
Beijing Polytechnic Huahui Technology 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 Beijing Polytechnic Huahui Technology Co Ltd filed Critical Beijing Polytechnic Huahui Technology Co Ltd
Priority to CN201810332669.9A priority Critical patent/CN108734098A/zh
Publication of CN108734098A publication Critical patent/CN108734098A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种人体图像识别方法及装置。其中，方法包括：采用将深度值与梯度信息进行结合的方式，通过捕捉得到包括跟踪对象的视频图像；读取所述视频图像的深度图像；确定所述深度图像中每个像素点x的深度值d1(x)；根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像。达到了能够准确识别出人体的深度图像的目的，从而实现了骨骼识别快速，避免识别过程中出现目标丢失很难重新捕获等问题，从而能有效提高识别效果。

Description

人体图像识别方法及装置
技术领域
本申请涉及图像识别及处理技术领域，具体而言，涉及一种人体图像识别方法及装置。
背景技术
随着机器人领域的快速深入发展，人机交互技术也越来越成为研究的热点之一。其中智能人体跟随是移动机器人领域中主要的研究部分，该技术可以更好的服务用户，提高并完善人机交互的智能性，对用户发出的指令做出有效的应答。目前应用于机器人的跟随方法有多种，例如基于超声波处理、基于红外处理、基于视觉图像处理等。倘若采用超声波处理方法很难确定跟随特定目标，而采用红外处理方法又有很多局限性，如探测距离短、特定目标难确定等问题，使得人体跟踪易受到干扰而跟踪失败。若基于视觉图像处理可以在一定程度上解决上述问题，但是若采用kinect的人体骨骼识别跟随，又会出现骨骼识别慢，中途目标丢失很难重新捕获等问题，而使得跟随效果差。
针对相关技术中的骨骼识别慢，导致中途目标丢失，以及跟随效果差的特点目前暂未提供有效解决方法。
发明内容
本申请的主要目的在于提供一种人体图像识别方法及装置，以解决相关技术中存在的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种人体图像识别方法。
根据本申请的人体图像识别方法，包括：
捕捉得到包括跟踪对象的视频图像；
读取所述视频图像的深度图像；
确定所述深度图像中每个像素点x的深度值d1(x)；
根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息 fθ(l，x)；
根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像。
进一步的，如前述的人体图像识别方法，所述根据每个像素点x的深度值 d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；包括：
确定所述深度图像中平面八等分角的集合D；
确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝ (m1，m2)；其中，m1，且
通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息 fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
进一步的，如前述的人体图像识别方法，所述确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；包括：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0,m1取常数值。
进一步的，如前述的人体图像识别方法，所述根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像，包括：
对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
根据所述幅值及角度值进行边缘识别；
根据所述边缘识别得到人体边缘轮廓；
根据所述人体边缘轮廓确定所述人体深度图像。
进一步的，如前述的人体图像识别方法，所述根据所述人体边缘轮廓确定所述人体深度图像，包括：
预先设置人体模型；
将所述人体边缘轮廓与所述人体模型进行匹配；
若匹配成功则确定所述人体深度图像。
为了实现上述目的，根据本申请的另一方面，提供了一种人体图像识别装置。
根据本申请的人体图像识别装置包括：
视频图像捕捉单元，用于捕捉得到包括跟踪对象的视频图像；
深度图像读取单元，用于读取所述视频图像的深度图像；
深度值确定单元，用于确定所述深度图像中每个像素点x的深度值 d1(x)；
梯度信息确定单元，用于根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；
人体深度图像确定单元，用于根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像。
进一步的，如前述的人体图像识别装置，所述梯度信息确定单元；包括：
平面等分模块，用于确定所述深度图像中平面八等分角的集合D；
偏移向量设定模块，用于确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；其中，且
梯度信息确定模块，用于通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
进一步的，如前述的人体图像识别装置，所述偏移向量设定模块；还用于：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0,m1取常数值。
进一步的，如前述的人体图像识别方法，所述人体深度图像确定单元，包括：
幅值及角度值确定模块，用于对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
边缘识别模块，用于根据所述幅值及角度值进行边缘识别；
轮廓确定模块，用于根据所述边缘识别得到人体边缘轮廓；
深度图像确定模块，用于根据所述人体边缘轮廓确定所述人体深度图像。
进一步的，如前述的人体图像识别方法，所述深度图像确定模块，包括：
模型子模块，用于预先设置人体模型；
匹配子模块，用于将所述人体边缘轮廓与所述人体模型进行匹配；
图像确定子模块，用于在匹配成功后确定所述人体深度图像。
在本申请实施例中，采用将深度值与梯度信息进行结合的方式，通过捕捉得到包括跟踪对象的视频图像；读取所述视频图像的深度图像；确定所述深度图像中每个像素点x的深度值d1(x)；根据每个像素点x的深度值 d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；根据所述每个像素点x 的梯度信息确定所述深度图像中的人体深度图像。达到了能够准确识别出人体的深度图像的目的，从而实现了骨骼识别快速，避免识别过程中出现目标丢失很难重新捕获等问题，从而能有效提高识别效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请一种实施例的方法流程示意图；以及
图2是根据本申请一种实施例的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个实施例，提供了一种人体图像识别方法。如图1所示，该方法包括如下的步骤S1至步骤S5：
S1.捕捉得到包括跟踪对象的视频图像；
S2.读取所述视频图像的深度图像；
S3.确定所述深度图像中每个像素点x的深度值d1(x)；
S4.根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；
S5.根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像。
在一些实施例中，如前述的人体图像识别方法，所述确定每个像素点x周围的梯度信息fθ(l，x)；包括：
确定所述深度图像中平面八等分角的集合D；
确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝ (m1，m2)；其中，m1，且
通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息 fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
采用该方法可以得到反映像素x周围的梯度信息，并以此来表示像素x 的特征，是点特征与梯度特征的良好结合，此特征对人体部位有很好的区分与识别。
在一些实施例中，如前述的人体图像识别方法，所述确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；包括：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0,m1取常数值。
在一些实施例中，如前述的人体图像识别方法，所述根据所述每个像素点 x的梯度信息确定所述深度图像中的人体深度图像，包括：
对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
根据所述幅值及角度值进行边缘识别；
根据所述边缘识别得到人体边缘轮廓；
根据所述人体边缘轮廓确定所述人体深度图像。
在一些实施例中，如前述的人体图像识别方法，所述根据所述人体边缘轮廓确定所述人体深度图像，包括：
预先设置人体模型；
将所述人体边缘轮廓与所述人体模型进行匹配；
若匹配成功则确定所述人体深度图像。
具体的，可以首先对深度图像利用Canny算子对梯度信息进行处理得到幅值及角度值，再根据所述幅值及角度值进行边缘识别并提取出相应的人体边缘轮廓，然后通过计算距离变换和模型匹配的方法，计算出头部的位置并根据经验比例得到人体深度图像并定位整个人体，进而达到检测与跟踪的目的。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述人体图像识别方法的人体图像识别装置，如图2所示，该装置包括：
视频图像捕捉单元1，用于捕捉得到包括跟踪对象的视频图像；
深度图像读取单元2，用于读取所述视频图像的深度图像；
深度值确定单元3，用于确定所述深度图像中每个像素点x的深度值 d1(x)；
梯度信息确定单元4，用于根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；
人体深度图像确定单元5，用于根据所述每个像素点x的及梯度信息确定所述深度图像中的人体深度图像。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
在一些实施例中，如前述的人体图像识别装置，所述梯度信息确定单元；包括：
平面等分模块，用于确定所述深度图像中平面八等分角的集合D；
偏移向量设定模块，用于确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；其中，且
梯度信息确定模块，用于通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
在一些实施例中，如前述的人体图像识别装置，所述偏移向量设定模块；还用于：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0，m1取常数值。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
在一些实施例中，如前述的人体图像识别装置，所述人体深度图像确定单元，包括：
幅值及角度值确定模块，用于对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
边缘识别模块，用于根据所述幅值及角度值进行边缘识别；
轮廓确定模块，用于根据所述边缘识别得到人体边缘轮廓；
深度图像确定模块，用于根据所述人体边缘轮廓确定所述人体深度图像。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
在一些实施例中，如前述的人体图像识别装置，所述深度图像确定模块，包括：
模型子模块，用于预先设置人体模型；
匹配子模块，用于将所述人体边缘轮廓与所述人体模型进行匹配；
图像确定子模块，用于在匹配成功后确定所述人体深度图像。
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人体图像识别方法，其特征在于，包括：
捕捉得到包括跟踪对象的视频图像；
读取所述视频图像的深度图像；
确定所述深度图像中每个像素点x的深度值d1(x)；
根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；
根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像。
2.根据权利要求1所述的人体图像识别方法，其特征在于，所述确定每个像素点x周围的梯度信息fθ(l，x)；包括：
确定所述深度图像中平面八等分角的集合D；
确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；其中，m1，且α∈D；
通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
3.根据权利要求2所述的人体图像识别方法，其特征在于，所述确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；包括：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0，m1取常数值。
4.根据权利要求1所述的人体图像识别方法，其特征在于，所述根据所述每个像素点x的梯度信息确定所述深度图像中的人体深度图像，包括：
对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
根据所述幅值及角度值进行边缘识别；
根据所述边缘识别得到人体边缘轮廓；
根据所述人体边缘轮廓确定所述人体深度图像。
5.根据权利要求4所述的人体图像识别方法，其特征在于，所述根据所述人体边缘轮廓确定所述人体深度图像，包括：
预先设置人体模型；
将所述人体边缘轮廓与所述人体模型进行匹配；
若匹配成功则确定所述人体深度图像。
6.一种人体图像识别装置，其特征在于，
视频图像捕捉单元，用于捕捉得到包括跟踪对象的视频图像；
深度图像读取单元，用于读取所述视频图像的深度图像；
深度值确定单元，用于确定所述深度图像中每个像素点x的深度值d1(x)；
梯度信息确定单元，用于根据每个像素点x的深度值d1(x)确定每个像素点x周围的梯度信息fθ(l，x)；
人体深度图像确定单元，用于根据所述每个像素点x的深度值及梯度信息确定所述深度图像中的人体深度图像。
7.根据权利要求6所述的人体图像识别方法，其特征在于，所述梯度信息确定单元；包括：
平面等分模块，用于确定所述深度图像中平面八等分角的集合D；
偏移向量设定模块，用于确定以原点为起点，且与水平向右方向呈α角度的偏移向量Mα＝(m1，m2)；其中，m1，且 α∈D；
梯度信息确定模块，用于通过式fθ(l，x)＝d1(x+Mu)-d1(x+Mv)得到所述梯度信息fθ(l，x)；其中，Mu和Mv代表以原点为起点的偏移向量，且Mu和Mv构成向量对θ，θ＝(Mu,Mv)，U,V∈D；
8.根据权利要求7所述的人体图像识别装置，其特征在于，所述偏移向量设定模块；还用于：
在中，当t＝2*(2k+1)(k∈Z)时，m1＝0,m2取常数值；
在t＝2*(2k)(k∈Z)时，m2＝0,m1取常数值。
9.根据权利要求6所述的人体图像识别方法，其特征在于，所述人体深度图像确定单元，包括：
幅值及角度值确定模块，用于对所述每个像素点x的梯度信息进行处理得到幅值及角度值；
边缘识别模块，用于根据所述幅值及角度值进行边缘识别；
轮廓确定模块，用于根据所述边缘识别得到人体边缘轮廓；
深度图像确定模块，用于根据所述人体边缘轮廓确定所述人体深度图像。
10.根据权利要求9所述的人体图像识别方法，其特征在于，所述深度图像确定模块，包括：
模型子模块，用于预先设置人体模型；
匹配子模块，用于将所述人体边缘轮廓与所述人体模型进行匹配；
图像确定子模块，用于在匹配成功后确定所述人体深度图像。
CN201810332669.9A 2018-04-13 2018-04-13 人体图像识别方法及装置 Pending CN108734098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810332669.9A CN108734098A (zh) 2018-04-13 2018-04-13 人体图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810332669.9A CN108734098A (zh) 2018-04-13 2018-04-13 人体图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN108734098A true CN108734098A (zh) 2018-11-02

Family

ID=63938953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810332669.9A Pending CN108734098A (zh) 2018-04-13 2018-04-13 人体图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN108734098A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264498A (zh) * 2019-06-26 2019-09-20 北京深醒科技有限公司 一种视频监控场景下的人体跟踪方法
CN111669662A (zh) * 2020-07-03 2020-09-15 海信视像科技股份有限公司 显示设备、视频通话方法及服务器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130336528A1 (en) * 2012-05-25 2013-12-19 Atheer, Inc. Method and apparatus for identifying input features for later recognition
CN107292826A (zh) * 2016-03-31 2017-10-24 富士通株式会社 图像处理设备、图像处理方法以及图像处理装置
CN107704799A (zh) * 2017-08-10 2018-02-16 深圳市金立通信设备有限公司 一种人体动作识别方法及设备、计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130336528A1 (en) * 2012-05-25 2013-12-19 Atheer, Inc. Method and apparatus for identifying input features for later recognition
CN107292826A (zh) * 2016-03-31 2017-10-24 富士通株式会社 图像处理设备、图像处理方法以及图像处理装置
CN107704799A (zh) * 2017-08-10 2018-02-16 深圳市金立通信设备有限公司 一种人体动作识别方法及设备、计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李红波等: ""基于Kinect深度图像的人体识别分析"", 《数字通信》 *
林鹏: ""基于深度图像学习的人体部位识别"", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264498A (zh) * 2019-06-26 2019-09-20 北京深醒科技有限公司 一种视频监控场景下的人体跟踪方法
CN111669662A (zh) * 2020-07-03 2020-09-15 海信视像科技股份有限公司 显示设备、视频通话方法及服务器

Similar Documents

Publication Publication Date Title
JP5715833B2 (ja) 姿勢状態推定装置および姿勢状態推定方法
Papazov et al. Real-time 3D head pose and facial landmark estimation from depth images using triangular surface patch features
US9480417B2 (en) Posture estimation device, posture estimation system, and posture estimation method
US9031286B2 (en) Object detection device and object detection method
US9092665B2 (en) Systems and methods for initializing motion tracking of human hands
US9129155B2 (en) Systems and methods for initializing motion tracking of human hands using template matching within bounded regions determined using a depth map
US9262674B2 (en) Orientation state estimation device and orientation state estimation method
CN109583304A (zh) 一种基于结构光模组的快速3d人脸点云生成方法及装置
US20130293679A1 (en) Upper-Body Skeleton Extraction from Depth Maps
CN105844202A (zh) 一种影像识别系统及方法
CN108268825A (zh) 基于移动云台的三维人脸跟踪及表情识别系统
Gurbuz et al. Model free head pose estimation using stereovision
CN109937434A (zh) 图像处理方法、装置、终端和存储介质
JP5103682B2 (ja) インタラクティブ看板システム
CN108734098A (zh) 人体图像识别方法及装置
CN108694348B (zh) 一种基于自然特征的跟踪注册方法及装置
Wen et al. Incorporation of structural tensor and driving force into log-demons for large-deformation image registration
WO2021026281A1 (en) Adaptive hand tracking and gesture recognition using face-shoulder feature coordinate transforms
CN115482285A (zh) 图像对齐方法、装置、设备及存储介质
Samoil et al. Multispectral hand recognition using the Kinect v2 sensor
Chen et al. In-Rack Test Tube Pose Estimation Using RGB-D Data
CN116152073B (zh) 改进的基于Loftr算法的多尺度眼底图像拼接方法
CN107801098B (zh) 机顶盒的指令执行方法和装置
US11675428B2 (en) Determining a gaze direction using depth information
Xu et al. Camera Control and Multimedia Interaction using Individual Object Recognition.

Legal Events

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

Application publication date: 20181102