CN109190516A - 一种基于手掌边缘轮廓矢量化的静态手势识别方法 - Google Patents
一种基于手掌边缘轮廓矢量化的静态手势识别方法 Download PDFInfo
- Publication number
- CN109190516A CN109190516A CN201810922085.7A CN201810922085A CN109190516A CN 109190516 A CN109190516 A CN 109190516A CN 201810922085 A CN201810922085 A CN 201810922085A CN 109190516 A CN109190516 A CN 109190516A
- Authority
- CN
- China
- Prior art keywords
- gesture
- area
- profile
- palm area
- mass center
- 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
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
- G06V40/107—Static hand or arm
- G06V40/113—Recognition of static hand signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于手掌边缘轮廓矢量化的静态手势识别方法。本发明方法,包括:对包含手势图像进行预处理得到手势区域,确定手势连通域质心与方向向量,进而确定手腕位置平行线,通过最小厚度的原则最终确定手腕位置并分割出手掌区域,针对分割出的手掌区域进行质心位置的修正,以修正后的质心作为参考点,对轮廓进行矢量化。该方法在手势发生旋转、平移、缩放时具有较高的鲁棒性,同时能够大幅度提示匹配速度以满足实际应用的需要。
Description
技术领域
本发明涉及机器视觉识别技术领域,具体而言,尤其涉及一种基于手掌边缘轮廓矢量化的静态手势识别方法。
背景技术
随着计算机技术的发展和电子设备的更新换代,人机交互在人们的日常生活中显得非常重要。人们开始追求一种更自然、更智能、更符合人类交流习惯的交互方式。由于手势具有自然、直观、易于学习等特点,基于手势的人机交互已经成为人机交互领域的研究热点并且有着广阔的应用前景。
已有大多数手势识别应用利用模式分类算法完成识别,如基于形状参数特征的位编码序列实现的手势分类,但该方法在手势方向方面具有局限性。基于深度信息的手势识别方法,该类方法对于设备要求较高,算法复杂度较高,且识别速度慢,难以推广。
因此,针对于手势的平移、旋转、缩放等问题,目前的手势识别方法适应性较差,同时目前手势识别方法识别速度较慢,有待改进。
发明内容
根据上述提出手势的平移、旋转、缩放等问题,目前的手势识别方法适应性较差,同时目前手势识别方法识别速度较慢的技术问题,而提供一种基于手掌边缘轮廓矢量化的静态手势识别方法。本发明的方法对包含手势图像进行预处理得到手势区域,确定手势连通域质心与方向向量,进而确定手腕位置平行线,通过最小厚度的原则最终确定手腕位置并分割出手掌区域,针对分割出的手掌区域进行质心位置的修正,以修正后的质心作为参考点,对轮廓进行矢量化,该方法在手势发生旋转、平移、缩放时具有较高的鲁棒性,同时能够大幅度提示匹配速度以满足实际应用的需要。
本发明采用的一种基于手掌边缘轮廓矢量化的静态手势识别方法,步骤如下:
S1:通过肤色分割算法,获取含有肤色区域的二值化图像;
S2:计算肤色区域的连通域,得到手势区域;
S3:以图像左下角作为原点建立坐标系,确定手势连通域的质心手势连通域方向向量μp,q以及水平方向夹角θ;
其中S为手势区域所有像素点的集合,(x1,y1)为S中任意一个像素点的坐标,N为手势区域所有像素点的总数;
其中(pi,x,pi,y)为手势区域中的任意一点的坐标;
S4:获取可能的手腕位置,并根据最小手腕厚度的原则确定手腕的位置,分割出手掌区域;
S5:根据所述分割出的手掌区域修正质心,采用Sobel算子获取手掌区域的边缘轮廓;
S6:对所述手掌区域的边缘轮廓大小进行归一化处理;
S7:将所述步骤S6得到的手掌区域轮廓矢量化,得到手掌区域轮廓矢量化边缘序列;
S8:计算所述手掌区域轮廓矢量化边缘序列以及模板库中手掌区域轮廓矢量化边缘序列的相似度;
S9:取相似度最大且大于设定同类手势相似度阈值者作为识别结果,若不存在,则认为该手势为未定义手势。
进一步地,所述步骤S1中的肤色分割算法为使用基于YCbCr肤色空间或使用高斯肤色混合模型。
进一步地,所述步骤S4中的分割手掌区域的过程包括:
S401:分别获取整个手势区域像素点在水平方向上的最大值xmax和最小值xmin,像素点在竖直方向上最大值ymax和最小值ymin;并以(xmin,ymin),(xmin,ymax),(xmax,ymin),(xmax,ymax)作为四个顶点坐标确定的矩形区域作为分割后的手势区域;
S402:找出经过质心的方向向量平行线与上述矩形的交点;
S403:求出两个交点与所述修正质心连线的中点,并以两个中点为端点绘制连线M1M2;在M1M2绘制与所述连线相互垂直的直线簇,并记录所述直线簇所包含所有直线与所述手势区域边缘的两个交点,所述直线簇即为手腕位置线段的平行线,找出所有连线中两个交点之间距离最短的连线,即为手腕位置;
S404:以所述手腕位置的连线进行分割,连线上部即为手掌区域;
进一步地,所述步骤S6中的归一化处理过程包括:
以所述修正质心为圆心,所述修正质心与手掌边缘最远距离为半径绘制圆形,然后以所述修正质心为基点将圆形区域缩放至单位圆区域。
进一步地,所述步骤S7中所述手势区域轮廓矢量化的过程包括:
确定手腕处与所述修正质心距离最远点F,以所述修正质心与所述最远点F的连线为起始位置,以固定的角度步长逆时针方向获取从所述修正质心发射的射线与手掌区域边界的交点,射线与所述手掌边界区域轮廓的交点集作为特征点集,所有相邻两特征点组成向量,所有向量组成向量群。
进一步地,所述步骤S8中计算所述手掌区域轮廓S与所述模板库中每一类手势的手掌区域轮廓T的相似度过程包括:
S801:设li为所述手掌区域轮廓S矢量化后对应的第i条向量的模,li′为所述模板库中每一类手势的手掌区域轮廓T矢量化后对应的第i条向量的模,则轮廓S与轮廓T的长度相似度计算公式如下:
其中:δ为最大容忍长度偏差;
S802:设θi为sisi+1和titi+1的夹角,则轮廓S与轮廓T的角度相似度:
其中:Δ为最大容忍角度偏差;
S803:综合所述考虑轮廓S与轮廓T的长度与角度,则所述轮廓S与轮廓T的相似度为:
其中,τ为任意常数。
较现有技术相比,本发明具有以下优点:
1、采用手掌信息,去除了前臂带来的干扰,采用手掌边缘轮廓信息,去除了手掌内部信息的干扰。
2、针对于与手势的旋转、平移、缩放具有良好的适应性。
3、相比于传统SVM算法识别率得到提高,同时计算量大幅度下降。
4、相比于深度学习方法,减少了大量训练样本图片的耗时,同时对硬件设备要求较低,易于实现和推广。
综上,应用本发明的技术方案对包含手势图像进行预处理得到手势区域,确定手势连通域质心与方向向量,进而确定手腕位置平行线,通过最小厚度的原则最终确定手腕位置并分割出手掌区域,针对分割出的手掌区域进行质心位置的修正,以修正后的质心作为参考点,对轮廓进行矢量化。解决了现有技术中对于手势的平移、旋转、缩放等问题,目前的手势识别方法适应性较差,识别速度较慢的问题。
基于上述理由本发明可在机器视觉识别等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图。
图2a为本发明手势连通域提取结果示意图。
图2b为本发明手势连通域质心示意图。
图2c为本发明手势连通域主方向示意图。
图2d为本发明手势连通域所在矩形区域示意图。
图2e为本发明求取主方向与矩形区域交点示意图。
图2f为本发明手腕可能位置示意图。
图2g为本发明手腕位置示意图。
图2h为本发明手掌分割示意图。
图3为本发明手掌边缘轮廓示意图。
图4为本发明手掌边缘轮廓向量的确定示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
如图1所示,本发明提供了一种基于手掌边缘轮廓矢量化的静态手势识别方法,包括以下步骤:
S1:通过肤色分割算法,获取含有肤色区域的二值化图像;
S2:计算肤色区域的连通域,得到手势区域;
S3:以图像左下角作为原点建立坐标系,确定手势连通域的质心手势连通域方向向量μp,q以及水平方向夹角θ;
其中S为手势区域所有像素点的集合,(x1,y1)为S中任意一个像素点的坐标,N为手势区域所有像素点的总数;
其中(pi,x,pi,y)为手势区域中的任意一点的坐标;
S4:获取可能的手腕位置,并根据最小手腕厚度的原则确定手腕的位置,分割出手掌区域;
S5:根据所述分割出的手掌区域修正质心,采用Sobel算子获取手掌区域的边缘轮廓;
S6:对所述手掌区域的边缘轮廓大小进行归一化处理;
S7:将所述步骤S6得到的手掌区域轮廓矢量化,得到手掌区域轮廓矢量化边缘序列;
S8:计算所述手掌区域轮廓矢量化边缘序列以及模板库中手掌区域轮廓矢量化边缘序列的相似度;
S9:取相似度最大且大于设定同类手势相似度阈值者作为识别结果,若不存在,则认为该手势为未定义手势。
实施例1
本发明提供了一种基于手掌边缘轮廓矢量化的静态手势识别方法,包括以下步骤:
S1:使用基于YCbCr肤色空间或用高斯肤色混合模型等方法,获取含有肤色区域的二值化图像。
S2:计算肤色区域的连通域,去除噪点等无关干扰,得到手势区域。并对手势区域进行腐蚀膨胀等处理。如果图像分辨率过高的话,可以在此步骤后压缩图像,结果如图2a所示。
S3:以图像左下角作为原点,水平方向为x轴,竖直方向为y轴建立坐标直角系,确定手势连通域的质心和手势连通域主方向角度θ。质心和夹角θ的求取公式如下:
其中S为手势区域所有像素点的集合,(x1,y1)为S中任意一个像素点的坐标,N为手势区域所有像素点的总数。
其中(pi,x,pi,y)为手势区域中的任意一点的坐标。手势连通域的质心如图2b所示,主方向如图2c所示。
S4:考虑到由于上述步骤分割出的手势区域实际上包含人体的前臂,而前臂本身并不包含手势信息,同时前臂的信息可能造成同种手势误识别为不同手势。因此需要将手掌与前臂分割开,去除前臂区域,保留手掌区域。本发明中采用的是通过手腕位置分割手掌与前臂的方式,将手腕位置简化为一条线段,经过大量实验验证发现手腕位置线段大致与手势连通域的主方向相互垂直,如图2f所示,获取可能的手腕位置,通过手势连通域的主方向和最小手腕厚度的原则可以确定手腕的位置,分割出手掌区域。具体步骤如下:
S401:如图2d所示,分别获取整个手势区域像素点在水平方向上的最大值xmax和最小值xmin,像素点在竖直方向上最大值ymax和最小值ymin;并以(xmin,ymin),(xmin,ymax),(xmax,ymin),(xmax,ymax)作为四个顶点坐标确定的矩形区域作为分割后的手势区域;
S402:如图2e所示,找出经过质心的方向向量平行线与上述矩形的交点。
S403:求出两个交点与所述修正质心连线的中点,并以两个中点为端点绘制连线M1M2;在M1M2绘制与所述连线相互垂直的直线簇,并记录所述直线簇所包含所有直线与所述手势区域边缘的两个交点,如图2f所示,所述直线簇即为手腕位置线段的平行线,找出所有连线中两个交点之间距离最短的连线,如图2g所示,即为手腕位置。
S404:如图2h所示,以所述手腕位置的连线进行分割,连线上部即为手掌区域。
S5:根据分割出的手掌区域修正质心,并采用Sobel算子获取手掌区域的边缘轮廓Sobel算子是基于一阶导数的图像边缘检测算子,通过利用一个3×3的核模板与图像中的每个像素点做卷积和运算,从而选取合适的阈值实现手掌边缘的检测,结果如图3所示。
S6:对手势区域轮廓大小进行归一化处理,以所述修正质心为圆心,所述修正质心与手掌边缘最远距离为半径绘制圆形,然后以所述修正质心为基点将圆形区域缩放至单位圆区域。
S7:如图4所示,将所述手势的手掌区域轮廓矢量化,得到手势的手掌区域轮廓矢量化边缘序列;确定手腕处与所述修正质心距离最远点F,以所述修正质心与所述最远点F的连线为起始位置,以固定的角度步长逆时针方向获取从所述修正质心发射的射线与手掌区域边界的交点,射线与所述手掌边界区域轮廓的交点集作为特征点集,所有相邻两特征点组成向量,所有向量组成向量群。
S8:计算所述手掌区域轮廓S与所述模板库中每一类手势的手掌区域轮廓T的相似度,其计算过程包括:
S801:设li为所述手掌区域轮廓S矢量化后对应的第i条向量的模,li′为所述模板库中每一类手势的手掌区域轮廓T矢量化后对应的第i条向量的模,则轮廓S与轮廓T的长度相似度计算公式如下:
其中:δ为最大容忍长度偏差;
S802:设θi为sisi+1和titi+1的夹角,则轮廓S与轮廓T的角度相似度:
其中:Δ为最大容忍角度偏差;
S803:综合所述考虑轮廓S与轮廓T的长度与角度,则所述轮廓S与轮廓T的相似度为:
其中,τ为任意常数。
S9:取相似度最大且大于设定同类手势相似度阈值者作为识别结果,若不存在,则认为该手势为未定义手势。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,包括以下步骤:
S1:通过肤色分割算法,获取含有肤色区域的二值化图像;
S2:计算肤色区域的连通域,得到手势区域;
S3:以图像左下角作为原点建立坐标系,确定手势连通域的质心手势连通域方向向量μp,q以及水平方向夹角θ;
其中S为手势区域所有像素点的集合,(x1,y1)为S中任意一个像素点的坐标,N为手势区域所有像素点的总数;
其中(pi,x,pi,y)为手势区域中的任意一点的坐标;
S4:获取可能的手腕位置,并根据最小手腕厚度的原则确定手腕的位置,分割出手掌区域;
S5:根据所述分割出的手掌区域修正质心,采用Sobel算子获取手掌区域的边缘轮廓;
S6:对所述手掌区域的边缘轮廓大小进行归一化处理;
S7:将所述步骤S6得到的手掌区域轮廓矢量化,得到手掌区域轮廓矢量化边缘序列;
S8:计算所述手掌区域轮廓矢量化边缘序列以及模板库中手掌区域轮廓矢量化边缘序列的相似度;
S9:取相似度最大且大于设定同类手势相似度阈值者作为识别结果,若不存在,则认为该手势为未定义手势。
2.根据权利要求1所述的一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,所述步骤S1中的肤色分割算法为使用基于YCbCr肤色空间或使用高斯肤色混合模型。
3.根据权利要求1所述的一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,所述步骤S4中的分割手掌区域的过程包括:
S401:分别获取整个手势区域像素点在水平方向上的最大值xmax和最小值xmin,像素点在竖直方向上最大值ymax和最小值ymin;并以(xmin,ymin),(xmin,ymax),(xmax,ymin),(xmax,ymax)作为四个顶点坐标确定的矩形区域作为分割后的手势区域;
S402:找出经过质心的方向向量平行线与上述矩形的交点;
S403:求出两个交点与所述修正质心连线的中点,并以两个中点为端点绘制连线M1M2;在M1M2绘制与所述连线相互垂直的直线簇,并记录所述直线簇所包含所有直线与所述手势区域边缘的两个交点,所述直线簇即为手腕位置线段的平行线,找出所有连线中两个交点之间距离最短的连线,即为手腕位置;
S404:以所述手腕位置的连线进行分割,连线上部即为手掌区域。
4.根据权利要求1所述的一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,所述步骤S6中的归一化处理过程包括:
以所述修正质心为圆心,所述修正质心与手掌边缘最远距离为半径绘制圆形,然后以所述修正质心为基点将圆形区域缩放至单位圆区域。
5.根据权利要求1所述的一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,所述步骤S7中手势区域轮廓矢量化的过程包括:
确定手腕处与所述修正质心距离最远点F,以所述修正质心与所述最远点F的连线为起始位置,以固定的角度步长逆时针方向获取从所述修正质心发射的射线与手掌区域边界的交点,射线与所述手掌边界区域轮廓的交点集作为特征点集,所有相邻两特征点组成向量,所有向量组成向量群。
6.根据权利要求1所述的一种基于手掌边缘轮廓矢量化的静态手势识别方法,其特征在于,所述步骤S8中计算手掌区域轮廓S与所述模板库中每一类手势的手掌区域轮廓T的相似度过程包括:
S801:设li为所述手掌区域轮廓S矢量化后对应的第i条向量的模,li′为所述模板库中每一类手势的手掌区域轮廓T矢量化后对应的第i条向量的模,则轮廓S与轮廓T的长度相似度计算公式如下:
其中:δ为最大容忍长度偏差;
S802:设θi为向量sisi+1和向量titi+1的夹角,则轮廓S与轮廓T的角度相似度:
其中:Δ为最大容忍角度偏差;
S803:综合考虑所述轮廓S与轮廓T的长度与角度,则所述轮廓S与轮廓T的相似度为:
其中,τ为任意常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922085.7A CN109190516A (zh) | 2018-08-14 | 2018-08-14 | 一种基于手掌边缘轮廓矢量化的静态手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922085.7A CN109190516A (zh) | 2018-08-14 | 2018-08-14 | 一种基于手掌边缘轮廓矢量化的静态手势识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190516A true CN109190516A (zh) | 2019-01-11 |
Family
ID=64921466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810922085.7A Pending CN109190516A (zh) | 2018-08-14 | 2018-08-14 | 一种基于手掌边缘轮廓矢量化的静态手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190516A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887016A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
CN109887017A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
CN109934152A (zh) * | 2019-03-08 | 2019-06-25 | 浙江理工大学 | 一种针对手语图像的改进小弯臂图像分割方法 |
CN110276262A (zh) * | 2019-05-23 | 2019-09-24 | 福建师范大学 | 一种手掌图像中手腕的判定方法 |
CN110399784A (zh) * | 2019-05-23 | 2019-11-01 | 福建师范大学 | 一种手掌图像感兴趣区域与截取准确率提升的方法 |
CN110794959A (zh) * | 2019-09-25 | 2020-02-14 | 苏州联游信息技术有限公司 | 一种基于图像识别的手势交互ar投影方法及装置 |
CN111144212A (zh) * | 2019-11-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种深度图像目标分割方法及装置 |
CN112446321A (zh) * | 2020-11-24 | 2021-03-05 | 西安电子科技大学 | 基于帧差法的手部动作实时识别方法 |
CN113421236A (zh) * | 2021-06-17 | 2021-09-21 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344816A (zh) * | 2008-08-15 | 2009-01-14 | 华南理工大学 | 基于视线跟踪和手势识别的人机交互方法及装置 |
CN101661556A (zh) * | 2009-09-25 | 2010-03-03 | 哈尔滨工业大学深圳研究生院 | 基于视觉的静态手势识别方法 |
US20120062736A1 (en) * | 2010-09-13 | 2012-03-15 | Xiong Huaixin | Hand and indicating-point positioning method and hand gesture determining method used in human-computer interaction system |
CN106845384A (zh) * | 2017-01-17 | 2017-06-13 | 西北大学 | 一种基于递归模型的手势识别方法 |
-
2018
- 2018-08-14 CN CN201810922085.7A patent/CN109190516A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344816A (zh) * | 2008-08-15 | 2009-01-14 | 华南理工大学 | 基于视线跟踪和手势识别的人机交互方法及装置 |
CN101661556A (zh) * | 2009-09-25 | 2010-03-03 | 哈尔滨工业大学深圳研究生院 | 基于视觉的静态手势识别方法 |
US20120062736A1 (en) * | 2010-09-13 | 2012-03-15 | Xiong Huaixin | Hand and indicating-point positioning method and hand gesture determining method used in human-computer interaction system |
CN106845384A (zh) * | 2017-01-17 | 2017-06-13 | 西北大学 | 一种基于递归模型的手势识别方法 |
Non-Patent Citations (4)
Title |
---|
JONGWEON LEE 等: "Hand Gesture Recognition for Table-Top Interaction System", 《PROCEEDINGS OF THE 5TH INTERNATIONAL SYMPOSIUM ON UBIQUITOUS VIRTUAL REALITY ISUVR 07》 * |
杨纪争 等: "面向静态手势识别的边缘序列递归模型算法", 《计算机辅助设计与图形学学报》 * |
杨纪争: "基于空间序列递归模型的手势识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邝泳聪 等: "基于轮廓矢量化的形状匹配快速算法", 《计算机应用研究》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934152A (zh) * | 2019-03-08 | 2019-06-25 | 浙江理工大学 | 一种针对手语图像的改进小弯臂图像分割方法 |
CN109887016A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
CN109887017A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
CN110276262A (zh) * | 2019-05-23 | 2019-09-24 | 福建师范大学 | 一种手掌图像中手腕的判定方法 |
CN110399784A (zh) * | 2019-05-23 | 2019-11-01 | 福建师范大学 | 一种手掌图像感兴趣区域与截取准确率提升的方法 |
CN110794959A (zh) * | 2019-09-25 | 2020-02-14 | 苏州联游信息技术有限公司 | 一种基于图像识别的手势交互ar投影方法及装置 |
CN111144212A (zh) * | 2019-11-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种深度图像目标分割方法及装置 |
CN111144212B (zh) * | 2019-11-26 | 2023-06-23 | 北京华捷艾米科技有限公司 | 一种深度图像目标分割方法及装置 |
CN112446321A (zh) * | 2020-11-24 | 2021-03-05 | 西安电子科技大学 | 基于帧差法的手部动作实时识别方法 |
CN112446321B (zh) * | 2020-11-24 | 2023-04-18 | 西安电子科技大学 | 基于帧差法的手部动作实时识别方法 |
CN113421236A (zh) * | 2021-06-17 | 2021-09-21 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
CN113421236B (zh) * | 2021-06-17 | 2024-02-09 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190516A (zh) | 一种基于手掌边缘轮廓矢量化的静态手势识别方法 | |
CN109359538B (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
CN110232311B (zh) | 手部图像的分割方法、装置及计算机设备 | |
CN106682598B (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
CN107220995B (zh) | 一种基于orb图像特征的icp快速点云配准算法的改进方法 | |
KR102285915B1 (ko) | 모바일 디바이스를 위한 실시간 3d 제스처 인식 및 트랙킹 시스템 | |
Nai et al. | Fast hand posture classification using depth features extracted from random line segments | |
Feng et al. | Features extraction from hand images based on new detection operators | |
Yu et al. | Vision-based hand gesture recognition using combinational features | |
Shin et al. | Gesture recognition using Bezier curves for visualization navigation from registered 3-D data | |
CN104407694A (zh) | 一种结合人脸和手势控制的人机交互方法及装置 | |
CN103984928A (zh) | 基于景深图像的手指手势识别方法 | |
Islam et al. | A review of recent advances in 3D ear-and expression-invariant face biometrics | |
CN109359566A (zh) | 利用手指特征进行层级分类的手势识别方法 | |
JP2016014954A (ja) | 手指形状の検出方法、そのプログラム、そのプログラムの記憶媒体、及び、手指の形状を検出するシステム。 | |
CN114072839A (zh) | 单目静止相机视频中的分层运动表示与提取 | |
Kerdvibulvech | A methodology for hand and finger motion analysis using adaptive probabilistic models | |
Li et al. | A novel hand gesture recognition based on high-level features | |
Yang et al. | Real time hand gesture recognition via finger-emphasized multi-scale description | |
Gamal et al. | Hand gesture recognition using fourier descriptors | |
Manal et al. | Survey on the approaches based geometric information for 3D face landmarks detection | |
Juang et al. | Stereo-camera-based object detection using fuzzy color histograms and a fuzzy classifier with depth and shape estimations | |
Hasan et al. | Real time fingers and palm locating using dynamic circle templates | |
CN108921006A (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
Yasir et al. | 3D instance segmentation using deep learning on RGB-D indoor data |
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: 20190111 |