CN109409994A - 模拟用户穿戴服装饰品的方法、装置和系统 - Google Patents

模拟用户穿戴服装饰品的方法、装置和系统 Download PDF

Info

Publication number
CN109409994A
CN109409994A CN201811195470.2A CN201811195470A CN109409994A CN 109409994 A CN109409994 A CN 109409994A CN 201811195470 A CN201811195470 A CN 201811195470A CN 109409994 A CN109409994 A CN 109409994A
Authority
CN
China
Prior art keywords
user
image
images
gesture
posture
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
CN201811195470.2A
Other languages
English (en)
Inventor
潘宗涛
王德鑫
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 Jingdong Financial Technology Holding Co Ltd
Original Assignee
Beijing Jingdong Financial Technology Holding 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 Jingdong Financial Technology Holding Co Ltd filed Critical Beijing Jingdong Financial Technology Holding Co Ltd
Priority to CN201811195470.2A priority Critical patent/CN109409994A/zh
Publication of CN109409994A publication Critical patent/CN109409994A/zh
Priority to PCT/CN2019/103681 priority patent/WO2020078119A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种模拟用户穿戴服装饰品的方法、装置和系统，涉及计算机技术领域。该方法的一具体实施方式包括：获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品。该实施方式能够减少计算量，提高计算速度以及识别准确度。

Description

模拟用户穿戴服装饰品的方法、装置和系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种模拟用户穿戴服装饰品的方法、装置和系统。
背景技术
目前，随着数字化、智能化的发展，各种新兴的技术与应用不断涌现，尤其是在识别领域，识别行业已经从稳步发展的初级阶段成功过渡到高速发展的成熟期。例如：人脸支付，刷脸签到、安防保卫、人机交互，跳舞机等。
通常，用户在购买服装时，本系统通过现有人脸识别，性别识别，年龄识别，姿态识别技术打造一种智能搭配系统，结合手势识别实时切换，让用户体验不一样的搭配穿衣风格。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.计算量巨大，耗时长，成本高
2.手势识别准确度低，需要用户多次挥手。
发明内容
有鉴于此，本发明实施例提供一种模拟用户穿戴服装饰品的方法、装置和系统，能够减少计算量，提高计算速度以及识别准确度。
为实现上述目的，根据本发明实施例的一个方面，提供了一种模拟用户穿戴服装饰品的方法。
本发明实施例的一种模拟用户穿戴服装饰品的方法包括：获取用户的全身图像，基于评估模型对所述全身图像进行检测，以评估用户姿态；其中，所述评估模型为基于MobileNet算法的openpose网络结构；识别用户身份，根据所述用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品。
可选地，基于评估模型对所述全身图像进行检测，以评估用户姿态包括：利用所述MobileNet算法从所述全身图像中提取骨骼特征；利用所述openpose网络结构从所述骨骼特征提取骨骼线段和所述骨骼线段的关键点向量；利用余弦相似度、夹角余弦和所述骨骼线段的权重对所述关键点向量进行计算，以评估用户姿态。
可选地，所述用户身份包括用户名、用户性别和用户年龄；以及识别用户身份包括：在所述用户姿态与预设姿态匹配时，获取用户的面部图像；调整所述面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；其中，所述图像金字塔的层数根据以下公式确定：
minL﹥12，org_L是所述面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是所述图像金字塔的层数；利用多层神经网络结构检测所述图像金字塔，得到人脸框，基于所述人脸框识别出所述用户名；利用分类模型对所述面部图像进行检测，以确定所述用户性别和所述用户年龄；其中，所述分类模型包括三个卷积层和二个全连接层。
可选地，基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令包括：对用户的手部进行定位与追踪；获取用户的手势图像，并对所述手势图像进行二值化处理；采用几何矩和边缘检测的识别算法计算所述手势图像的七个几何矩特征分量，从七个所述几何矩特征分量中选择四个所述几何矩特征分量作为几何矩特征向量；生成所述手势图像的灰度图，检测所述灰度图的边缘，得到所述手势图像的边界方向特征向量；基于所述几何矩特征向量和所述边界方向特征向量，计算所述手势图像与手势库中的任一手势的距离，以获得手势命令。
为实现上述目的，根据本发明实施例的另一方面，提供了一种模拟用户穿戴服装饰品的装置。
本发明实施例的一种模拟用户穿戴服装饰品的装置包括：评估模块，用于获取用户的全身图像，基于评估模型对所述全身图像进行检测，以评估用户姿态；其中，所述评估模型为基于MobileNet算法的openpose网络结构；第一识别模块，用于识别用户身份，根据所述用户身份推荐服装饰品；第二识别模块，用于基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；模拟模块，用于基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品。
可选地，所述评估模块还用于：利用所述MobileNet算法从所述全身图像中提取骨骼特征；利用所述openpose网络结构从所述骨骼特征提取骨骼线段和所述骨骼线段的关键点向量；利用余弦相似度、夹角余弦和所述骨骼线段的权重对所述关键点向量进行计算，以评估用户姿态。
可选地，所述用户身份包括用户名、用户性别和用户年龄；以及所述第一识别模块还用于：在所述用户姿态与预设姿态匹配时，获取用户的面部图像；调整所述面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；其中，所述图像金字塔的层数根据以下公式确定：
minL﹥12，org_L是所述面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是所述图像金字塔的层数；利用多层神经网络结构检测所述图像金字塔，得到人脸框，基于所述人脸框识别出所述用户名；利用分类模型对所述面部图像进行检测，以确定所述用户性别和所述用户年龄；其中，所述分类模型包括三个卷积层和二个全连接层。
可选地，所述第二识别模块还用于：对用户的手部进行定位与追踪；获取用户的手势图像，并对所述手势图像进行二值化处理；采用几何矩和边缘检测的识别算法计算所述手势图像的七个几何矩特征分量，从七个所述几何矩特征分量中选择四个所述几何矩特征分量作为几何矩特征向量；生成所述手势图像的灰度图，检测所述灰度图的边缘，得到所述手势图像的边界方向特征向量；基于所述几何矩特征向量和所述边界方向特征向量，计算所述手势图像与手势库中的任一手势的距离，以获得手势命令。
为实现上述目的，根据本发明实施例的又一方面，提供了一种模拟用户穿戴服装饰品的系统。
本发明实施例的一种模拟用户穿戴服装饰品的系统，包括图像采集端、识别端、推荐服务端、显示端和数据存储端，其中：所述图像采集端用于获取用户的全身图像、面部图像和手势图像；所述识别端用于评估用户姿态、用户身份和获得手势命令；所述推荐服务端用于根据所述用户身份推荐服装饰品；所述显示端用于展示模拟用户穿戴服装饰品；所述数据存储端用于存储所述图像采集端、所述识别端和所述推荐服务端的数据。
为实现上述目的，根据本发明实施例的再一方面，提供了一种模拟用户穿戴服装饰品的电子设备。
本发明实施例的一种模拟用户穿戴服装饰品的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种模拟用户穿戴服装饰品的方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种模拟用户穿戴服装饰品的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品的技术手段，该评估模型为基于MobileNet算法的openpose网络结构，利用MobileNet作为特征提取层替换openpose网络结构中的普通卷积层，可以降低参数数量和计算量，同时，基于几何矩和边缘检测的识别算法可提高手势识别准确度，所以克服了计算量巨大，耗时长，成本高；手势识别准确度低，需要用户多次挥手的技术问题，进而达到减少计算量，提高计算速度以及识别准确度的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的模拟用户穿戴服装饰品的方法的主要步骤的示意图；
图2是根据本发明一个可参考实施例的模拟用户穿戴服装饰品的方法的主要流程的示意图；
图3是根据本发明实施例的模拟用户穿戴服装饰品的方法的手势识别的示意图；
图4是根据本发明实施例的模拟用户穿戴服装饰品的装置的主要模块的示意图；
图5是根据本发明实施例的模拟用户穿戴服装饰品的系统的示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的模拟用户穿戴服装饰品的方法的主要步骤的示意图。
如图1所示，本发明实施例的模拟用户穿戴服装饰品的方法主要包括以下步骤：
步骤S101：获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态。
在模拟用户穿戴服装饰品时，可以对用户进行全身扫描，以获取全身图像，基于MobileNet算法和openpose网络结构对全身图像检测，可以识别出该用户的用户姿态。本发明实施例的评估模型为基于MobileNet算法的openpose网络结构，其中，评估模型选用MobileNet作为特征提取层替换openpose网络结构中的普通卷积层。利用MobileNet算法的深度可分离卷积层(depthwise separable convolutions)提取全身图像中的特征，可以降低参数数量和计算量。同时，这种分离结构能够核分解压缩参数量，对于绝大多数移动终端的CPU能够提高运算速度。
MobileNets是基于一个流线型的架构，它使用深度可分离的卷积来构建轻量级的深层神经网络。openpose网络结构是一种人体姿态估计算法，openpose的原理是：输入一幅图像，经过卷积网络提取特征，得到一组特征图，然后分为两部分，分别使用普通卷积层(例如卷积神经网络CNN)提取部分置信图(Part Confidence Maps)和部分亲和字段(PartAffinity Fields)；得到这两个信息后，使用偶匹配(Bipartite Matching)求出部分联想(Part Association)，从而将同一个人的关节点连接起来，由于部分亲和字段自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架，再经过六个阶段检测(stage)，每个stage有二个分支检测，分别生成关键点热力图(heatmap)和向量图(vectmap)。有了heatmap和vectmap就可以知道图片中所有的关键点。此外，该评估模型可以利用MobileNet算法对其进行训练，训练过程与评估过程类似。
在本发明实施例中，步骤S101可以通过以下方式实现：利用MobileNet算法从全身图像中提取骨骼特征；利用openpose网络结构从骨骼特征提取骨骼线段和骨骼线段的关键点向量；利用余弦相似度、夹角余弦和骨骼线段的权重对关键点向量进行计算，以评估用户姿态。
骨骼特征即用户的肢体特征，骨骼线段即图像中肢体上的线段，通常图像中的每个肢体能够提取到两个骨骼线段，通过骨骼线段表示用户肢体，更符合人体生理结构，且能够直观体现出用户姿态(即人体手臂和腿部的动作)。
其中，余弦相似度可以根据以下公式计算：
x和y代表骨骼线段的两个向量，i＝1,2,3,...,n；
夹角余弦可以根据以下公式计算：
cos(θ1-θ2)，θ1-θ2表示两相临骨骼线段的夹角，θ1和θ2分别是两相临骨骼线段与水平线的夹角，或θ1和θ2分别是两相临骨骼线段与竖直线的夹角；
对于特殊场景下人的行为，不同的骨骼线段应当赋予不同的权重，骨骼线段权重可以根据历史评估经验，为肢体对应的骨骼线段分配相应的权重值，或为肢体的每个部位对应的骨骼线段分配相应的权重值等，例如大腿和小腿对应的骨骼线段的骨骼线段权重可以相同或不同。
步骤S102：识别用户身份，根据用户身份推荐服装饰品。
识别用户身份能够更精准地向用户推荐适合的服装饰品，可以根据商家设置的推荐策略或用户喜好等向用户推荐服装饰品，也可以采用向用户推荐销量或评价高的服装饰品等方式。
需要说明的是，根据用户身份推荐服装饰品还可以是确定用户的用户名后，获取用户自己选择的服装饰品，即自己向自己推荐服装饰品。
在本发明实施例中，用户身份可以包括用户名、用户性别和用户年龄。
则步骤S102可以通过以下方式实现：在用户姿态与预设姿态匹配时，获取用户的面部图像；调整面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；利用多层神经网络结构检测图像金字塔，得到人脸框，基于人脸框识别出用户名；利用分类模型对面部图像进行检测，以确定用户性别和用户年龄。
神经网络最早由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，常用图像分析和处理。各式各样的神经网络模型从不同的角度对生物神经系统进行不同层次的描述和模拟，可实现函数逼近、数据聚类、模式分类、优化计算等功能。多层神经网络结构包括输入层、隐藏层和输出层，其中隐藏层的层数根据需要而定。本发明实施例利用多层神经网络结构对面部图像进行检测得到用户的人脸框，人脸框由人脸特征点组成，人脸特征点是眼睛、眉毛、鼻子、嘴巴、脸部外轮廓的位置，通过人脸框便可以别出用户名。其中，构建图像金字塔的层数由两个因素决定，第一个是最小人脸尺寸，第二个是缩放因子，最小人脸尺寸(minsize)可以用min(w,h)表示，w是面部图像的宽、h是面部图像的高，由于当图像尺寸小于12时人脸几乎不可分辨，因此调整后的面部图像尺寸“minL”不能小于12。图像金字塔的层数可以根据以下公式确定：
minL﹥12，org_L是面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是图像金字塔的层数。minisize是人为根据应用场景设定，在保证minL大于12的情况下，所有的n就构成金字塔的层。所以minsize的值越小，n的取值范围就越大，计算量就相应地增加，能够检测到的人脸越小，可以通过不断调整minSize，从而决定n的取值范围，保证合适位置区间的用户能被检测到，不会太近也不会太远，在优化计算的同时可以提升用户体验。
此外，分类模型可以包括三个卷积层和二个全连接层，从而避免过拟合。卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于年龄和性别都可以划分为有限个类别，因此用户性别和用户年龄检测，属于分类问题，可以用分类模型对面部图像进行检测，从而确定面部图像对应的用户性别和用户年龄。
步骤S103：基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令。
为满足用户模拟穿戴不同服装饰品的需求，提高用户体验，使用户可以仅通过手势就能实现更换模拟穿戴的服装饰品，或收藏模拟穿戴的服装饰品等操作。
在本发明实施例中，步骤S101可以通过以下方式实现：对用户的手部进行定位与追踪；获取用户的手势图像，并对手势图像进行二值化处理；采用几何矩和边缘检测的识别算法计算手势图像的七个几何矩特征分量，从七个几何矩特征分量中选择四个几何矩特征分量作为几何矩特征向量；生成手势图像的灰度图，检测灰度图的边缘，得到手势图像的边界方向特征向量；基于几何矩特征向量和边界方向特征向量，计算手势图像与手势库中的任一手势的距离，以获得手势命令。
本发明实施例通过手势库存储各种手势命令，在检测手势命令时，直接查找手势库中与用户的手势图像最接近的手势，从而获得用户的手势命令。其中，二值化处理是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程，黑白图像可使对图像的计算更加准确。几何矩是一种基于统计分析的手势识别方法，其中的七个矩组队图像的平移，旋转，尺度变换均保持不变，该矩组队即几何矩特征分量；边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像间的距离是输入的手势图像和手势库中任一个手势图像之间的几何特征距离。
基于统计和概率的手势识别过程更容易控制，能够识别更复杂精细的手势。此外，基于几何矩特征向量和边界方向特征向量，计算手势图像与手势库中的任一手势的距离时，可以根据实际需要为几何矩特征向量和边界方向特征向量设置权重。
步骤S104：基于用户姿态和手势命令模拟用户穿戴服装饰品。
得到骨骼线段表达的用户姿态后，可以基于用户的命令(即手势命令)模拟用户穿戴推荐的服装饰品。
根据本发明实施例的模拟用户穿戴服装饰品的方法可以看出，因为采用获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品的技术手段，所以克服了计算量巨大，耗时长，成本高；手势识别准确度低，需要用户多次挥手的技术问题，进而达到减少计算量，提高计算速度以及识别准确度的技术效果。
图2是根据本发明一个可参考实施例的模拟用户穿戴服装饰品的方法的主要流程的示意图。
如图2所示，本发明实施例的模拟用户穿戴服装饰品的方法可采用以下流程实施：
步骤S201：姿态识别：
可以利用摄像头不断扫描，只有匹配固定姿态的动作才能被识别，从而进入下一步；
步骤S202：人脸识别：
同样利用摄像头扫描到人脸，然后对人脸进行检测以识别用户，还可以判断是否已注册会员等；
步骤S203：性别识别；
步骤S204：年龄识别；
步骤S205：推荐策略：
识别后的结果进入推荐系统，按照性别、年龄和推荐策略进行智能推荐，还可以设置会员用户可以浏览更多优惠的搭配商品等；
步骤S206：手势识别：
识别到用户的手势，从而切换不同的搭配方案进行展示。
在实施步骤S201－步骤S206的过程中，可以将相关数据存储到数据存储端，还可以从数据存储端获取相关数据。
图3是根据本发明实施例的模拟用户穿戴服装饰品的方法的手势识别的示意图。
如图3所示，手势识别主要包括以下步骤：
步骤S301：手部定位与追踪；
步骤S302：手部特征提取和预处理：
分割出手势图像，并对手势图像进行二值化处理；
步骤S303：手部特征向量参数：
采用几何矩和边缘检测的识别算法计算手势图像的七个几何矩特征分量，从七个几何矩特征分量中选择四个几何矩特征分量作为几何矩特征向量；以及生成手势图像的灰度图，检测灰度图的边缘，得到手势图像的边界方向特征向量；
步骤S304：手势识别：
基于几何矩特征向量和边界方向特征向量，计算手势图像与手势库中的任一手势的距离；
步骤S305：识别结果：
根据手势图像与手势库中的任一手势的距离获得手势命令。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明实施例的分类模型进行说明。
本发明实施例的分类模型包括：
第一层:卷积层：
可以采用96个卷积核，每个卷积核参数个数为3*7*7，这个就相当于3个7*7大小的卷积核在每个通道进行卷积。激活函数采用线性整流函数(ReLU)，池化采用最大重叠池化，池化的size选择3*3，strides选择2；其中，ReLU又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function)，通常指代以斜坡函数及其变种为代表的非线性函数；
第二层：卷积层：
第二层的输入也就是96*28*28的单通道图片，因为上一步已经把三通道合在一起进行卷积了；
第三层：卷积层：
滤波器个数可以选择384，卷积核大小可以为3*3；
第四层：全连接层：
第一个全连接层，神经元个数可以选择512；
第五层：全连接层：
第二个全连接层，神经元个数也可以选择512。
对于本发明实施例的分类模型的训练，图像处理可以直接采用3通道彩色图像进行处理，调整尺寸后的面部图像可以统一缩放到256*256，然后再裁剪为227*227，且训练过程可以随机裁剪，随机剪裁多张图片来训练有助于使网络识别率更高。验证测试过程则通过矩形的四个角+中心裁剪，也就是说网络的输入是227*227的3通道彩色图像，通过使用较小的学习率和使用参数正则化方法(dropout)不断优化模型，使之更加准确。
图4是根据本发明实施例的模拟用户穿戴服装饰品的装置的主要模块的示意图。
如图4所示，本发明实施例的模拟用户穿戴服装饰品的装置400包括：评估模块401、第一识别模块402、第二识别模块403和模拟模块404。
其中，
评估模块401，用于获取用户的全身图像，基于评估模型对所述全身图像进行检测，以评估用户姿态；其中，所述评估模型为基于MobileNet算法的openpose网络结构；
第一识别模块402，用于识别用户身份，根据所述用户身份推荐服装饰品；
第二识别模块403，用于基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；
模拟模块404，用于基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品。
在本发明实施例中，所述评估模块401还用于：利用所述MobileNet算法从所述全身图像中提取骨骼特征；利用所述openpose网络结构从所述骨骼特征提取骨骼线段和所述骨骼线段的关键点向量；利用余弦相似度、夹角余弦和所述骨骼线段的权重对所述关键点向量进行计算，以评估用户姿态。
此外，所述用户身份包括用户名、用户性别和用户年龄；以及所述第一识别模块402还用于：在所述用户姿态与预设姿态匹配时，获取用户的面部图像；调整所述面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；其中，所述图像金字塔的层数根据以下公式确定：minL﹥12，org_L是所述面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是所述图像金字塔的层数；利用多层神经网络结构检测所述图像金字塔，得到人脸框，基于所述人脸框识别出所述用户名；利用分类模型对所述面部图像进行检测，以确定所述用户性别和所述用户年龄；其中，所述分类模型包括三个卷积层和二个全连接层。
在本发明实施例中，所述第二识别模块403还用于：对用户的手部进行定位与追踪；获取用户的手势图像，并对所述手势图像进行二值化处理；采用几何矩和边缘检测的识别算法计算所述手势图像的七个几何矩特征分量，从七个所述几何矩特征分量中选择四个所述几何矩特征分量作为几何矩特征向量；生成所述手势图像的灰度图，检测所述灰度图的边缘，得到所述手势图像的边界方向特征向量；基于所述几何矩特征向量和所述边界方向特征向量，计算所述手势图像与手势库中的任一手势的距离，以获得手势命令。
根据本发明实施例的模拟用户穿戴服装饰品的装置可以看出，根据本发明实施例的模拟用户穿戴服装饰品的装置可以看出，因为采用获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品的技术手段，所以克服了计算量巨大，耗时长，成本高；手势识别准确度低，需要用户多次挥手的技术问题，进而达到减少计算量，提高计算速度以及识别准确度的技术效果。
图5是根据本发明实施例的模拟用户穿戴服装饰品的系统的示意图。
如图5所示，本发明实施例还提供了一种模拟用户穿戴服装饰品的系统500，该模拟用户穿戴服装饰品的系统500包括图像采集端501、识别端502、推荐服务端503、显示端504和数据存储端505。
其中，
图像采集端501用于获取用户的全身图像、面部图像和手势图像；
识别端502用于评估用户姿态、用户身份和获得手势命令；
推荐服务端503用于根据用户身份推荐服装饰品；
显示端504用于展示模拟用户穿戴服装饰品；
数据存储端505用于存储图像采集端、识别端和推荐服务端的数据。
根据本发明实施例的模拟用户穿戴服装饰品的系统可以看出，因为采用获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品的技术手段，所以克服了计算量巨大，耗时长，成本高；手势识别准确度低，需要用户多次挥手的技术问题，进而达到减少计算量，提高计算速度以及识别准确度的技术效果。
图6示出了可以应用本发明实施例的模拟用户穿戴服装饰品的方法或模拟用户穿戴服装饰品的装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的模拟用户穿戴服装饰品的方法一般由服务器605执行，相应地，模拟用户穿戴服装饰品的装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括评估模块、第一识别模块、第二识别模块和模拟模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，模拟模块还可以被描述为“基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101：获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；步骤S102：识别用户身份，根据用户身份推荐服装饰品；步骤S103：基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；步骤S104：基于用户姿态和手势命令模拟用户穿戴服装饰品。
根据本发明实施例的技术方案，因为采用获取用户的全身图像，基于评估模型对全身图像进行检测，以评估用户姿态；识别用户身份，根据用户身份推荐服装饰品；基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；基于用户姿态和手势命令模拟用户穿戴服装饰品的技术手段，所以克服了计算量巨大，耗时长，成本高；手势识别准确度低，需要用户多次挥手的技术问题，进而达到减少计算量，提高计算速度以及识别准确度的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种模拟用户穿戴服装饰品的方法，其特征在于，包括：
获取用户的全身图像，基于评估模型对所述全身图像进行检测，以评估用户姿态；其中，所述评估模型为基于MobileNet算法的openpose网络结构；
识别用户身份，根据所述用户身份推荐服装饰品；
基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；
基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品。
2.根据权利要求1所述的方法，其特征在于，基于评估模型对所述全身图像进行检测，以评估用户姿态包括：
利用所述MobileNet算法从所述全身图像中提取骨骼特征；
利用所述openpose网络结构从所述骨骼特征提取骨骼线段和所述骨骼线段的关键点向量；
利用余弦相似度、夹角余弦和所述骨骼线段的权重对所述关键点向量进行计算，以评估用户姿态。
3.根据权利要求2所述的方法，其特征在于，所述用户身份包括用户名、用户性别和用户年龄；以及
识别用户身份包括：
在所述用户姿态与预设姿态匹配时，获取用户的面部图像；
调整所述面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；其中，所述图像金字塔的层数根据以下公式确定：
minL﹥12，org_L是所述面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是所述图像金字塔的层数；
利用多层神经网络结构检测所述图像金字塔，得到人脸框，基于所述人脸框识别出所述用户名；
利用分类模型对所述面部图像进行检测，以确定所述用户性别和所述用户年龄；其中，所述分类模型包括三个卷积层和二个全连接层。
4.根据权利要求1所述的方法，其特征在于，基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令包括：
对用户的手部进行定位与追踪；
获取用户的手势图像，并对所述手势图像进行二值化处理；
采用几何矩和边缘检测的识别算法计算所述手势图像的七个几何矩特征分量，从七个所述几何矩特征分量中选择四个所述几何矩特征分量作为几何矩特征向量；
生成所述手势图像的灰度图，检测所述灰度图的边缘，得到所述手势图像的边界方向特征向量；
基于所述几何矩特征向量和所述边界方向特征向量，计算所述手势图像与手势库中的任一手势的距离，以获得手势命令。
5.一种模拟用户穿戴服装饰品的装置，其特征在于，包括：
评估模块，用于获取用户的全身图像，基于评估模型对所述全身图像进行检测，以评估用户姿态；其中，所述评估模型为基于MobileNet算法的openpose网络结构；
第一识别模块，用于识别用户身份，根据所述用户身份推荐服装饰品；
第二识别模块，用于基于几何矩和边缘检测的识别算法识别用户手势，获得手势命令；
模拟模块，用于基于所述用户姿态和所述手势命令模拟用户穿戴服装饰品。
6.根据权利要求5所述的装置，其特征在于，所述评估模块还用于：
利用所述MobileNet算法从所述全身图像中提取骨骼特征；
利用所述openpose网络结构从所述骨骼特征提取骨骼线段和所述骨骼线段的关键点向量；
利用余弦相似度、夹角余弦和所述骨骼线段的权重对所述关键点向量进行计算，以评估用户姿态。
7.根据权利要求6所述的装置，其特征在于，所述用户身份包括用户名、用户性别和用户年龄；以及
所述第一识别模块还用于：
在所述用户姿态与预设姿态匹配时，获取用户的面部图像；
调整所述面部图像的尺寸，生成不同尺寸的面部图像，以构建图像金字塔；其中，所述图像金字塔的层数根据以下公式确定：
minL﹥12，org_L是所述面部图像的尺寸，minsize是最小人脸尺寸，factor是缩放因子，n是所述图像金字塔的层数；
利用多层神经网络结构检测所述图像金字塔，得到人脸框，基于所述人脸框识别出所述用户名；
利用分类模型对所述面部图像进行检测，以确定所述用户性别和所述用户年龄；其中，所述分类模型包括三个卷积层和二个全连接层。
8.根据权利要求5所述的装置，其特征在于，所述第二识别模块还用于：
对用户的手部进行定位与追踪；
获取用户的手势图像，并对所述手势图像进行二值化处理；
采用几何矩和边缘检测的识别算法计算所述手势图像的七个几何矩特征分量，从七个所述几何矩特征分量中选择四个所述几何矩特征分量作为几何矩特征向量；
生成所述手势图像的灰度图，检测所述灰度图的边缘，得到所述手势图像的边界方向特征向量；
基于所述几何矩特征向量和所述边界方向特征向量，计算所述手势图像与手势库中的任一手势的距离，以获得手势命令。
9.一种模拟用户穿戴服装饰品的系统，其特征在于，包括图像采集端、识别端、推荐服务端、显示端和数据存储端，其中：
所述图像采集端用于获取用户的全身图像、面部图像和手势图像；
所述识别端用于评估用户姿态、用户身份和获得手势命令；
所述推荐服务端用于根据所述用户身份推荐服装饰品；
所述显示端用于展示模拟用户穿戴服装饰品；
所述数据存储端用于存储所述图像采集端、所述识别端和所述推荐服务端的数据。
10.一种模拟用户穿戴服装饰品的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201811195470.2A 2018-10-15 2018-10-15 模拟用户穿戴服装饰品的方法、装置和系统 Pending CN109409994A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811195470.2A CN109409994A (zh) 2018-10-15 2018-10-15 模拟用户穿戴服装饰品的方法、装置和系统
PCT/CN2019/103681 WO2020078119A1 (zh) 2018-10-15 2019-08-30 模拟用户穿戴服装饰品的方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811195470.2A CN109409994A (zh) 2018-10-15 2018-10-15 模拟用户穿戴服装饰品的方法、装置和系统

Publications (1)

Publication Number Publication Date
CN109409994A true CN109409994A (zh) 2019-03-01

Family

ID=65467178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811195470.2A Pending CN109409994A (zh) 2018-10-15 2018-10-15 模拟用户穿戴服装饰品的方法、装置和系统

Country Status (2)

Country Link
CN (1) CN109409994A (zh)
WO (1) WO2020078119A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084138A (zh) * 2019-04-04 2019-08-02 高新兴科技集团股份有限公司 一种2d多人姿态估计方法
CN110096973A (zh) * 2019-04-16 2019-08-06 东南大学 一种基于orb算法和深度级可分离卷积网络的交警手势识别方法
WO2020078119A1 (zh) * 2018-10-15 2020-04-23 京东数字科技控股有限公司 模拟用户穿戴服装饰品的方法、装置和系统
CN111231892A (zh) * 2019-12-29 2020-06-05 的卢技术有限公司 一种基于人脸和手势识别的汽车自动解锁控制方法及系统
CN111382723A (zh) * 2020-03-30 2020-07-07 北京云住养科技有限公司 求救识别的方法、装置及系统
CN111401260A (zh) * 2020-03-18 2020-07-10 南通大学 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统
CN111882531A (zh) * 2020-07-15 2020-11-03 中国科学技术大学 髋关节超声图像自动分析方法
CN112582064A (zh) * 2020-11-05 2021-03-30 中国科学院深圳先进技术研究院 一种动作评估方法、装置、设备及存储介质
CN113822202A (zh) * 2021-09-24 2021-12-21 河南理工大学 一种基于OpenPose和PyQt的太极拳姿态检测系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861822B (zh) * 2020-06-03 2023-11-21 四川大学华西医院 病人模型构建方法、设备和医学教育系统
CN111639632A (zh) * 2020-07-31 2020-09-08 南京浦和数据有限公司 一种基于支持向量机的地铁驾驶员动作序列识别方法
CN112131965B (zh) * 2020-08-31 2023-10-13 深圳云天励飞技术股份有限公司 一种人体姿态估计方法、装置、电子设备及存储介质
CN113763467B (zh) * 2021-01-04 2024-06-18 北京沃东天骏信息技术有限公司 图像处理方法、装置、计算设备及介质
CN116453221B (zh) * 2023-04-19 2024-03-08 北京百度网讯科技有限公司 目标对象姿态确定方法、训练方法、装置以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049852A (zh) * 2012-12-19 2013-04-17 武汉世纪炎龙网络科技有限公司 虚拟试衣系统
CN105426850A (zh) * 2015-11-23 2016-03-23 深圳市商汤科技有限公司 一种基于人脸识别的关联信息推送设备及方法
CN107346486A (zh) * 2016-05-04 2017-11-14 上海柚钛智能科技有限公司 壁挂式智能互动设备及其互动方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533449A (zh) * 2012-12-20 2014-01-22 Tcl集团股份有限公司 一种基于智能3d电视的3d试衣的实现方法及系统
TW201629907A (zh) * 2015-02-13 2016-08-16 啟雲科技股份有限公司 三維頭像產生系統及其裝置、產生方法
CN205507877U (zh) * 2015-11-16 2016-08-24 长春理工大学 一种可用于网购的三维实时动态的虚拟试衣装置
CN107240007A (zh) * 2017-07-21 2017-10-10 陕西科技大学 一种与3d人体模型结合的ar三维虚拟试衣系统
CN109409994A (zh) * 2018-10-15 2019-03-01 北京京东金融科技控股有限公司 模拟用户穿戴服装饰品的方法、装置和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049852A (zh) * 2012-12-19 2013-04-17 武汉世纪炎龙网络科技有限公司 虚拟试衣系统
CN105426850A (zh) * 2015-11-23 2016-03-23 深圳市商汤科技有限公司 一种基于人脸识别的关联信息推送设备及方法
CN107346486A (zh) * 2016-05-04 2017-11-14 上海柚钛智能科技有限公司 壁挂式智能互动设备及其互动方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MANUEL J. MARÍN-JIMÉNEZA 等: "3D human pose estimation from depth maps using a deep combination of poses", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 *
MYKHAYLO ANDRILUKA 等: "Monocular 3D Pose Estimation and Tracking by Detection", 《2010 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
赵勇 等: "基于改进卷积神经网络的人体姿态估计", 《测控技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078119A1 (zh) * 2018-10-15 2020-04-23 京东数字科技控股有限公司 模拟用户穿戴服装饰品的方法、装置和系统
CN110084138A (zh) * 2019-04-04 2019-08-02 高新兴科技集团股份有限公司 一种2d多人姿态估计方法
CN110096973A (zh) * 2019-04-16 2019-08-06 东南大学 一种基于orb算法和深度级可分离卷积网络的交警手势识别方法
CN111231892A (zh) * 2019-12-29 2020-06-05 的卢技术有限公司 一种基于人脸和手势识别的汽车自动解锁控制方法及系统
CN111401260A (zh) * 2020-03-18 2020-07-10 南通大学 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统
CN111382723A (zh) * 2020-03-30 2020-07-07 北京云住养科技有限公司 求救识别的方法、装置及系统
CN111882531A (zh) * 2020-07-15 2020-11-03 中国科学技术大学 髋关节超声图像自动分析方法
CN111882531B (zh) * 2020-07-15 2021-08-17 中国科学技术大学 髋关节超声图像自动分析方法
CN112582064A (zh) * 2020-11-05 2021-03-30 中国科学院深圳先进技术研究院 一种动作评估方法、装置、设备及存储介质
CN113822202A (zh) * 2021-09-24 2021-12-21 河南理工大学 一种基于OpenPose和PyQt的太极拳姿态检测系统

Also Published As

Publication number Publication date
WO2020078119A1 (zh) 2020-04-23

Similar Documents

Publication Publication Date Title
CN109409994A (zh) 模拟用户穿戴服装饰品的方法、装置和系统
CN109359538B (zh) 卷积神经网络的训练方法、手势识别方法、装置及设备
US20230351663A1 (en) System and method for generating an avatar that expresses a state of a user
CN114514562B (zh) 预测性个性化三维身体模型
JP2022513272A (ja) 訓練深層学習ネットワークの３ｄモデルから大量訓練データセットを自動的に生成する方法及びシステム
CN106462242B (zh) 使用视线跟踪的用户界面控制
CN108133201B (zh) 人脸属性识别方法和装置
CN107798653B (zh) 一种图像处理的方法和一种装置
JP2020522285A (ja) 全身測定値抽出のためのシステムおよび方法
CN108171207A (zh) 基于视频序列的人脸识别方法和装置
CN110503703A (zh) 用于生成图像的方法和装置
CN109214343A (zh) 用于生成人脸关键点检测模型的方法和装置
Arora et al. AutoFER: PCA and PSO based automatic facial emotion recognition
CN109711399B (zh) 基于图像的店铺识别方法、装置，电子设备
CN110489582A (zh) 个性化展示图像的生成方法及装置、电子设备
CN109635680A (zh) 多任务属性识别方法、装置、电子设备及存储介质
CN107911643B (zh) 一种视频通信中展现场景特效的方法和装置
CN108345387A (zh) 用于输出信息的方法和装置
CN109063587A (zh) 数据处理方法、存储介质和电子设备
CN108960110A (zh) 用于生成信息的方法和装置
CN109241934A (zh) 用于生成信息的方法和装置
CN108509904A (zh) 用于生成信息的方法和装置
CN110516598A (zh) 用于生成图像的方法和装置
CN110427915A (zh) 用于输出信息的方法和装置
CN110110666A (zh) 目标检测方法和装置

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
CB02 Change of applicant information

Address after: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Applicant after: Jingdong Digital Technology Holding Co., Ltd.

Address before: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Applicant before: Beijing Jingdong Financial Technology Holding Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190301