CN109446999B - 基于统计计算的动态人体运动的快速感知系统及方法 - Google Patents

基于统计计算的动态人体运动的快速感知系统及方法 Download PDF

Info

Publication number
CN109446999B
CN109446999B CN201811288482.XA CN201811288482A CN109446999B CN 109446999 B CN109446999 B CN 109446999B CN 201811288482 A CN201811288482 A CN 201811288482A CN 109446999 B CN109446999 B CN 109446999B
Authority
CN
China
Prior art keywords
area
classifier
sudoku
interest
dynamic human
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
Application number
CN201811288482.XA
Other languages
English (en)
Other versions
CN109446999A (zh
Inventor
丁一
刘兴川
赵迎迎
刘春贺
李军
余偲
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.)
Smart City Research Institute Of China Electronics Technology Group Corp
Original Assignee
Smart City Research Institute Of China Electronics Technology Group Corp
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 Smart City Research Institute Of China Electronics Technology Group Corp filed Critical Smart City Research Institute Of China Electronics Technology Group Corp
Priority to CN201811288482.XA priority Critical patent/CN109446999B/zh
Publication of CN109446999A publication Critical patent/CN109446999A/zh
Application granted granted Critical
Publication of CN109446999B publication Critical patent/CN109446999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Abstract

本发明涉及一种基于统计计算的动态人体运动的快速感知系统及方法，包括分类器和识别系统，分类器包括收集的正样本、负样本和描述文件制成，并由识别系统识别出对象之后，通过落在不同格子中的帧数趋势及九宫格统计计算方法判断运动方向；本发明将“识别物体”和“判断方向”分离，提供一种利用九宫格的统计计算对动态人体运动(含眼球)的快速感知方法，解决了传统识别方法在较PC端计算能力更弱的终端(如手机移动端)的识别速度较慢的问题。

Description

基于统计计算的动态人体运动的快速感知系统及方法
技术领域
本发明属于人类感应设备技术领域，特别是涉及基于统计计算的动态 人体运动的快速感知系统及方法。
背景技术
现有PC端的动态人体运动的快速感知都采用传统的图像识别中的浮 点计算方法，该识别方法中识别物体与辨别方向是同时进行的，对设备的 计算能力也是有一定的要求。上述技术移植到移动端(计算能力相对PC端 更弱，如手机端)后，计算处理的速度很慢。
目前对动态人体运动的感知系统存在计算机或手机端处理反应速度， 难以适应动态人体快速感应的需求。
因此，有必要发明基于统计计算的动态人体运动的快速感知系统及方 法。
发明内容
本发明所要解决的技术问题是：解决了传统识别方法在较PC端计算能 力更弱的终端(如手机移动端)的识别速度较慢的问题，提供基于统计计 算的动态人体运动的快速感知系统及方法。
本发明采用的技术方案是：包括分类器和识别系统，所述分类器包括 收集的正样本、负样本和描述文件制成，并由所述识别系统识别出对象之 后，通过落在不同格子中的帧数趋势判断运动方向；
所述基于统计计算的动态人体运动的快速感知系统及方法，通过九 宫格统计计算判断感兴趣物体动作的趋势，方法步骤如下：
S01.包含感兴趣物体动作趋势的视频中，先会根据视频尺寸的大小生 成一个九宫格，给每个区域赋值为零；
S02.随后不断的扫描每一帧，检测感兴趣物体出现的坐标，并判断坐 标落在九宫格中的那一块区域，并让其区域的值自增一；
S03.计算haar-link特征值的对比能让摄像头扑捉到每一帧图片后，程 序加载强分类器，得到其检测窗口；
S04.接下来用检测窗口扫描扑捉到的图片，并返回具有感兴趣物体矩 阵四个角的的坐标；
S05.得到了四个坐标后，通过公式1和2，计算x和y得到矩阵中心 的M的坐标，由于把摄像头扑捉到的每帧图像分为9个区域；
其中公式1和公式2分别如下：
公式1：
Figure BDA0001849586310000021
公式2：
Figure BDA0001849586310000022
S06.每个区域赋予一个初始为0的权值，每当坐标出现在其中一个区 域，当前区域的权值自增1，设定是以多个帧为一个周期对感兴趣物体的动 作进行判断，假设一个感兴趣的物体向右移动，那么在连续的多个帧图像 中，坐标出现在右边区域的权值就要比出现在其他八个区域的权值要大， 以此达到程序判断物体动作运动方向的效果；
S07.当一个周期结束后，将九个宫格区域的值进行排序，取区域中值 最大的即为感兴趣物体运动的趋势；
S08.感兴趣的物体在图像中的大小变化的速率可以判断是否向前还是 向后的动作；
S09.当图像中感兴趣物体面积变化的变量超过设置的阈值后，根据阈 值的左右边界，可以简单快速的判断出物体动作是向前还是向后运动的操 作。
进一步方案为，所述正样本为感兴趣物体各个角度的照片，所述负样本是 不包含感兴趣物体的相片。
进一步方案为，所述分类器由收集的所述正样本、负样本和描述文件， 采用第三方库制作而成。
进一步方案为，所述正样本和负样本数量为多个，转换成为特定的二 进制文件样本。
进一步方案为，所述识别系统识别为双物体时，会在移动设备上显示 双九宫格，程序加载分类器后，扫描每一帧判断出物体所处的位置，检测 物体出现的位置，算法实时生成以物体大小为基准的九宫格，随后，当双 物体运动时，根据落入区域的权值来判断运动的方向，在此过程中，需要 对双物体进行是否共轭运动的判断，当双物体运动方向不一致时，系统会 提醒用户重新尝试，当双物体运动方法一致时，系统输出一致性的结果。
进一步方案为，所述九宫格统计计算判断感兴趣物体动作的趋势能达 到毫秒级的响应。
进一步方案为，所述识别系统包括视频设备、PC端、移动手动端、服 务器和云端。
进一步方案为，所述正样本提取特征值，匹配视频中的物体和云端中 训练好的数据是否属于同一类，并采用所述Haar-like对特征进行提取。
进一步方案为，所述分类器采用Adaboost弱强分类器识别出感兴趣物 体。
本发明实施例提供的技术方案带来的有益效果是：本发明与将“识别 物体”和“判断方向”分离，提供一种利用九宫格的统计计算对动态人体 运动(含眼球)的快速感知方法；
目前可应用的领域包括体感操作等人体感应领域，应用方式包括：
(1)可以用眼球的动作来操作应用程序，如用眼球动作控制演示文稿 操作。极大的方便了肢体有缺陷的用户需求。
(2)配合着服务器映射，不仅可以利用本发明的识别系统来控制虚拟 游戏，凡是训练库包含的识别物体(眼球、拳头、手掌等)都用来可以控 制虚拟程序(游戏)。同时也可以利用蓝牙(或者wifi)将识别结果控制真 实设备，如用手势动作控制小车行驶轨迹。
(3)可以移植PC端相关应用到手机移动端。
(4)该技术能运用到智能终端上，算法的独特性是使动态人体快速感 知的识别对终端机的浮点计算能力的要求更低，解决了传统识别方法在较 PC端计算能力更弱的终端(如手机移动端)的识别速度较慢的问题。
附图说明：
图1为本发明工作流程示意图；
图2为将正负样本转换成特定的二进制文件样本示意图；
图3本发明感兴趣物体矩阵中心M的坐标示意图；
图4为本发明九宫格代表的区域及含义示意图；
图5为本发明六帧图像的轨迹点的轨迹示意图；
图6为本发明面积区域分走势图；
图7为本发明双九宫格系统示意图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合附图和具体实施例对本 发明的技术方案进一步介绍和说明，但不局限于此。
参见图1至图7所示，基于统计计算的动态人体运动的快速感知系 统及方法，包括分类器和识别系统，分类器包括收集的正样本、负样本和 描述文件制成，并由识别系统识别出对象之后，通过落在不同格子中的帧 数趋势判断运动方向；
基于统计计算的动态人体运动的快速感知系统及方法，通过九宫格 统计计算判断感兴趣物体动作的趋势，方法步骤如下：
S01.包含感兴趣物体动作趋势的视频中，先会根据视频尺寸的大小生 成一个九宫格，给每个区域赋值为零；
S02.随后不断的扫描每一帧，检测感兴趣物体出现的坐标，并判断坐 标落在九宫格中的那一块区域，并让其区域的值自增一；
S03.计算haar-link特征值的对比能让摄像头扑捉到每一帧图片后，程 序加载强分类器，得到其检测窗口；
S04.接下来用检测窗口扫描扑捉到的图片，并返回具有感兴趣物体矩 阵四个角的的坐标；
S05.得到了四个坐标后，通过公式1和2，计算x和y得到矩阵中心 的M的坐标，由于把摄像头扑捉到的每帧图像分为9个区域；
其中公式1和公式2分别如下：
公式1：
Figure BDA0001849586310000061
公式2：
Figure BDA0001849586310000062
S06.每个区域赋予一个初始为0的权值，每当坐标出现在其中一个区 域，当前区域的权值自增1，设定是以多个帧为一个周期对感兴趣物体的动 作进行判断，假设一个感兴趣的物体向右移动，那么在连续的多个帧图像 中，坐标出现在右边区域的权值就要比出现在其他八个区域的权值要大， 以此达到程序判断物体动作运动方向的效果；
S07.当一个周期结束后，将九个宫格区域的值进行排序，取区域中值 最大的即为感兴趣物体运动的趋势；
S08.感兴趣的物体在图像中的大小变化的速率可以判断是否向前还是 向后的动作；
S09.当图像中感兴趣物体面积变化的变量超过设置的阈值后，根据阈 值的左右边界，可以简单快速的判断出物体动作是向前还是向后运动的操 作。
进一步方案为，所述正样本为感兴趣物体各个角度的照片，所述负样本是 不包含感兴趣物体的相片。
进一步方案为，所述分类器由收集的所述正样本、负样本和描述文件， 采用第三方库制作而成。
进一步方案为，所述正样本和负样本数量为多个，转换成为特定的二 进制文件样本。
进一步方案为，所述识别系统识别为双物体时，会在移动设备上显示 双九宫格，程序加载分类器后，扫描每一帧判断出物体所处的位置，检测 物体出现的位置，算法实时生成以物体大小为基准的九宫格，随后，当双 物体运动时，根据落入区域的权值来判断运动的方向，在此过程中，需要 对双物体进行是否共轭运动的判断，当双物体运动方向不一致时，系统会 提醒用户重新尝试，当双物体运动方法一致时，系统输出一致性的结果。
进一步方案为，所述九宫格统计计算判断感兴趣物体动作的趋势能达 到毫秒级的响应。
进一步方案为，所述识别系统包括视频设备、PC端、移动手动端、服 务器和云端。
进一步方案为，所述正样本提取特征值，匹配视频中的物体和云端中 训练好的数据是否属于同一类，并采用所述Haar-like对特征进行提取。
进一步方案为，所述分类器采用Adaboost弱强分类器识别出感兴趣物 体。
1.云端模型的训练：需要收集大量的正样本和负样本。正样本为感兴 趣物体各个角度的照片，而负样本则是不包含感兴趣物体的相片。
完成了“收集正负样本”和“描述文件”的工作之后，采用第三方库 来制作分类器。将正负样本转换成特定的二进制文件样本如图2。显示制作 了50张正样本，但实际上也可以使用了上千张的图片来训练分类器。
本发明需要对正样本提取特征值，以此来匹配视频中的物体和云端中 训练好的数据是否属于同一类。为了提高训练准度，采用了Haar-like对特 征进行提取，并采用了Adaboost弱强分类器识别出感兴趣物体。
2.九宫格判断方法：设计了一套“九宫格”的解决方案。在识别出测 试对象之后，通过落在不同格子中的帧数趋势判断运动方向。在包含感兴 趣物体动作趋势的视频中，算法先会根据视频尺寸的大小生成一个九宫格， 给每个区域赋值为零，随后不断的扫描每一帧，检测感兴趣物体出现的坐 标，并判断坐标落在九宫格中的那一块区域，并让其区域的值自增一，当 一个周期结束后，将九个宫格区域的值进行排序，取区域中值最大的即为 感兴趣物体运动的趋势，经过此算法的处理，判断感兴趣物体动作的趋势 便能够达到毫秒级的响应。
九宫格算法，算法的执行过程如下：haar-link特征值的对比能让摄像头 扑捉到每一帧图片后，程序加载强分类器，得到其检测窗口(检测窗口可 变，为训练样本窗口倍数)，接下来用检测窗口扫描扑捉到的图片，并返回 具有感兴趣物体矩阵四个角的的坐标，实际效果如图3。
Figure BDA0001849586310000081
Figure BDA0001849586310000082
得到了四个坐标后，通过公式1和2，计算x和y得到矩阵中心的M 的坐标，由于把摄像头扑捉到的每帧图像分为9个区域，如图4所示。
并为每个区域赋予一个初始为0的权值，每当坐标出现在其中一个区 域，当前区域的权值自增1。我们假设是以6帧为一个周期对感兴趣物体的 动作进行判断，假设一个感兴趣的物体向右移动，那么在连续的六帧图像 中，坐标出现在右边区域的权值就要比出现在其他八个区域的权值要大， 以此达到程序判断物体动作运动方向的效果，如图5所示，为六帧图像的 轨迹点的轨迹。
3.系统整合：感兴趣的物体在图像中的大小变化的速率可以判断是否 向前还是向后的动作，在发明中设置了当图像中感兴趣物体面积变化的变 量超过设置的阈值后，根据阈值的左右边界，可以简单快速的判断出物体 动作是向前还是向后运动的操作，如图6所示。
除3D判断之外，当系统识别为眼球时，会在移动设备上显示双九宫格， 如图7所示。为了判断用户眼睛动作的方向，程序加载分类器后，扫描每 一帧判断出眼睛所处的位置，检测眼睛出现的位置，算法实时生成以眼睛 大小为基准的九宫格，随后，当眼睛运动时，根据落入区域的权值来判断 运动的方向。在此过程中，需要对眼球进行是否共轭运动的判断，当双物 体运动方向不一致时，系统会提醒用户重新尝试，当双物体运动方法一致时，系统输出一致性的结果。
4.通用性和实用性：只要有感兴趣物体(眼球，拳头，脸等)的分 类器，便可以进行图像的识别，加上九宫格的算法，即可快速判断出感兴 趣物体的趋势。
整个框架具备良好的接口，核心计算已经进行了打包，开发人员只需 要简单的调用可实现物体动作趋势的判断。框架具备良好的扩展性，只需 要有感兴趣物体的分类器，通过简单的设置便可以识别特定的感兴趣的物 体并判断运动趋势。框架具备良好的弹性，调用接口时将会判断其是否具 备良好的网络环境，如果具备，复杂的计算将会在云端完成，从而节省本 地的资源。
目前部分高配置的智能手机中配置了眼球识别等功能，但是识别率不 高，实现眼球操作动作需要比较夸张；并且识别有效距离不是很远，以三 星galaxy4为例，在眼球距离屏幕20cm的距离识别达到最好的效果，在10～ 30cm范围，手机很难识别。而本发明实现的工作在1米内都可以灵敏的对 眼球的动作做出响应，如图7所示。
5.扩展应用：并且结合了接口映射，同样也可以用眼球的动作来操 作应用程序，用眼球动作控制演示文稿操作。极大的方便了肢体有缺陷的 用户需求。
配合着服务器映射，不仅可以利用本发明的识别系统来控制虚拟游戏， 如图7所示：凡是训练库包含的识别物体(眼球、拳头、手掌等)都用来 可以控制虚拟程序(游戏)。同时也可以利用蓝牙(或者wifi)将识别结果 控制真实设备，用手势动作控制小车行驶轨迹。经过测试，并无延迟。
本发明的实质性特点和显著效果：将传统的图像识别中的浮点计算转 换为统计计算，在保证准度的情况下，缩短了识别时间，提高了识别效率。 与此同时，本发明的架构优势在于，具备良好的接口，核心计算已经进行 了打包，开发人员只需要简单的调用可实现物体动作趋势的判断，同时也 具备良好的扩展性，只需要有感兴趣物体的分类器，通过简单的设置便可 以识别特定的感兴趣的物体并判断运动趋势。还具备良好的弹性，复杂的计算将会在云端完成，从而节省本地的资源。
本发明本发明与将“识别物体”和“判断方向”分离，提供一种利用 九宫格的统计计算对动态人体运动(含眼球)的快速感知方法；
目前可应用的领域包括体感操作等人体感应领域。应用方式包括：
(1)可以用眼球的动作来操作应用程序，如用眼球动作控制演示文稿 操作。极大的方便了肢体有缺陷的用户需求。
(2)配合着服务器映射，不仅可以利用本发明的识别系统来控制虚拟 游戏，凡是训练库包含的识别物体(眼球、拳头、手掌等)都用来可以控 制虚拟程序(游戏)。同时也可以利用蓝牙(或者wifi)将识别结果控制真 实设备，如用手势动作控制小车行驶轨迹。
(3)可以移植PC端相关应用到手机移动端。
(4)曾经运用到例如LZ18040福田区新型智慧城区(第二阶段)平 台总体设计项目上，在福田人工智能综合平台中将该技术运用到智能终端 上。
该算法的独特性是使动态人体快速感知的识别对终端机的浮点计算能 力的要求更低，解决了传统识别方法在较PC端计算能力更弱的终端(如手 机移动端)的识别速度较慢的问题。
以上所述仅为本专利优选实施方式，并非限制本专利范围，凡是利用 说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其 它相关的技术领域，均属于本专利保护范围。

Claims (10)

1.一种基于统计计算的动态人体运动的快速感知方法，应用于基于统计计算的动态人体运动的快速感知系统，所述基于统计计算的动态人体运动的快速感知系统通过九宫格统计计算判断感兴趣物体动作的趋势，所述基于统计计算的动态人体运动的快速感知系统包括分类器和识别系统，所述分类器包括收集的正样本、负样本和描述文件制成，并由所述识别系统识别出对象之后，通过落在不同格子中的帧数趋势判断运动方向；其特征在于，所述方法包括：
S01.包含感兴趣物体动作趋势的视频中，先会根据视频尺寸的大小生成一个九宫格，给每个区域赋值为零；
S02.随后不断的扫描每一帧，检测感兴趣物体出现的坐标，并判断坐标落在九宫格中的那一块区域，并让其区域的值自增一；
S03.计算Haar-like特征值的对比能让摄像头扑捉到每一帧图片后，程序加载强分类器，得到其检测窗口；
S04.接下来用检测窗口扫描扑捉到的图片，并返回具有感兴趣物体矩阵四个角的的坐标；
S05.得到了四个坐标后，通过公式1和2，计算x和y得到矩阵中心的M的坐标，所述根据视频尺寸的大小生成一个九宫格是指把摄像头扑捉到的每帧图像分为9个区域；
其中公式1和公式2分别如下：
公式1：
Figure FDA0003037496370000011
公式2：
Figure FDA0003037496370000021
其中，(x1，y1)，(x2，y2)，(x3，y3)分别为所述感兴趣物体矩阵四个角中的三个角的坐标，(x，y)为所述感兴趣物体矩阵的矩阵中心M的坐标；
S06.每个区域赋予一个初始为0的权值，每当坐标出现在其中一个区域，当前区域的权值自增1，设定是以多个帧为一个周期对感兴趣物体的动作进行判断，假设一个感兴趣的物体向右移动，那么在连续的多个帧图像中，坐标出现在右边区域的权值就要比出现在其他八个区域的权值要大，以此达到程序判断物体动作运动方向的效果；
S07.当一个周期结束后，将九个宫格区域的值进行排序，取区域中值最大的即为感兴趣物体运动的趋势；
S08.感兴趣的物体在图像中的大小变化的速率可以判断是否向前还是向后的动作；
S09.当图像中感兴趣物体面积变化的变量超过设置的阈值后，根据阈值的左右边界，可以简单快速的判断出物体动作是向前还是向后运动的操作。
2.根据权利要求1所述的方法，其特征在于：所述正样本为感兴趣物体各个角度的照片，所述负样本是不包含感兴趣物体的相片。
3.根据权利要求1所述的方法，其特征在于：所述分类器由收集的所述正样本、负样本和描述文件，采用第三方库制作而成。
4.根据权利要求1所述的方法，其特征在于：所述正样本和负样本数量为多个，转换成为特定的二进制文件样本。
5.根据权利要求1所述的方法，其特征在于：所述识别系统识别为双物体时，会在移动设备上显示双九宫格，程序加载分类器后，扫描每一帧判断出物体所处的位置，检测物体出现的位置，算法实时生成以物体大小为基准的九宫格，随后，当双物体运动时，根据落入区域的权值来判断运动的方向，在此过程中，需要对双物体进行是否共轭运动的判断，当双物体运动方向不一致时，系统会提醒用户重新尝试，当双物体运动方法一致时，系统输出一致性的结果。
6.根据权利要求1所述的方法，其特征在于：所述九宫格统计计算判断感兴趣物体动作的趋势能达到毫秒级的响应。
7.根据权利要求1所述的方法，其特征在于：所述识别系统包括视频设备、PC端、移动手动端、服务器和云端。
8.根据权利要求1所述的方法，其特征在于：所述正样本提取特征值，匹配视频中的物体和云端中训练好的数据是否属于同一类，并采用Haar-like特征提取算法对特征进行提取。
9.根据权利要求1所述的方法，其特征在于：所述分类器采用Adaboost弱强分类器识别出感兴趣物体。
10.一种基于统计计算的动态人体运动的快速感知系统，其特征在于，所述基于统计计算的动态人体运动的快速感知系统用于执行如权利要求1-9任意一项所述的方法。
CN201811288482.XA 2018-10-31 2018-10-31 基于统计计算的动态人体运动的快速感知系统及方法 Active CN109446999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811288482.XA CN109446999B (zh) 2018-10-31 2018-10-31 基于统计计算的动态人体运动的快速感知系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811288482.XA CN109446999B (zh) 2018-10-31 2018-10-31 基于统计计算的动态人体运动的快速感知系统及方法

Publications (2)

Publication Number Publication Date
CN109446999A CN109446999A (zh) 2019-03-08
CN109446999B true CN109446999B (zh) 2021-08-31

Family

ID=65550100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811288482.XA Active CN109446999B (zh) 2018-10-31 2018-10-31 基于统计计算的动态人体运动的快速感知系统及方法

Country Status (1)

Country Link
CN (1) CN109446999B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020198A (zh) * 2012-11-30 2013-04-03 杭州易尊数字科技有限公司 一种在视频中搜索目标的方法
CN106384096A (zh) * 2016-09-20 2017-02-08 西安科技大学 一种基于眨眼检测的疲劳驾驶监测方法
CN106446351A (zh) * 2016-08-31 2017-02-22 郑州捷安高科股份有限公司 一种面向实时绘制的大规模场景组织与调度技术及仿真系统
CN106485735A (zh) * 2015-09-01 2017-03-08 南京理工大学 基于立体视觉技术的人体目标识别与跟踪方法
CN106599792A (zh) * 2016-11-23 2017-04-26 南京信息工程大学 一种手部驾驶违规行为的检测方法
CN106951834A (zh) * 2017-03-03 2017-07-14 沈阳航空航天大学 一种基于养老机器人平台的摔倒动作检测方法
CN107320964A (zh) * 2017-06-28 2017-11-07 电子科技大学 基于双目识别定位的九宫格目标射击方法
CN107643821A (zh) * 2016-07-22 2018-01-30 北京搜狗科技发展有限公司 一种输入控制方法、装置及电子设备
CN108388883A (zh) * 2018-03-16 2018-08-10 广西师范大学 一种基于hog+svm的视频人数统计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102159789B1 (ko) * 2013-10-28 2020-09-25 삼성전자주식회사 전자 장치 및 이의 사용자 제스처 인식방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020198A (zh) * 2012-11-30 2013-04-03 杭州易尊数字科技有限公司 一种在视频中搜索目标的方法
CN106485735A (zh) * 2015-09-01 2017-03-08 南京理工大学 基于立体视觉技术的人体目标识别与跟踪方法
CN107643821A (zh) * 2016-07-22 2018-01-30 北京搜狗科技发展有限公司 一种输入控制方法、装置及电子设备
CN106446351A (zh) * 2016-08-31 2017-02-22 郑州捷安高科股份有限公司 一种面向实时绘制的大规模场景组织与调度技术及仿真系统
CN106384096A (zh) * 2016-09-20 2017-02-08 西安科技大学 一种基于眨眼检测的疲劳驾驶监测方法
CN106599792A (zh) * 2016-11-23 2017-04-26 南京信息工程大学 一种手部驾驶违规行为的检测方法
CN106951834A (zh) * 2017-03-03 2017-07-14 沈阳航空航天大学 一种基于养老机器人平台的摔倒动作检测方法
CN107320964A (zh) * 2017-06-28 2017-11-07 电子科技大学 基于双目识别定位的九宫格目标射击方法
CN108388883A (zh) * 2018-03-16 2018-08-10 广西师范大学 一种基于hog+svm的视频人数统计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Motion detector placement optimization in smart homes for inhabitant location tracking;Maria Pia Fanti等;《2016 IEEE 21st International Conference on Emerging Technologies and Factory Automation (ETFA)》;20161107;1-7页 *
面向移动计算的自然拇指交互技术研究;段云昕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第1期);I140-322页 *
面向老年人多通道交互技术及应用;宋玥;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第3期);I137-112页 *

Also Published As

Publication number Publication date
CN109446999A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
WO2021129064A1 (zh) 姿态获取方法、关键点坐标定位模型的训练方法和装置
CN108875633B (zh) 表情检测与表情驱动方法、装置和系统及存储介质
CN105930767B (zh) 一种基于人体骨架的动作识别方法
CN104731307B (zh) 一种体感动作识别方法及人机交互装置
TWI588778B (zh) 動作辨識方法
Ding et al. STFC: Spatio-temporal feature chain for skeleton-based human action recognition
Qiang et al. SqueezeNet and fusion network-based accurate fast fully convolutional network for hand detection and gesture recognition
CN105989608B (zh) 一种面向智能机器人的视觉捕捉方法及装置
CN108681700A (zh) 一种复杂行为识别方法
CN112232258A (zh) 一种信息处理方法、装置及计算机可读存储介质
CN113378770B (zh) 手势识别方法、装置、设备、存储介质
CN103020885A (zh) 深度图像压缩
CN101826155B (zh) 一种基于哈尔特征和动态时序匹配的投篮动作识别方法
CN111325204A (zh) 目标检测方法、装置、电子设备以及存储介质
CN103105924A (zh) 人机交互方法和装置
WO2024060978A1 (zh) 关键点检测模型训练及虚拟角色驱动的方法和装置
Dewan et al. Spatio-temporal Laban features for dance style recognition
Yan et al. Human-object interaction recognition using multitask neural network
CN107479715A (zh) 利用手势控制实现虚拟现实交互的方法和装置
Liu et al. The study on human action recognition with depth video for intelligent monitoring
CN112416126B (zh) 页面滚动控制方法和装置、存储介质及电子设备
CN112699784A (zh) 一种人脸朝向估计方法、装置、电子设备及存储介质
CN109446999B (zh) 基于统计计算的动态人体运动的快速感知系统及方法
Półrola et al. Real-time hand pose estimation using classifiers
Arowolo et al. Development of a human posture recognition system for surveillance application

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