CN109858380A - 可扩展手势识别方法、装置、系统、手势识别终端和介质 - Google Patents
可扩展手势识别方法、装置、系统、手势识别终端和介质 Download PDFInfo
- Publication number
- CN109858380A CN109858380A CN201910006676.4A CN201910006676A CN109858380A CN 109858380 A CN109858380 A CN 109858380A CN 201910006676 A CN201910006676 A CN 201910006676A CN 109858380 A CN109858380 A CN 109858380A
- Authority
- CN
- China
- Prior art keywords
- gestures
- images
- training sample
- current
- learning model
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种可扩展手势识别方法、装置、系统、手势识别终端和介质，步骤为：获取静态或动态的当前手势图像；提取当前手势图像的特征向量；将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。本发明能有效扩展手势识别的类型，提高手势识别的准确性，从而整体上提升了手势识别的性能，提升了人机交互体验。
Description
技术领域
本发明属于人机接口领域，特别涉及一种可扩展手势识别方法、装置、系统、手势识别终端和介质。
背景技术
手势识别是人机交互的重要形式之一，在游戏、娱乐、车载应用等方面有着广泛的应用。手势识别装置以视觉、红外、雷达等方式感知手势环境，其中视觉感知方式的应用最为普遍，其是通过图像传感器采集图像，然后进行手势识别。
现有的手势识别系统一般采用预设的手势识别算法，算法控制参数、手势识别参数也是预先设置或训练好的，在使用过程中存在的不足在于：1)无法根据用户使用习惯、用户使用偏好进行动态调整；2)系统能够识别的手势类型是预先设定好的，无法扩展，导致无法识别新手势类型；3)算法控制参数、手势识别参数都是预先设置或训练好的，即便在使用过程中采集积累了大量的原始手势数据，也无法对新增的手势数据进行有效训练，也无法更新算法控制参数、手势识别参数，导致手势识别精度不能提升。
上述手势识别系统的不足，整体上降低了手势识别系统的性能和可扩展性，导致较差的人机交互体验。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种可扩展手势识别方法，该方法能有效扩展手势识别的类型，提高手势识别的准确性，从而整体上提升了手势识别的性能，提升了人机交互体验。
本发明的第二目的在于提供一种可扩展手势识别装置。
本发明的第三目的在于提供一种可扩展手势识别方法。
本发明的第四目的在于提供一种可扩展手势识别终端。
本发明的第五目的在于提供一种存储介质。
本发明的第一目的通过下述技术方案实现：一种可扩展手势识别方法，其特征在于，步骤如下：
获取静态或动态的当前手势图像；
提取当前手势图像的特征向量；
将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
优选的，所述手势图像包括彩色图像和深度图像。
优选的，将手势图像定时、定量或在外部触发的情况下发送给云端服务器。
优选的，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。
优选的，通过新训练样本集训练当前机器学习模型的时机为：
当前新训练样本集中训练样本数超过一定值时，通过新训练样本集训练当前机器学习模型；
或者，定时通过当前所构成的新训练样本集训练当前机器学习模型；
或者，在有外部触发的情况下通过当前所构成的新训练样本集训练当前机器学习模型；
云端服务器在通过当前新训练样本集训练当前机器学习模型后，再接收到手势图像时，将构成下一个新训练样本集。
本发明的第二目的通过下述技术方案实现：一种可扩展手势识别装置，所述装置包括：
图像获取模块，用于获取静态或动态的当前手势图像；
特征提取模块，用于提取当前手势图像的特征向量；
手势识别模块，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
通信模块，用于将手势图像发送到云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
本发明的第三目的通过下述技术方案实现：一种可扩展手势识别系统，所述系统包括手势识别终端以及云端服务器；
所述手势识别终端，用于获取静态或动态的当前手势图像，提取出当前手势图像的特征向量，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；并且将手势图像发送给云端服务器；
所述云端服务器，用于在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型，然后训练后的机器学习模型发送给手势识别终端。
优选的，所述手势识别终端的个数为一个或多个。
本发明的第四目的通过下述技术方案实现：一种可扩展手势识别终端，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明可扩展手势识别方法。
本发明的第五目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明可扩展手势识别方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明可扩展手势识别方法，在获取到当前手势图像时，提取出当前手势图像的特征向量，然后输入当前机器学习模型，通过当前机器学习模型识别出手势图像中的对应手势；同时将当前手势图像发送给云端服务器，在当前手势图像满足一定的条件下，作为新的训练样本构成新训练样本集，然后采用新训练样本集训练当前机器学习模型，供下次手势识别时使用。由上述可见，本发明在手势图像识别过程中，通过样本增量的方式针对机器学习模型进行训练学习，因此能够有效扩展机器学习模型手势识别的类型，提高手势识别的准确性，从而整体上提升了手势识别系统的性能，提升了人机交互体验。
(2)本发明可扩展手势识别方法中，手势图像发送给云端服务器后，云端服务器将接收到的手势图像和云端服务器中的训练样本集中的训练样本进行比较，将相似度超过一定阈值的手势图像作为新的训练样本，从而构成新训练样本集，或者针对于获取到的手势图像，云端服务器将模糊度小于一定阈值、明暗程度小于一定阈值和/或手势图像的手部所占像素的大小大于一定阈值的手势图像作为新的训练样本，从而构成新训练样本集。本发明上述过程得到的新训练样本集可以有效提高机器学习模型的训练精度，降低训练机器学习模型训练时的计算量。
(3)本发明可扩展手势识别方法中，手势图像可以根据需求定时、定量或在外部触发的情况下发送给云端服务器，以使得云端服务器在各种情况下生产新训练样本集；云端服务器在新训练样本集生成后，可以根据需求定时、定量或者在外部触发的情况下对当前机器学习模型进行再次训练，具有机器学习模型训练灵活度高的优点。
(4)本发明可扩展手势识别系统包括手势识别终端和云端服务器，其中手势识别终端在获取到手势图像后对手势图像进行实时识别，而云端服务器在获取到手势图像后，构成新训练样本集，通过新训练样本集再次对当前机器学习模型进行训练，并且将训练到的新的机器学习模型发送给手势识别终端，手势识别终端在接收到下一个手势图像时，可以通过新的机器学习模型进行手势识别；由上述可见，本发明系统在手势图像识别过程中，云端服务器通过样本增量的方式针对机器学习模型进行训练学习，因此能够有效扩展机器学习模型手势识别的类型，提高手势识别的准确性，从而整体上提升了手势识别系统的性能，提升了人机交互体验。
附图说明
图1是本发明可扩展手势识别方法流程图。
图2是本发明可扩展手势识别装置结构框图。
图3是本发明可扩展手势识别装置结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种可扩展手势识别方法，基于本地手势识别终端和云端服务器实现，如图1所示，步骤如下：
S1、获取静态或动态的当前手势图像；其中手势图像包括彩色图像和深度图像。
S2、提取当前手势图像的特征向量；在本实施例中，提取当前手势图像的特征向量可以为如下：对手势图像进行手部分割处理，获取到手部动作序列作为手势图像的特征向量。
S3、将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；在本实施例中机器学习模型可以为多层卷积CNN神经网络模型、深度残差网络模型、混合神经网络模型等。
S4、将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。上述训练得到的机器学习模型作为后面获取到的手势图像的手势识别。
在本实施例步骤S4中，手势图像可以定时、定量或在外部触发的情况下发送给云端服务器。例如可以每隔一定的时间，将当前获取到的多个手势图像发送到云端服务器，云端服务器在接收到这些手势图像后，将满足一定条件的作为新的训练样本。或者，可以当前获取到的手势图像数量达到一定数时，将这些数量的手势图像发送给云端服务器，云端服务器在接收到这些手势图像后，将满足一定条件的作为新的训练样本。或者，可以在接收到外部触发的情况下，比如警报触发的情况下将已经获取到的手势图像发送给云端服务器，云端服务器在接收到这些手势图像后，将满足一定条件的作为新的训练样本。
在本实施例步骤S4中，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，例如90％；或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。
在本实施例步骤S4中，通过新训练样本集训练当前机器学习模型的时机为：
当前新训练样本集中训练样本数超过一定值时，通过新训练样本集训练当前机器学习模型；
或者，定时通过当前所构成的新训练样本集训练当前机器学习模型；即在机器学习模型上一次训练完后，隔一定时间后再通过重新生成的新训练样本集对上一次训练后的机器学习模型再进行训练。
或者，在有外部触发的情况下通过当前所构成的新训练样本集训练当前机器学习模型；例如在有警报触发的情况下，通过当前所构成的新训练样本集训练当前机器学习模型。
在本实施例中，云端服务器通过当前新训练样本集训练当前机器学习模型后，再接收到手势图像时，将构成下一个新训练样本集。即机器学习模型每次训练时的训练样本集是不同的。
实施例2
本实施例公开了一种可扩展手势识别装置，如图2所示，该装置包括：
图像获取模块，用于获取静态或动态的当前手势图像；其中手势图像包括彩色图像和深度图像。
特征提取模块，用于提取当前手势图像的特征向量；在本实施例中，提取当前手势图像的特征向量可以为如下：对手势图像进行手部分割处理，获取到手部动作序列作为手势图像的特征向量。
手势识别模块，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；在本实施例中，机器学习模型可以为多层卷积CNN神经网络模型、深度残差网络模型、混合神经网络模型等。
通信模块，用于将手势图像发送到云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。并且将训练后的机器学习模型返回给手势识别模块，供手势识别模块针对后面的手势图像进行手势的识别。在本实施例中，将训练后的机器学习模型返回给手势识别模块，具体指的是，将训练当前机器学习模型得到的新参数或者扩展的参数发送给手势识别终端。参数具体包括手势识别参数集T1和算法控制参数集T2，手势识别终端接收到云端服务器发送的新参数或者扩展的参数后，即可得出机器学习模型。
在本实施例中，通信模块可以定时、定量或在外部触发的情况下发送图像获取模块获取到的手势图像给云端服务器。
在本实施例中，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，例如90％；或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。这些阈值可以根据实际情况进行设置。
实施例3
本实施例公开了一种可扩展手势识别系统，如图3所示，该系统包括手势识别终端以及云端服务器；手势识别终端设置在本地，其中包括用于对手势图像进行识别的并且已经训练后的机器学习模型。云端服务器设置在云端，通过新训练样本集针对手势识别装置当前所使用的机器学习模型进行再训练，并且反馈给手势识别装置。其中：
手势识别终端，用于获取静态或动态的当前手势图像，提取出当前手势图像的特征向量，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；并且将当前手势图像发送给云端服务器；在本实施例中，手势识别终端可以为自带图像采集设备的装置或者外连图像采集设备的智能终端，图像采集设备可以为摄像头，手势识别终端定时、定量或在外部触发的情况下将图像采集设备采集的手势图像发送给云端服务器；
云端服务器，用于在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型，然后训练得到的机器学习模型发送给手势识别终端。在本实施例中，云端服务器将训练得到的新的机器学习模型发送给手势识别终端指的是将训练当前机器学习模型得到的新参数或者扩展的参数发送给手势识别终端，参数具体包括手势识别参数集T1和算法控制参数集T2，手势识别终端接收到云端服务器发送的新参数或者扩展的参数后，即得出手势识别用的机器学习模型。
本实施例中，云端服务器中判定手势图像是否满足一定条件指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度是否超过一定阈值，例如90％，此时云端服务器将与其已有的训练样本集中训练样本的相似度超过90％的手势图像作为新的训练样本，用来构建新训练样本集，或者是指：判定手势图像的模糊度是否小于一定阈值、判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小是否大于一定阈值。在本实施例中，云端服务器可以在从手势识别终端接收到的手势图像中，选取出模糊度小于一定阈值和/或明暗程度小于一定阈值和/或手部所占像素的大小大于一定阈值的手势图像选取出来，作为新的训练样本。
在本实施例中，云端服务器可以根据需求定时、定量或者在外部触发的情况下，采用当前的新训练样本集训练机器学习模型。在本实施例中，一个云端服务器可以对应多个手势识别终端，当手势识别终端为多个时，云端服务器将训练得到的新的机器学习模型发送给各手势识别终端进行识别手势图像。
实施例4
本实施例公开了一种可扩展手势识别终端，包括处理器以及用于存储处理器可执行程序的存储器，处理器执行存储器存储的程序时，实现上述实施例1的可扩展手势识别方法，如下：
获取静态或动态的当前手势图像；手势图像包括彩色图像和深度图像。
提取当前手势图像的特征向量；
将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
在本实施例中，手势图像被定时、定量或在外部触发的情况下发送给云端服务器。
在本实施例中，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。
在本实施例中，通过新训练样本集训练当前机器学习模型的时机为：
当前新训练样本集中训练样本数超过一定值时，通过新训练样本集训练当前机器学习模型；
或者，定时通过当前所构成的新训练样本集训练当前机器学习模型；
或者，在有外部触发的情况下通过当前所构成的新训练样本集训练当前机器学习模型；
云端服务器在通过当前新训练样本集训练当前机器学习模型后，再接收到手势图像时，将构成下一个新训练样本集。
在本实施例中，手势识别终端可以为自带图像采集设备的装置或者外连图像采集设备的智能终端。
实施例5
本实施例公开了一种存储介质，存储有程序，程序被处理器执行时，实现上述实施例1的可扩展手势识别方法，如下：
获取静态或动态的当前手势图像；
提取当前手势图像的特征向量；
将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
在本实施例中，手势图像被定时、定量或在外部触发的情况下发送给云端服务器。
在本实施例中，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。
在本实施例中，通过新训练样本集训练当前机器学习模型的时机为：
当前新训练样本集中训练样本数超过一定值时，通过新训练样本集训练当前机器学习模型；
或者，定时通过当前所构成的新训练样本集训练当前机器学习模型；
或者，在有外部触发的情况下通过当前所构成的新训练样本集训练当前机器学习模型；
云端服务器在通过当前新训练样本集训练当前机器学习模型后，再接收到手势图像时，将构成下一个新训练样本集。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种可扩展手势识别方法，其特征在于，步骤如下：
获取静态或动态的当前手势图像；
提取当前手势图像的特征向量；
将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
将手势图像发送给云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
2.根据权利要求1所述的可扩展手势识别方法，其特征在于，所述手势图像包括彩色图像和深度图像。
3.根据权利要求1所述的可扩展手势识别方法，其特征在于，将手势图像定时、定量或在外部触发的情况下发送给云端服务器。
4.根据权利要求1所述的可扩展手势识别方法，其特征在于，云端服务器判定手势图像是否满足一定条件，指的是：判定手势图像和云端服务器的训练样本集中训练样本的相似度超过一定阈值，或者是指：判定手势图像的模糊度是否小于一定阈值和/或判定手势图像的明暗程度是否小于一定阈值和/或判定手势图像的手部所占像素的大小大于一定阈值。
5.根据权利要求1所述的可扩展手势识别方法，其特征在于，通过新训练样本集训练当前机器学习模型的时机为：
当前新训练样本集中训练样本数超过一定值时，通过新训练样本集训练当前机器学习模型；
或者，定时通过当前所构成的新训练样本集训练当前机器学习模型；
或者，在有外部触发的情况下通过当前所构成的新训练样本集训练当前机器学习模型；
云端服务器在通过当前新训练样本集训练当前机器学习模型后，再接收到手势图像时，将构成下一个新训练样本集。
6.一种可扩展手势识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取静态或动态的当前手势图像；
特征提取模块，用于提取当前手势图像的特征向量；
手势识别模块，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；
通信模块，用于将手势图像发送到云端服务器，以使得云端服务器在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型。
7.一种可扩展手势识别系统，其特征在于，所述系统包括手势识别终端以及云端服务器；
所述手势识别终端，用于获取静态或动态的当前手势图像，提取出当前手势图像的特征向量，将当前手势图像的特征向量输入到当前机器学习模型中，通过当前机器学习模型识别出手势图像中的对应手势；并且将手势图像发送给云端服务器；
所述云端服务器，用于在接收到手势图像时，判定手势图像是否满足一定条件，将满足一定条件的手势图像作为新的训练样本，由新的训练样本构成新训练样本集；通过新训练样本集训练当前机器学习模型，然后训练后的机器学习模型发送给手势识别终端。
8.根据权利要求7所述的可扩展手势识别系统，其特征在于，所述手势识别终端的个数为一个或多个。
9.一种可扩展手势识别终端，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至5中任一项所述的可扩展手势识别方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至5中任一项所述的可扩展手势识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910006676.4A CN109858380A (zh) | 2019-01-04 | 2019-01-04 | 可扩展手势识别方法、装置、系统、手势识别终端和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910006676.4A CN109858380A (zh) | 2019-01-04 | 2019-01-04 | 可扩展手势识别方法、装置、系统、手势识别终端和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858380A true CN109858380A (zh) | 2019-06-07 |
Family
ID=66893915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910006676.4A Pending CN109858380A (zh) | 2019-01-04 | 2019-01-04 | 可扩展手势识别方法、装置、系统、手势识别终端和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858380A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053505A (zh) * | 2020-08-21 | 2020-12-08 | 杭州小电科技股份有限公司 | 移动电源租借方法、装置、系统、电子装置和存储介质 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102857810A (zh) * | 2011-05-30 | 2013-01-02 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
| CN103415825A (zh) * | 2010-12-29 | 2013-11-27 | 汤姆逊许可公司 | 用于手势识别的系统和方法 |
| US20150138078A1 (en) * | 2013-11-18 | 2015-05-21 | Eyal Krupka | Hand pose recognition using boosted look up tables |
| CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别系统 |
| CN106991372A (zh) * | 2017-03-02 | 2017-07-28 | 北京工业大学 | 一种基于混合深度学习模型的动态手势识别方法 |
| CN107292223A (zh) * | 2016-04-13 | 2017-10-24 | 芋头科技（杭州）有限公司 | 一种实时手势检测的在线验证方法及系统 |
| CN107368182A (zh) * | 2016-08-19 | 2017-11-21 | 北京市商汤科技开发有限公司 | 手势检测网络训练、手势检测、手势控制方法及装置 |
| CN107374630A (zh) * | 2017-05-24 | 2017-11-24 | Tcl医疗核磁技术（无锡）有限公司 | 一种医疗检测系统患者床位置的控制方法和装置 |
| CN107515873A (zh) * | 2016-06-16 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 一种垃圾信息识别方法及设备 |
| CN107533363A (zh) * | 2015-04-17 | 2018-01-02 | 三菱电机株式会社 | 手势识别装置、手势识别方法以及信息处理装置 |
| CN107622257A (zh) * | 2017-10-13 | 2018-01-23 | 深圳市未来媒体技术研究院 | 一种神经网络训练方法及三维手势姿态估计方法 |
| CN107690659A (zh) * | 2016-12-27 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
| CN107885317A (zh) * | 2016-09-29 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 一种基于手势的交互方法及装置 |
| CN108089693A (zh) * | 2016-11-22 | 2018-05-29 | 比亚迪股份有限公司 | 手势识别方法及装置、智能穿戴终端及服务器 |
| CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN108932500A (zh) * | 2018-07-09 | 2018-12-04 | 广州智能装备研究院有限公司 | 一种基于深度神经网络的动态手势识别方法及系统 |
| CN108960163A (zh) * | 2018-07-10 | 2018-12-07 | 亮风台（上海）信息科技有限公司 | 手势识别方法、装置、设备和存储介质 |
-
2019
- 2019-01-04 CN CN201910006676.4A patent/CN109858380A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103415825A (zh) * | 2010-12-29 | 2013-11-27 | 汤姆逊许可公司 | 用于手势识别的系统和方法 |
| CN102857810A (zh) * | 2011-05-30 | 2013-01-02 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
| US20150138078A1 (en) * | 2013-11-18 | 2015-05-21 | Eyal Krupka | Hand pose recognition using boosted look up tables |
| CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别系统 |
| CN107533363A (zh) * | 2015-04-17 | 2018-01-02 | 三菱电机株式会社 | 手势识别装置、手势识别方法以及信息处理装置 |
| CN107292223A (zh) * | 2016-04-13 | 2017-10-24 | 芋头科技（杭州）有限公司 | 一种实时手势检测的在线验证方法及系统 |
| CN107515873A (zh) * | 2016-06-16 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 一种垃圾信息识别方法及设备 |
| CN107368182A (zh) * | 2016-08-19 | 2017-11-21 | 北京市商汤科技开发有限公司 | 手势检测网络训练、手势检测、手势控制方法及装置 |
| CN107885317A (zh) * | 2016-09-29 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 一种基于手势的交互方法及装置 |
| CN108089693A (zh) * | 2016-11-22 | 2018-05-29 | 比亚迪股份有限公司 | 手势识别方法及装置、智能穿戴终端及服务器 |
| CN107690659A (zh) * | 2016-12-27 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
| CN106991372A (zh) * | 2017-03-02 | 2017-07-28 | 北京工业大学 | 一种基于混合深度学习模型的动态手势识别方法 |
| CN107374630A (zh) * | 2017-05-24 | 2017-11-24 | Tcl医疗核磁技术（无锡）有限公司 | 一种医疗检测系统患者床位置的控制方法和装置 |
| CN107622257A (zh) * | 2017-10-13 | 2018-01-23 | 深圳市未来媒体技术研究院 | 一种神经网络训练方法及三维手势姿态估计方法 |
| CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
| CN108932500A (zh) * | 2018-07-09 | 2018-12-04 | 广州智能装备研究院有限公司 | 一种基于深度神经网络的动态手势识别方法及系统 |
| CN108960163A (zh) * | 2018-07-10 | 2018-12-07 | 亮风台（上海）信息科技有限公司 | 手势识别方法、装置、设备和存储介质 |
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053505A (zh) * | 2020-08-21 | 2020-12-08 | 杭州小电科技股份有限公司 | 移动电源租借方法、装置、系统、电子装置和存储介质 |
| CN112053505B (zh) * | 2020-08-21 | 2022-07-01 | 杭州小电科技股份有限公司 | 移动电源租借方法、装置、系统、电子装置和存储介质 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197589B (zh) | 动态人体姿态的语义理解方法、装置、设备和存储介质 | |
| CN106454481B (zh) | 一种移动终端直播互动的方法及装置 | |
| CN109685037B (zh) | 一种实时动作识别方法、装置及电子设备 | |
| KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
| CN107885317A (zh) | 一种基于手势的交互方法及装置 | |
| CN112198959A (zh) | 虚拟现实交互方法、装置及系统 | |
| CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
| CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
| CN104915351A (zh) | 图片排序方法及终端 | |
| CN110136144B (zh) | 一种图像分割方法、装置及终端设备 | |
| CN112132197A (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
| CN112492297B (zh) | 一种对视频的处理方法以及相关设备 | |
| CN102567716A (zh) | 一种人脸合成系统及实现方法 | |
| CN107895161B (zh) | 基于视频数据的实时姿态识别方法及装置、计算设备 | |
| CN113901931B (zh) | 一种基于知识蒸馏模型的红外和可见光视频的行为识别方法 | |
| CN112232258A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
| CN110287848A (zh) | 视频的生成方法及装置 | |
| CN112036261A (zh) | 手势识别方法、装置、存储介质、电子装置 | |
| CN109858380A (zh) | 可扩展手势识别方法、装置、系统、手势识别终端和介质 | |
| CN113160231A (zh) | 一种样本生成方法、样本生成装置及电子设备 | |
| CN110363814A (zh) | 一种视频处理方法、装置、电子装置和存储介质 | |
| CN114495169A (zh) | 一种人体姿态识别的训练数据处理方法、装置及设备 | |
| CN117218246A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| CN117115917A (zh) | 基于多模态特征融合的教师行为识别方法、设备以及介质 | |
| CN107479715A (zh) | 利用手势控制实现虚拟现实交互的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |