CN110008818A - 一种手势识别方法、装置及计算机可读存储介质 - Google Patents
一种手势识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110008818A CN110008818A CN201910088224.5A CN201910088224A CN110008818A CN 110008818 A CN110008818 A CN 110008818A CN 201910088224 A CN201910088224 A CN 201910088224A CN 110008818 A CN110008818 A CN 110008818A
- Authority
- CN
- China
- Prior art keywords
- human body
- identification
- gesture
- image
- target image
- 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
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种手势识别方法、装置及计算机可读存储介质，方法包括：对目标图像进行人体关键点检测，得到至少一个人体关键点；在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；对所述识别区域的图像进行手势识别处理，得到手势识别结果。本发明实施例将识别的人体关键点作为先验信息，在人体关键点中确定出手腕点后，将与手腕点距离较近的区域作为手势的识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行无效的识别，因此，可以大大提升进行手势识别的效率。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种手势识别方法、装置及计算机可读存储介质。
背景技术
随着图像处理技术的发展，在对人物图像进行处理时，对人物图像进行人体关键点识别，以及对人物图像进行手势识别等得到较多应用。
在对人物图像处理时，可能存在着需要同时获取人体关键点和手势信息的应用场景，例如，在一些游戏中，需要通过人物图像对人物的姿势进行评分，并且需要根据手势信息在人物图像中加入特效以增加游戏趣味性，现有技术中，在对人物图像进行人体关键点识别和手势识别时，人体关键点识别与手势识别通常是独立的过程，具体来说，通常需要将该人物图像输入到人体关键点识别模型，得到人体关键点识别结果；将该人物图像输入到手势识别模型，得到手势识别结果。
但是，申请人发现现有技术中存在下述问题：在对人体关键点识别时，需要对人物图像进行遍历，得到人体关键点信息；在对手势识别时，也需要对人物图像进行遍历，得到手势类别；因为人体关键点识别和手势识别时都存在着遍历人物图像的操作，即对人物图像进行两次重复的遍历，因此存在着大量的重复计算，导致对人物图像进行人体关键点识别和手势识别时识别效率低下。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种手势识别方法、装置及计算机可读存储介质。
根据本发明的第一方面，提供了一种手势识别方法，所述方法包括：
对目标图像进行人体关键点检测，得到至少一个人体关键点；
在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；
对所述识别区域的图像进行手势识别处理，得到手势识别结果。
根据本发明的第二方面，提供了一种手势识别装置，所述装置包括：
人体关键点检测模块，用于对目标图像进行人体关键点检测，得到至少一个人体关键点；
识别区域确定模块，用于在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；
手势识别模块，用于对所述识别区域的图像进行手势识别处理，得到手势识别结果。
根据本发明的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现任一所述的手势识别方法。
本发明实施例包括以下优点：
本发明实施例中，发明人发现人体结构中，手与手腕的距离非常近，在目标图像中手与手腕往往是同时出现的，基于该发现，本发明实施例中，将识别的人体关键点作为先验信息，在对目标图像进行人体关键点检测，得到至少一个人体关键点后，将与手腕点距离满足预设条件的位置作为识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行重复、无效的识别，因此，可以大大提升进行手势识别的效率。具体来说，对目标图像进行人体关键点检测，得到至少一个人体关键点后，在该至少一个人体关键点中包括手腕点的情况下，将与该手腕点的距离满足预设条件的位置作为识别区域，对该识别区域的图像进行手势识别处理，得到手势识别结果，可以理解，识别区域会小于目标图像的整体区域，因此能够提升进行手势识别的效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的一种手势识别方法的流程图；
图2是本发明实施例提供的一种人体关键点分布示意图；
图3是本发明实施例提供的一种手势识别方法的具体流程图；
图4是本发明实施例提供的一种卷积姿态模型框架示意图；
图5是本发明实施例提供的一种卷积姿态模型框架计算过程示意图；
图6是本发明实施例提供的一种手势识别装置的框图；
图7是本发明实施例提供的一种手势识别装置的具体框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
应当理解，此处所描述的具体实施例仅用以解释本发明，仅仅是本发明一部分实施例，而不是全部的实施例，并不用于限定本发明。
本发明实施例中，发明人在研究中发现存在着需要同时获取人体关键点和手势信息的应用场景，例如，在一些游戏中，需要通过包括人物特征的目标图像对人物的姿势进行评分，并且需要根据手势信息在目标图像中加入特效以增加游戏趣味性，在该应用场景中，若将目标图像输入人体关键点识别模型进行人体关键点识别以获取评分，以及将目标图像输入手势识别模型进行手势识别以添加特效，作为两个独立的过程进行处理，会存在着大量的重复计算，导致识别过程缓慢，识别效果不佳。
且，发明人进一步发现人体结构中，手与手腕的距离非常近，在目标图像中手与手腕往往是同时出现的，基于该发现，本发明实施例中，将识别的人体关键点作为先验信息，在人体关键点中确定出手腕点后，将与手腕点距离满足预设条件的位置作为识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行无效的识别，因此，可以避免大量的重复计算，大大提升进行手势识别的效率。
参照图1，示出了一种手势识别方法的流程图，该方法具体可以包括如下步骤：
步骤101：对目标图像进行人体关键点检测，得到至少一个人体关键点。
本发明实施例中，目标图像可以是包括人物特征的图像，在实际应用中，如图2所示，人体关键点可以对应下述14个人体部位：右肩、右肘、右腕、左肩、左肘、左腕、右髋、右膝、右踝、左髋、左膝、左踝、头顶、脖子。
本发明实施例中，可以基于卷积神经网络，通过多张人体图片训练得到卷积姿态模型，根据卷积姿态模型对目标图像进行人体关键点检测，可以得到该目标图像对应的至少一个人体关键点。可以理解，本领域技术人员也可以根据实际的应用场景，采用其他方式对目标图像进行人体关键点检测，得到至少一个人体关键点，本发明实施例对此不作具体限定。
步骤102：在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置。
本发明实施例中，识别区域具体可以是：在目标图像中，与手腕点的距离小于预设距离的位置，示例的，可以以手腕点为圆心，划定一个半径为预设距离的圆，该圆覆盖的区域可以作为识别区域；或者，划定覆盖该手腕点的三角形区域作为识别区域，只要满足该三角形区域中距离手腕点最远的位置，与手腕点的距离小于预设距离即可；或者划定覆盖该手腕点的矩形区域等作为识别区域；本发明实施例对识别区域的具体划定不作限定；具体应用中，预设距离可以根据实际的应用场景设定，示例的，预设距离可以为与手的长度相近的距离，识别区域可以是以手腕点为圆心，划定的半径为预设距离的圆形区域，使得该识别区域能够将手势可能出现的位置做到较好覆盖，从而提升手势识别的准确率。
具体应用中，在该至少一个人体关键点中包括手腕点的情况下，与该手腕点的距离满足预设条件的识别区域所对应的图像中包括有手势特征，可以通过步骤103对识别区域的图像进行手势识别处理，得到手势识别结果。
步骤103：对所述识别区域的图像进行手势识别处理，得到手势识别结果。
具体应用中，可以通过多张手势图片训练得到手势识别模型，根据手势识别模型对识别区域的图像进行手势识别，得到手势识别结果，示例的，手势识别结果可以是手势类别和手势位置；可以理解，本领域技术人员可以根据实际的应用场景采用适应的方式对识别区域的图像进行手势识别，得到手势识别结果，本发明实施例对此不做具体限定。因为识别区域相对目标图像是比较小的区域，因此，在对识别区域的图像进行手势识别时，可以减少对识别区域以外的区域的图像的无效识别，从而能快速的识别出手势类别。
在本发明实施例的一种优选实施例中，步骤103包括：子步骤A1和子步骤A2。
子步骤A1：利用方向梯度直方图HOG，在所述识别区域中提取手势特征。
方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述。
HOG通过计算和统计图像局部区域的梯度方向直方图来构成特征，HOG的主要思想是：图像中局部物体的形状特征能够由边缘的方向密度分布描述出来。
具体应用中，与其他的特征提取方法相比，HOG主要是提取形状相关的特征，具有良好的光学不变性和几何不变性，能够反映出手势的形变情况。因此，本发明实施例中在识别区域中根据方向梯度直方图HOG提取手势特征，能提取到准确的手势特征。
优选地，子步骤A1的在所述识别区域中根据方向梯度直方图HOG提取手势特征可以包括，步骤A11至步骤A15。
步骤A11：将所述识别区域对应的识别图像进行伽马Gamma标准化处理，得到所述识别图像对应的像素值。
在图像处理中，通常以像素反映目标图像的图像特征，本发明实施例中，考虑到在HOG特征提取中，比较重要的是梯度信息，其他不重要的信息在HOG特征提取可能造成干扰，因此可以对识别区域对应的识别图像进行Gamma标准化，去掉一些不重要的信息，得到进行手势识别时识别图像对应的像素值。
在一种较佳的实施例中，所述对所述识别区域中的识别图像进行伽马Gamma标准化，包括：将所述识别图像转变为灰度图；对所述灰度图进行Gamma压缩。
具体应用中，将识别图像转变为灰度图可以避免色彩对识别图像像素值的影响，对灰度图进行Gamma压缩，可以节省灰度图对空间的占用，减少进行手势特征提取时的运算量，达到较好的手势特征提取效果。
示例的，将所述识别区域对应的识别图像进行伽马Gamma标准化，得到所述识别图像对应的像素值可以通过下述公式实现：
其中，x，y可以表示像素值对应的横坐标和纵坐标，Ib(x，y)可以为灰度图的像素值，I(x，y)可以为进行手势识别时识别图像对应的像素值，上述公式可以表示将灰度图的像素值进行压缩计算得到进行手势识别时识别图像对应的像素值。
步骤A12：根据所述像素值进行梯度计算，得到梯度的相位和幅值。
本发明实施例中，在计算识别图像水平方向和垂直方向的梯度时，水平方向梯度的计算可以采用像素值与[-1，0，1]做卷积计算，垂直方向梯度可以将像素值与[-1，0，1]T卷积获得。
示例的，水平方向梯度Gx(x，y)和垂直方向梯度Gy(x，y)计算可以通过下述公式实现：
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)一I(x，y-1)
获得水平方向梯度和垂直方向梯度以后，可以进一步计算每个像素位置的梯度相位和幅值大小。
示例的，由水平方向梯度和垂直方向梯度计算梯度的相位G(x，y)和幅值α(x，y)可以通过下述公式实现：
步骤A13：确定所述幅值在所述梯度计算中的梯度区间。
本发明实施例中，在获得目标图像的整个梯度后，可以提取手势特征，示例的，先将梯度方向2π细分为“N个区间，下标为i”的区间范围，则每个区间表示为其中，i为整数，这样就形成了下标从0到N-1的区间划分。
若α(x，y)落在某个区间上，即
则可以认为该幅值在梯度计算中的梯度区间为：
步骤A14：将所述梯度区间对应的初始直方图特征向量与所述相位的和，作为所述梯度区间的直方图特征向量。
在确定了梯度区间后，可以先将该梯度区间对应的初始直方图加上该梯度向量的幅值，再进行赋值，示例的公式为：
HOG[i]：＝HOG[i]+G(x，y)
该公式可以表示将第i项的初始直方图特征向量HOG[i]加上该梯度向量的幅值G(x，y)后，赋值给该第i项直方图特征向量。
步骤A15：将所述直方图特征向量进行归一化处理，得到手势特征。
将赋值得到的HOG特征向量进行归一化，提取到最终的手势特征NORM_HOG[i]，归一化对应的公式可以为：
子步骤A2：利用向量机分类器对所述手势特征进行手势识别，得到手势识别结果。
本发明实施例中，向量机分类器(Support Vector Machine，简称SVM)是一种可用作特征空间分类的机器学习模型，SVM的基本思想是在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大。
具体应用中，向量机分类器可以通过HOG提取的手势特征训练得到，示例的，可以采集手势样本集后，将手势样本集进行标准化等处理，得到手势训练集，对手势训练集提取HOG手势特征，作为SVM的输入，则训练得到的SVM可以根据HOG手势特征快速、准确的得到手势分类结果。
在一种优选的应用场景中，向量机分类器对手势特征识别得到手势类别后，可以通过矩形框、圆形框、不规则框等对手势的区域进行标注，进一步的，还可以根据手势类别在手势区域结合图形、文字、表情等渲染目标图像，或在目标图像中增加控制特效，具体可以如控雨特效(例如，控制目标视频中出现雨滴的特效)、撒花特效、比心特效等，以增加目标图像的趣味性。
可以理解，视频可以由多帧图片组成，因此，在对视频进行处理时，也可以将视频进行分帧操作，得到连续的多张目标图像，对各目标图像进行如本发明实施例的手势识别，可以实现对手势的快速识别，进而可以在视频中增加特效等，以增加视频的趣味性。
综上所述，本发明实施例中，发明人发现人体结构中，手与手腕的距离非常近，在目标图像中手与手腕往往是同时出现的，基于该发现，本发明实施例中，将识别的人体关键点作为先验信息，在对目标图像进行人体关键点检测，得到至少一个人体关键点后，将与手腕点距离满足预设条件的位置作为识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行重复、无效的识别，因此，可以大大提升进行手势识别的效率。具体来说，对目标图像进行人体关键点检测，得到至少一个人体关键点后，在该至少一个人体关键点中包括手腕点的情况下，将与该手腕点的距离满足预设条件的位置作为识别区域，对该识别区域的图像进行手势识别处理，得到手势识别结果，可以理解，识别区域会小于目标图像的整体区域，因此能够提升进行手势识别的效率。
参照图3，示出了一种手势识别方法的具体流程图，具体可以包括如下步骤：
步骤201：采用多种尺度处理所述目标图像，得到多个不同尺度的目标图像。
本发明实施例中，多个尺度具体可以是多种像素等，采用多个尺度处理目标图像具体可以是将目标图像转换为多种像素下的图像。相较于只使用一个尺度处理目标图像的方式中，因为唯一的尺度可能不适用于目标图像，因此会导致获取目标图像响应图的效果差等问题，本发明实施例的使用多个尺度处理目标图像，得到多个不同尺度的目标图像后，再针对每个尺度的目标图像进行处理，既能保证精度，又考虑了各人体部位之间的远近距离关系，能得到很好的人体关键点识别效果。
步骤202：针对每个尺度的目标图像，计算各人体部位在该尺度的目标图像中所对应的响应图。
具体应用中，针对每个尺度的目标图像，可以通过卷积姿态模型计算各人体部位在该尺度的目标图像中所对应的响应图。示例的，在卷积姿态模型中可以使用顺序化的卷积架构来表达目标图像的空间信息和纹理信息。顺序化的卷积架构在卷积神经网络分为多个阶段，每一个阶段都有监督训练的部分，前面的阶段使用原始图片作为输入，后面阶段使用之前阶段的特征图作为输入，以融合空间信息、纹理信息和中心约束。
具体来说，在本发明实施例的一种优选实施例中，步骤202可以包括：子步骤B1至子步骤B4。
子步骤B1：通过第一卷积层预测所述尺度的目标图像中各人体部位的第一响应图。
本发明实施例中，参照图4，示出了一种预设卷积姿态模型的框架示意图，子步骤B1的处理过程对应与第一阶段stage1，第一卷积层是一个基本的卷积网络层conves，目标图像通常是彩色图像，彩色图像可以对应为图4的Ori image，在第一阶段从彩色图像直接预测每个人体部位的第一响应图。
示例的，以目标图像包括的是人物的上半身像为例，上半身像在预设卷积姿态模型通常可以对应9个人体部位，具体可以是右肩、右肘、右腕、左肩、左肘、左腕、头顶、脖子8个关键点对应的人体部位以及1个人体中心点的对应部位，参照图5的stage11，stage11对应于图4中的第一阶段stage1，在stage11阶段，需要对应设置上半身像的9个人体部位对应的响应层，以及目标图像的背景对应的响应层，共10层响应层，其中，图5的P表示卷积神经网络中的池化层，C卷积神经网络中的表示卷积层，经过stage11的处理得到该尺寸的目标图像中各人体部位的第一响应图。
子步骤B2：通过第二卷积层根据所述尺度的目标图像和各所述第一响应图，预测所述尺度的目标图像中各人体部位的第二响应图。
本发明实施例中，参照图4，子步骤B2的处理过程对应与第二阶段stage2，第二卷积层是在基本的卷积网络层的基础上增加了串联层concat，第二阶段的串联层对三个内容进行合一，具体的：第一个内容可以是第一响应图；第二个内容可以是根据目标图像分析得到的纹理特征、空间特征；第三个内容可以是卷积网络中的空间约束(Small center map)；进而根据该三个内容预测得到该尺寸的目标图像中各人体部位的第二响应图。
示例的，参照图5，stage22对应于图4中的stage2阶段，在stage22阶段，将stage11阶段输出的第一响应图，以及目标图像的纹理特征、空间特征，及空间约束进行整合处理得到该尺寸的目标图像中各人体部位的第二响应图。
子步骤B3：通过第三卷积层根据各所述第二响应图，以及所述第二卷积层中产生的特征图，预测所述尺度的目标图像中各人体部位的第三响应图。
本发明实施例中，参照图4，子步骤B3的处理过程对应与第三阶段stage3，第三卷积层也是在基本的卷积网络层的基础上增加了串联层concat，在第三阶段不再使用原始目标图像作为输入，示例的，第三阶段可以从第二阶段的第二卷积层中取出一个深度为128的特征图feature image作为输入，然后类似于第二阶段中的使用串联层综合纹理特征、空间特征、中心约束得到第三响应图。
子步骤B4：通过第四卷积层根据各所述第三响应图，以及所述第二卷积层中产生的特征图，预测得到所述尺度的目标图像中各人体部位的响应图。
本发明实施例中，参照图4，子步骤B4的处理过程对应与第四阶段stage4，第四卷积层也是在基本的卷积网络层的基础上增加了串联层concat，示例的，第四阶段也可以从第二阶段中取出一个深度为128的特征图作为输入，然后类似于第三阶段中的使用串联层综合纹理特征、空间特征、中心约束得到第四响应图。
具体应用中，在设计更复杂的网络时，例如目标图像为全身人像时，只需调整部位数量，从上述示例中的10变为15，并重复上述过程即可。本发明实施例对具体识别的人体部位个数不做限定。
本发明实施例中，在子步骤B1至子步骤B4的四个阶段中，每一个阶段都能输出各个人体关键点部位的响应图，但是前三个阶段输出的响应图往往不够准确，第四阶段输出的响应图比较准确，因此本发明实施例以最后一个阶段的响应图(即第四响应图)作为输出，从而能得到准确的响应图输出。
步骤203：针对每个所述人体部位，将各尺度下该人体部位的响应图对应的像素矩阵进行累加计算，得到该人体部位的总响应图像素矩阵。
步骤204：针对每个所述人体部位，将所述该人体部位的总响应图像素矩阵中，最大像素值对应的点确定为该人体部位对应的人体关键点。
本发明实施例中，步骤202和步骤203是确定人体关键点的一种具体实现，对于每个人体部位，累加各尺度下该人体部位的响应图对应的像素矩阵，可以得到各人体部位的总响应图像素矩阵，然后将各人体部位的总响应图像素矩阵中，最大像素值对应的点确定为人体关键点。
可以理解，实际应用中，本领域技术人员可以根据实际应用场景适应设定从响应图到确定人体关键点的方式，本发明实施例对此不作具体限定。
作为本发明实施例的一种优选方式，所述卷积姿态模型可以包括将浮点数计算转化为整数计算的量化层，该量化层将浮点数计算量化为整数计算，通过下述公式实现：
浮点数等于，量化的整数减去标准量化值后与缩放系数的乘积。
具体应用中，卷积姿态模型可以在服务器中进行训练得到，训练预设卷积姿态模型的过程可以为：
先采集多种人体姿态图片作为训练图片，人工标记出关键点的区域和类别，然后使用训练图片训练基于卷积神经网络的浮点数卷积姿态模型；再通过将浮点数卷积姿态模型中的浮点数计算量化为整数计算，得到量化卷积姿态模型，作为本发明实施例的卷积姿态模型。
具体应用中，浮点数的量化原理是将浮点数对应到0-255的整数上，最大值对应于255，而最小值对应于0。两者的对应方法如下所示：
real_value＝scale*(quantized_value-zero_point)
real_value是原始的浮点数，quantized_value是量化以后的整数。Scale是缩放系数，zero_point是实数0对应的量化值。通过这样的转换，可以将浮点数的计算，转变为整数的计算，可以获得显著的人体关键点识别加速，使得本发明实施例的方法可以应用在移动终端等计算能力较弱的终端设备。
步骤205：在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置。
步骤206：对所述识别区域的图像进行手势识别处理，得到手势识别结果。
综上所述，本发明实施例中，发明人发现人体结构中，手与手腕的距离非常近，在目标图像中手与手腕往往是同时出现的，基于该发现，本发明实施例中，将识别的人体关键点作为先验信息，在对目标图像进行人体关键点检测，得到至少一个人体关键点后，将与手腕点距离满足预设条件的位置作为识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行重复、无效的识别，因此，可以大大提升进行手势识别的效率。具体来说，对目标图像进行人体关键点检测，得到至少一个人体关键点后，在该至少一个人体关键点中包括手腕点的情况下，将与该手腕点的距离满足预设条件的位置作为识别区域，对该识别区域的图像进行手势识别处理，得到手势识别结果，可以理解，识别区域会小于目标图像的整体区域，因此能够提升进行手势识别的效率。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图6，示出了一种手势识别装置的框图，该装置具体可以包括：
人体关键点检测模块310，用于对目标图像进行人体关键点检测，得到至少一个人体关键点；
识别区域确定模块320，用于在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；
手势识别模块330，用于对所述识别区域的图像进行手势识别处理，得到手势识别结果。
优选地，参照图7，在图6的基础上，
所述手势识别模块330包括：
手势特征提取子模块3301，用于利用方向梯度直方图HOG，在所述识别区域中提取手势特征；
手势识别子模块3302，用于利用向量机分类器对所述手势特征进行手势识别，得到手势识别结果。
所述手势特征提取子模块3301包括：
像素值得到单元33011，用于将所述识别区域对应的识别图像进行伽马Gamma标准化，得到所述识别图像对应的像素值；
相位幅值得到单元33012，用于根据所述像素值进行梯度计算，得到梯度的相位和幅值；
梯度区间确定单元33013，用于确定所述幅值在所述梯度计算中的梯度区间；
求和单元33014，用于将所述梯度区间对应的初始直方图特征向量与所述相位的和，作为所述梯度区间的直方图特征向量；
手势特征提取单元33015，用于将所述直方图特征向量进行归一化处理，得到手势特征。
所述像素值得到单元33011包括：
灰度图转变子单元330111，用于将所述识别图像转变为灰度图；
压缩子单元330112，用于对所述灰度图进行Gamma压缩。
所述人体关键点检测模块310包括：
多尺度处理子模块3101，用于采用多种尺度处理所述目标图像，得到多个不同尺度的目标图像；
响应图计算子模块3102，用于针对每个尺度的目标图像，计算各人体部位在该尺度的目标图像中所对应的响应图；
总响应图得到子模块3103，用于针对每个所述人体部位，将各尺度下该人体部位的响应图对应的像素矩阵进行累加计算，得到该人体部位的总响应图像素矩阵；
人体关键点得到子模块3104，用于针对每个所述人体部位，将所述该人体部位的总响应图像素矩阵中，最大像素值对应的点确定为该人体部位对应的人体关键点。
所述响应图计算子模块3102包括：
第一响应图预测单元31021，用于通过第一卷积层预测所述尺度的目标图像中各人体部位的第一响应图；
第二响应图预测单元31022，用于通过第二卷积层根据所述尺度的目标图像和各所述第一响应图，预测所述尺度的目标图像中各人体部位的第二响应图；
第三响应图预测单元31023，用于通过第三卷积层根据各所述第二响应图，以及所述第二卷积层中产生的特征图，预测所述尺度的目标图像中各人体部位的第三响应图；
第四响应图预测单元31024，用于通过第四卷积层根据各所述第三响应图，以及所述第二卷积层中产生的特征图，预测得到所述尺度的目标图像中各人体部位的响应图。
本发明实施例中，发明人发现人体结构中，手与手腕的距离非常近，在目标图像中手与手腕往往是同时出现的，基于该发现，本发明实施例中，将识别的人体关键点作为先验信息，在对目标图像进行人体关键点检测，得到至少一个人体关键点后，将与手腕点距离满足预设条件的位置作为识别区域，进行手势识别时只在该识别区域进行识别，不需要对目标图像其他位置进行重复、无效的识别，因此，可以大大提升进行手势识别的效率。具体来说，对目标图像进行人体关键点检测，得到至少一个人体关键点后，在该至少一个人体关键点中包括手腕点的情况下，将与该手腕点的距离满足预设条件的位置作为识别区域，对该识别区域的图像进行手势识别处理，得到手势识别结果，可以理解，识别区域会小于目标图像的整体区域，因此能够提升进行手势识别的效率。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(transitory media)，如调制的数据信号和载波。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程手势识别终端设备的处理器以产生一个机器，使得通过计算机或其他可编程手势识别终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程手势识别终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程手势识别终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种手势识别方法和一种手势识别装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种手势识别方法，其特征在于，所述方法包括：
对目标图像进行人体关键点检测，得到至少一个人体关键点；
在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；
对所述识别区域的图像进行手势识别处理，得到手势识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述识别区域的图像进行手势识别处理，得到手势识别结果，包括：
利用方向梯度直方图HOG，在所述识别区域中提取手势特征；
利用向量机分类器对所述手势特征进行手势识别，得到手势识别结果。
3.根据权利要求2所述的方法，其特征在于，所述利用方向梯度直方图HOG，在所述识别区域中提取手势特征，包括：
将所述识别区域对应的识别图像进行伽马Gamma标准化处理，得到所述识别图像对应的像素值；
根据所述像素值进行梯度计算，得到梯度的相位和幅值；
确定所述幅值在所述梯度计算中的梯度区间；
将所述梯度区间对应的初始直方图特征向量与所述相位的和，作为所述梯度区间的直方图特征向量；
将所述直方图特征向量进行归一化处理，得到手势特征。
4.根据权利要求3所述的方法，其特征在于，所述对所述识别区域中的识别图像进行伽马Gamma标准化，包括：
将所述识别图像转变为灰度图；
对所述灰度图进行Gamma压缩处理。
5.根据权利要求1所述的方法，其特征在于，所述对目标图像进行人体关键点检测，得到至少一个人体关键点，包括：
采用多种尺度处理所述目标图像，得到多个不同尺度的目标图像；
针对每个尺度的目标图像，计算各人体部位在该尺度的目标图像中所对应的响应图；
针对每个所述人体部位，将各尺度下该人体部位的响应图对应的像素矩阵进行累加计算，得到该人体部位的总响应图像素矩阵；
针对每个所述人体部位，将所述该人体部位的总响应图像素矩阵中，最大像素值对应的点确定为该人体部位对应的人体关键点。
6.根据权利要求5所述的方法，其特征在于，所述计算各人体部位在该尺度的目标图像中所对应的响应图，包括：
通过第一卷积层预测所述尺度的目标图像中各人体部位的第一响应图；
通过第二卷积层根据所述尺度的目标图像和各所述第一响应图，预测所述尺度的目标图像中各人体部位的第二响应图；
通过第三卷积层根据各所述第二响应图，以及所述第二卷积层中产生的特征图，预测所述尺度的目标图像中各人体部位的第三响应图；
通过第四卷积层根据各所述第三响应图，以及所述第二卷积层中产生的特征图，预测得到所述尺度的目标图像中各人体部位的响应图。
7.一种手势识别装置，其特征在于，所述装置包括：
人体关键点检测模块，用于对目标图像进行人体关键点检测，得到至少一个人体关键点；
识别区域确定模块，用于在所述至少一个人体关键点中包括手腕点的情况下，确定识别区域，其中，所述识别区域包括：所述目标图像中，与所述手腕点的距离满足预设条件的位置；
手势识别模块，用于对所述识别区域的图像进行手势识别处理，得到手势识别结果。
8.根据权利要求7所述的装置，其特征在于，所述手势识别模块包括：
手势特征提取子模块，用于利用方向梯度直方图HOG，在所述识别区域中提取手势特征；
手势识别子模块，用于利用向量机分类器对所述手势特征进行手势识别，得到手势识别结果。
9.根据权利要求8所述的装置，其特征在于，所述手势特征提取子模块包括：
像素值得到单元，用于将所述识别区域对应的识别图像进行伽马Gamma标准化，得到所述识别图像对应的像素值；
相位幅值得到单元，用于根据所述像素值进行梯度计算，得到梯度的相位和幅值；
梯度区间确定单元，用于确定所述幅值在所述梯度计算中的梯度区间；
求和单元，用于将所述梯度区间对应的初始直方图特征向量与所述相位的和，作为所述梯度区间的直方图特征向量；
手势特征提取单元，用于将所述直方图特征向量进行归一化处理，得到手势特征。
10.根据权利要求9所述的装置，其特征在于，所述像素值得到单元包括：
灰度图转变子单元，用于将所述识别图像转变为灰度图；
压缩子单元，用于对所述灰度图进行Gamma压缩。
11.根据权利要求7所述的装置，其特征在于，所述人体关键点检测模块包括：
多尺度处理子模块，用于采用多种尺度处理所述目标图像，得到多个不同尺度的目标图像；
响应图计算子模块，用于针对每个尺度的目标图像，计算各人体部位在该尺度的目标图像中所对应的响应图；
总响应图得到子模块，用于针对每个所述人体部位，将各尺度下该人体部位的响应图对应的像素矩阵进行累加计算，得到该人体部位的总响应图像素矩阵；
人体关键点得到子模块，用于针对每个所述人体部位，将所述该人体部位的总响应图像素矩阵中，最大像素值对应的点确定为该人体部位对应的人体关键点。
12.根据权利要求11所述的装置，其特征在于，所述响应图计算子模块包括：
第一响应图预测单元，用于通过第一卷积层预测所述尺度的目标图像中各人体部位的第一响应图；
第二响应图预测单元，用于通过第二卷积层根据所述尺度的目标图像和各所述第一响应图，预测所述尺度的目标图像中各人体部位的第二响应图；
第三响应图预测单元，用于通过第三卷积层根据各所述第二响应图，以及所述第二卷积层中产生的特征图，预测所述尺度的目标图像中各人体部位的第三响应图；
第四响应图预测单元，用于通过第四卷积层根据各所述第三响应图，以及所述第二卷积层中产生的特征图，预测得到所述尺度的目标图像中各人体部位的响应图。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的手势识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910088224.5A CN110008818A (zh) | 2019-01-29 | 2019-01-29 | 一种手势识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910088224.5A CN110008818A (zh) | 2019-01-29 | 2019-01-29 | 一种手势识别方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008818A true CN110008818A (zh) | 2019-07-12 |
Family
ID=67165643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910088224.5A Pending CN110008818A (zh) | 2019-01-29 | 2019-01-29 | 一种手势识别方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008818A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084984A (zh) * | 2020-09-15 | 2020-12-15 | 山东鲁能软件技术有限公司 | 一种基于改进的Mask RCNN的扶梯动作检测方法 |
| CN112216030A (zh) * | 2020-08-31 | 2021-01-12 | 厦门宸力科技有限公司 | 智能服药监测方法、智能服药机、智能服药站和管理系统 |
| CN112446251A (zh) * | 2019-08-30 | 2021-03-05 | 深圳云天励飞技术有限公司 | 图像处理方法及相关装置 |
| CN113177472A (zh) * | 2021-04-28 | 2021-07-27 | 北京百度网讯科技有限公司 | 动态手势识别方法、装置、设备以及存储介质 |
| CN113516092A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质及电子装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其系统 |
| CN107928675A (zh) * | 2017-11-22 | 2018-04-20 | 王华锋 | 一种基于深度学习和红点激光相结合的人体躯干测量方法 |
| US20180129872A1 (en) * | 2016-11-09 | 2018-05-10 | Nanjing Avatarmind Robot Technology Co., Ltd. | Visual tracking method and robot based on monocular gesture recognition |
| CN108053469A (zh) * | 2017-12-26 | 2018-05-18 | 清华大学 | 多视角相机下的复杂动态场景人体三维重建方法及装置 |
| CN108182396A (zh) * | 2017-12-25 | 2018-06-19 | 中国电子科技集团公司电子科学研究院 | 一种自动识别拍照行为的方法及装置 |
| CN108229360A (zh) * | 2017-12-26 | 2018-06-29 | 美的集团股份有限公司 | 一种图像处理的方法、设备及存储介质 |
| US10019653B2 (en) * | 2012-11-02 | 2018-07-10 | Faception Ltd. | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person |
| CN108399367A (zh) * | 2018-01-31 | 2018-08-14 | 深圳市阿西莫夫科技有限公司 | 手部动作识别方法、装置、计算机设备及可读存储介质 |
| CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
| CN108647597A (zh) * | 2018-04-27 | 2018-10-12 | 京东方科技集团股份有限公司 | 一种手腕识别方法、手势识别方法、装置和电子设备 |
| CN108876723A (zh) * | 2018-06-25 | 2018-11-23 | 大连海事大学 | 一种灰度目标图像的彩色背景的构建方法 |
| WO2019004686A1 (ko) * | 2017-06-26 | 2019-01-03 | 서울대학교산학협력단 | 손가락 동작 인식을 이용한 키보드 입력 시스템 및 키보드 입력 방법 |
| CN109190559A (zh) * | 2018-08-31 | 2019-01-11 | 深圳先进技术研究院 | 一种手势识别方法、手势识别装置及电子设备 |
-
2019
- 2019-01-29 CN CN201910088224.5A patent/CN110008818A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10019653B2 (en) * | 2012-11-02 | 2018-07-10 | Faception Ltd. | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person |
| US20180129872A1 (en) * | 2016-11-09 | 2018-05-10 | Nanjing Avatarmind Robot Technology Co., Ltd. | Visual tracking method and robot based on monocular gesture recognition |
| CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其系统 |
| WO2019004686A1 (ko) * | 2017-06-26 | 2019-01-03 | 서울대학교산학협력단 | 손가락 동작 인식을 이용한 키보드 입력 시스템 및 키보드 입력 방법 |
| CN107928675A (zh) * | 2017-11-22 | 2018-04-20 | 王华锋 | 一种基于深度学习和红点激光相结合的人体躯干测量方法 |
| CN108182396A (zh) * | 2017-12-25 | 2018-06-19 | 中国电子科技集团公司电子科学研究院 | 一种自动识别拍照行为的方法及装置 |
| CN108053469A (zh) * | 2017-12-26 | 2018-05-18 | 清华大学 | 多视角相机下的复杂动态场景人体三维重建方法及装置 |
| CN108229360A (zh) * | 2017-12-26 | 2018-06-29 | 美的集团股份有限公司 | 一种图像处理的方法、设备及存储介质 |
| CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
| CN108399367A (zh) * | 2018-01-31 | 2018-08-14 | 深圳市阿西莫夫科技有限公司 | 手部动作识别方法、装置、计算机设备及可读存储介质 |
| CN108647597A (zh) * | 2018-04-27 | 2018-10-12 | 京东方科技集团股份有限公司 | 一种手腕识别方法、手势识别方法、装置和电子设备 |
| CN108876723A (zh) * | 2018-06-25 | 2018-11-23 | 大连海事大学 | 一种灰度目标图像的彩色背景的构建方法 |
| CN109190559A (zh) * | 2018-08-31 | 2019-01-11 | 深圳先进技术研究院 | 一种手势识别方法、手势识别装置及电子设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446251A (zh) * | 2019-08-30 | 2021-03-05 | 深圳云天励飞技术有限公司 | 图像处理方法及相关装置 |
| CN112216030A (zh) * | 2020-08-31 | 2021-01-12 | 厦门宸力科技有限公司 | 智能服药监测方法、智能服药机、智能服药站和管理系统 |
| CN112216030B (zh) * | 2020-08-31 | 2022-02-22 | 厦门宸力科技有限公司 | 智能服药监测方法、智能服药机、智能服药站和管理系统 |
| CN112084984A (zh) * | 2020-09-15 | 2020-12-15 | 山东鲁能软件技术有限公司 | 一种基于改进的Mask RCNN的扶梯动作检测方法 |
| CN113177472A (zh) * | 2021-04-28 | 2021-07-27 | 北京百度网讯科技有限公司 | 动态手势识别方法、装置、设备以及存储介质 |
| CN113177472B (zh) * | 2021-04-28 | 2024-03-29 | 北京百度网讯科技有限公司 | 动态手势识别方法、装置、设备以及存储介质 |
| CN113516092A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008818A (zh) | 一种手势识别方法、装置及计算机可读存储介质 | |
| CN110163234B (zh) | 一种模型训练方法、装置和存储介质 | |
| CN109740670B (zh) | 视频分类的方法及装置 | |
| CN112435215B (zh) | 一种基于图像的车辆定损方法、移动终端、服务器 | |
| CN109816009A (zh) | 基于图卷积的多标签图像分类方法、装置及设备 | |
| CN109886330B (zh) | 文本检测方法、装置、计算机可读存储介质和计算机设备 | |
| CN108229303A (zh) | 检测识别和检测识别网络的训练方法及装置、设备、介质 | |
| CN111489401B (zh) | 一种图像颜色恒常性处理方法、系统、设备和存储介质 | |
| US11176427B2 (en) | Overlapping CNN cache reuse in high resolution and streaming-based deep learning inference engines | |
| WO2010043771A1 (en) | Detecting and tracking objects in digital images | |
| CN112150497B (zh) | 基于二值神经网络的局部激活方法与系统 | |
| CN112101344B (zh) | 一种视频文本跟踪方法及装置 | |
| CN111753575A (zh) | 文本识别方法、装置及设备 | |
| CN115797846A (zh) | 一种风力发电叶片区块缺陷比对方法、装置及电子设备 | |
| CN113744280B (zh) | 图像处理方法、装置、设备及介质 | |
| CN111178363A (zh) | 文字识别方法、装置、电子设备以及可读存储介质 | |
| CN113095310B (zh) | 人脸位置检测方法、电子设备和存储介质 | |
| KR101334858B1 (ko) | 나비종 자동분류 시스템 및 방법, 이를 이용한 나비종 자동분류 기능이 구비된 휴대 단말기 | |
| CN117649621A (zh) | 一种伪造视频检测方法、装置及设备 | |
| CN116958873A (zh) | 行人跟踪方法、装置、电子设备及可读存储介质 | |
| CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
| CN111259701B (zh) | 行人再识别方法、装置及电子设备 | |
| CN116486153A (zh) | 图像分类方法、装置、设备及存储介质 | |
| CN116977260A (zh) | 目标物的缺陷检测方法、装置、电子设备及存储介质 | |
| CN116824291A (zh) | 一种遥感图像学习方法、装置以及设备 |
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: 20190712 |