CN110197137A - 一种确定手掌姿势的方法、装置、设备及存储介质 - Google Patents
一种确定手掌姿势的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110197137A CN110197137A CN201910399952.8A CN201910399952A CN110197137A CN 110197137 A CN110197137 A CN 110197137A CN 201910399952 A CN201910399952 A CN 201910399952A CN 110197137 A CN110197137 A CN 110197137A
- Authority
- CN
- China
- Prior art keywords
- hog
- palm
- image
- detected
- characteristic data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004891 communication Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 description 39
- 238000012545 processing Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 210000000282 nail Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004905 finger nail Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000020061 Hand, Foot and Mouth Disease Diseases 0.000 description 1
- 208000025713 Hand-foot-and-mouth disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- 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
- G06V40/11—Hand-related biometrics; Hand pose 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
- G06V40/113—Recognition of static hand signs
-
- 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
- G06V40/117—Biometrics derived from hands
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
本发明公开了一种确定手掌姿势的方法、装置、设备及存储介质,所述方法包括从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。本发明的确定手掌姿势的方法、装置、设备及存储介质,能够确定幼儿的手掌姿势。
Description
技术领域
本发明涉及图像识别和处理技术,具体涉及一种确定手掌姿势的方法、装置、设备及存储介质。
背景技术
为了提高检测效率及检测准确度,很多幼儿园在幼儿的入园晨检环节均采用自动化晨检设备。但是,自动化晨检设备在对幼儿的手掌部位的症状进行检测时(如手足口病),幼儿双手是否掌心朝上、平整打开,对自动化晨检设备的检测结果影响很大。
发明内容
有鉴于此,本发明实施例期望提供一种确定手掌姿势的方法、装置、设备及存储介质,能够确定幼儿的手掌姿势。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种确定手掌姿势的方法,所述方法包括:
从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;
将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
上述方案中,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将各个单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
上述方案中,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
将被测手掌的图像按方位顺序划分为预设数量的图块,每个图块包含9个单元格;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将所述图块内的各个所述单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述图块的HOG特征数列;
将各个图块的HOG特征数列按所述图块的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
上述方案中,所述根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列,包括:
根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列。
上述方案中,所述根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,包括:
将所述单元格内的像素的梯度方向的区间设置为0~180度,并将0~180度的梯度方向区间分为9组,每组的间隔为20度。
上述方案中,在所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较之前,所述方法还包括:
收集预设数量的样本手掌的图像,并从各个所述图像中分别提取出所述图像的HOG特征数据,获取预设数量的样本手掌图像的HOG特征数据。
上述方案中,所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较,包括:
将所述被测手掌图像的HOG特征数据与多个所述样本手掌图像的HOG特征数据通过卡方检验分别进行比较;
根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势,包括:
所述被测手掌图像的HOG特征数据与任意一个所述样本手掌图像的HOG特征数据的卡方值小于阈值,则确定所述被测手掌的姿势不符合要求。
本发明实施例还提供了一种确定手掌姿势的装置,所述装置包括提取模块、比较模块、确定模块;其中,
所述提取模块,用于从被测手掌的图像中,提取出所述被测手掌图像的HOG特征数据;
所述比较模块,用于将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
所述确定模块,用于根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
本发明实施例还提供了一种设备,所述设备包括:存储器、通信总线和处理器,其中:
所述存储器,用于存储确定手掌姿势的方法程序;
所述通信总线,用于实现所述存储器和所述处理器之间的连接通信;
所述处理器,用于执行存储器中存储的确定手掌姿势的方法程序,以实现上面所述的任意一种确定手掌姿势的方法的步骤。
本发明实施例还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有可执行程序,所述可执行程序被处理器执行时实现上面所述的任意一种确定手掌姿势的方法的步骤。
本发明实施例的确定手掌姿势的方法、装置、设备及存储介质,包括从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势;可见,本发明实施例的确定手掌姿势的方法、装置、设备及存储介质,通过提取被测手掌图像的HOG特征数据,并与足够多种类的姿势错误的样本手掌图像的方向梯度直方图HOG(HOG,Histogram of Oriented Gradient)特征数据分别进行比较,以确定被测手掌的手掌姿势是否符合要求。
本发明实施例的其他有益效果将在具体实施方式中结合具体技术方案进一步说明。
附图说明
图1为本发明实施例一确定手掌姿势的方法的流程示意图;
图2为本发明实施例一确定手掌姿势的方法中提取HOG特征的流程示意图;
图3为本发明实施例二确定手掌姿势的装置的结构示意图;
图4为本发明实施例三幼儿园晨检设备的结构示意图。
具体实施方式
本发明实施例提供了一种确定手掌姿势的方法,所述方法包括:从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
本发明的确定手掌姿势的方法、装置、设备及存储介质,通过提取被测手掌图像的HOG特征数据,并与足够多种类的姿势错误的样本手掌图像的HOG特征数据分别进行比较,以确定被测手掌的手掌姿势是否符合要求。
以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一
图1为本发明实施例一确定手掌姿势的方法的流程示意图,所述方法可以由自动化晨检设备实现;如图1所示,所述方法包括:
步骤101:从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;
这里,被测手掌即需要在自动化晨检设备上检测的用户,一般是幼儿园学生的手掌,用自动化晨检设备检测时,会被要求水平摊开手掌、掌心向上、手指不能弯曲;
这里的自动化晨检设备,会有摄像部件扫描所述用户的手掌,在自动化晨检设备的后台一般设置高性能的计算机设备,对摄像部件摄取的内容进行处理,当然,自动化晨检设备可能还有其它检测或提示的部件,由于和本专利无关,不作展开。
在一种实施方式中,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将各个单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
这里,先划分单元格,使单元格包含36个像素,即直方图的样本数量是36个,更符合对人体图像的处理,处理效果更佳、错误率更低,是优选方式。
在一种实施方式中,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
将被测手掌的图像按方位顺序划分为预设数量的图块,每个图块包含9个单元格;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将所述图块内的各个所述单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述图块的HOG特征数列;
将各个图块的HOG特征数列按所述图块的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
这里,在划分单元格的基础上再划分图块,然后根据图块的方位顺序,形成所述被测手掌图像的HOG特征数据,更符合对人体图像的处理,处理效果更佳、错误率更低,是优选方式,另外,一个图块包含9个单元格,也是优选方式。
在一种实施方式中,所述根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列,包括:
根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列。即梯度方向为横轴值,梯度幅值为纵轴值;
本实施例中,将各个像素的梯度幅值累加值作为纵轴值,而不是各个像素落入某一组的个数,实际上是一种加权投影,更能准确反映图像的特征,是优选方式。
在一种实施方式中,所述根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,包括:
将所述单元格内的像素的梯度方向的区间设置为0~180度,并将0~180度的梯度方向区间分为9组,每组的间隔为20度。
这里,将所述单元格内的像素的梯度方向的区间设置为0~180度,即忽略度数正负级的方向范围,对于提取图像的HOG特征数据,能获得更好的处理结果,是优选方式。
具体地,所述提取出所述被测手掌图像的HOG特征数据,可以包括如图2所示的步骤,包括:
步骤1011:灰度化。将所述被测手掌的图像看做一个X、Y、Z(灰度)的三维图像;灰度化之后也叫灰度数字图像,灰度数字图像是每个像素只有一个采样颜色的图像。灰度数字图像中每个像素都有一个灰度值,灰度值是为了表示:由于景物各点的颜色及亮度不同,摄成的黑白照片上或电视接收机重现的黑白图像上各点呈现不同程度的灰色。灰度值是把白色与黑色之间按对数关系分成若干级,也称为“灰度等级”。灰度值的范围一般从0到255,白色为255,黑色为0。因为在本实施例中,颜色信息作用不大,因此转换为灰度图,可以大大减少处理的工作量,是优选方式。
步骤1012:归一化。采用伽马校正(Gamma correction)法对输入图像进行颜色空间的标准化,目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
步骤1013:计算图像中每个像素的梯度。主要是为了捕获轮廓信息,同时进一步弱化光照的干扰;
具体地,每个像素的梯度可以通过表达式(1)、(2)计算:
Gx(x,y)=P(x+1,y)-P(x-1,y) (1)
Gy(x,y)=P(x,y+1)-P(x,y-1) (2)
其中,所述Gx(x,y)为所述像素水平方向的梯度,所述Gy(x,y)为所述像素垂直方向的梯度,所述P(x,y)为所述像素的像素值,从表达式可以看出,一个像素的梯度和该像素相邻像素的像素值有关。
然后,再根据每个像素的梯度计算出每个像素的梯度方向和梯度幅值,见表达式(3)、(4):
步骤1014:将图像划分成多个单元格(cells)。按方位顺序,每个单元格包括6*6=36个像素;
步骤1015:将图像划分成多个图块(blocks)。按方位顺序,每个图块包含3*3=9个单元格,即36*9=324个像素;
步骤1016:制作每个单元格的HOG。将所述单元格内的像素的梯度方向的区间设置为0~180度,并将0~180度的梯度方向区间分为9组,每组的间隔为20度,所述单元格内的像素的梯度幅值累加值作为每组的频率,即梯度方向为横轴,梯度幅值累加值为纵轴;步骤1017:将每个单元格的HOG表示为HOG特征数列。具体地,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;例如,某个单元格,0~20度,有2个像素,2个像素的幅值累加为a1,20~40度,有4个像素,4个像素的幅值累加为a2,.......,160~180度,有3个像素,3个像素的幅值累加为a9,这样,该单元格的HOG特征数列为:a1,a2,a3,a4,a5,a6,a7,a8,a9。
步骤1018:将每个图块表示为HOG特征数列。即,将所述图块内的各个所述单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述图块的HOG特征数列;例如,单元格一的HOG特征数列为:a1,a2,a3,a4,a5,a6,a7,a8,a9,单元格二的HOG特征数列为:b1,b2,b3,b4,b5,b6,b7,b8,b9,.......,则该图块的HOG特征数列为:a1,a2,a3,a4,a5,a6,a7,a8,a9,b1,b2,b3,b4,b5,b6,b7,b8,b9.......,i1,i2,i3,i4,i5,i6,i7,i8,i9。
步骤1019:获取所述被测手掌图像的HOG特征数据。即,将各个图块的HOG特征数列按所述图块的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。例如,该被测手掌图像的HOG特征数据可以是:a1,a2,a3,a4,a5,a6,a7,a8,a9,b1,b2,b3,b4,b5,b6,b7,b8,b9,c1,c2,c3,c4,b5,c6,c7,c8,c9,d1,d2,d3,d4,d5,d6,d7,d8,d9,.......,xy1,xy2,xy3,xy4,xy5,xy6,xy7,xy8,xy9。
具体地,获取所述被测手掌的图像,可以通过滑动窗口检测器,滑动窗口检测器是一种遍历图像的检测方法,从左到右,从上到下滑动窗口,然后利用分类识别目标。这里可以使用不同大小的窗口,因为一张图片可能展示从不同距离观测检测出不同的目标类型。本实施例中,一个窗口可以包含4个图块。
更具体地,所述被测手掌的图像一般摄制为324*324=104976个像素,而一个窗口的大小为四个图块,即324*4=1296个像素,因此,整个被测手掌的图像需要滑动104976/1296=81次才能遍历完,即横向滑动9次,纵向滑动9次。
步骤102:将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
这里,样本手掌图像为手掌姿势不符合要求的图像,即包括手背朝上或手指弯曲等能看到指甲的手掌姿势。
在一种实施方式中,在所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较之前,所述方法还包括:
收集预设数量的样本手掌的图像,并从各个所述图像中分别提取出所述图像的HOG特征数据,获取预设数量的样本手掌图像的HOG特征数据。
这里,获取样本手掌图像的HOG特征数据的方法同获取被测手掌图像的HOG特征数据,这样也便于比较,是优选方式;当然,所述样本手掌图像的HOG特征数据,也可以是现有数据,即其它厂家从指甲图像中提取出特征数据。
为了使样本手掌更具代表性,会通过如下方法收集样本:
(1)首先通过100家幼儿园放置的设备收集小朋友晨检的手部照片,并对手部图像进行筛选,挑选姿势不正确的图像,即手部照片中有出现指甲的照片共5000张。
(2)为避免后续匹配算法匹配时太过耗时,根据这些图像,我们使用随机采样方法抽取500张,并人工截取这些小朋友的指甲图片。为保证模板的多样性,截取时,指甲在图片中的位置和比例各不相同。
在一种实施方式中,所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较,包括:
将所述被测手掌图像的HOG特征数据与多个所述样本手掌图像的HOG特征数据通过卡方检验分别进行比较;
具体地,通过卡方检验进行比较的方法包括:通过表达式(5)计算卡方值,
其中,d为卡方值,H1表示被测手掌的HOG特征数据,H2表示样本手掌的HOG特征数据,由于HOG特征数据是一个数列,因此需要累加。
通过卡方检验来比较两种数据的偏离程度,既准确、又简单,能够理解,也可以采用其它方法来比较两种数据的偏离程度。
步骤103:根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
这里,可以根据上述两种数据的偏离程度,确定被测手掌图像的HOG特征数据是否与所述样本手掌图像非常相似,如果非常相似,则说明不符合要求,否则说明符合要求。
在一种实施方式中,根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势,包括:
所述被测手掌图像的HOG特征数据与任意一个所述样本手掌图像的HOG特征数据的卡方值小于阈值,则确定所述被测手掌的姿势不符合要求。由于各个样本手掌图像中指甲的位置各不相同,但是都是有指甲的,因此只要有一个小于阈值,即非常相似,则说明不符合要求,后面未比较的样本手掌图像也可以不用比较了,这样效率更高,是优选方式。本实施例中,阈值可以是:5~12。
实施例二
图3为本发明实施例二确定手掌姿势的装置的结构示意图,如图3所示,所述装置200包括提取模块201、比较模块202、确定模块203;其中,
所述提取模块201,用于从被测手掌的图像中,提取出所述被测手掌图像的HOG特征数据;
所述比较模块202,用于将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
所述确定模块203,用于根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
在一种实施方式中,所述提取模块201,具体用于:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将各个单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
在一种实施方式中,所述提取模块201,具体用于:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
将被测手掌的图像按方位顺序划分为预设数量的图块,每个图块包含9个单元格;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将所述图块内的各个所述单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述图块的HOG特征数列;
将各个图块的HOG特征数列按所述图块的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
在一种实施方式中,所述提取模块201,还用于:
根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列。
在一种实施方式中,所述提取模块201,还用于:
将所述单元格内的像素的梯度方向的区间设置为0~180度,并将0~180度的梯度方向区间分为9组,每组的间隔为20度。
在一种实施方式中,所述提取模块201还用于,在所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较之前,收集预设数量的样本手掌的图像,并从各个所述图像中分别提取出所述图像的HOG特征数据,获取预设数量的样本手掌图像的HOG特征数据。
在一种实施方式中,所述比较模块202,具体用于:
将所述被测手掌图像的HOG特征数据与多个所述样本手掌图像的HOG特征数据通过卡方检验分别进行比较;
在一种实施方式中,所述确定模块203,具体用于:
所述被测手掌图像的HOG特征数据与任意一个所述样本手掌图像的HOG特征数据的卡方值小于阈值,则确定所述被测手掌的姿势不符合要求。
本发明实施例中的装置200可以为设置在自动化晨检设备中的装置,也可以为与自动化晨检设备连接且通信的独立装置。
在一些实施例中,本发明实施例的装置200可以用于执行上述实施例中所描述的确定手掌姿势的方法,当然也可以包括用于执行上述实施例所描述的确定手掌姿势的方法中的任意流程和/或步骤的模块,为了简洁,不再赘述。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
本发明实施例所包括的各模块,可以通过自动化晨检设备中的处理器来实现;当然也可通过自动化晨检设备中的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
实施例三
如图4所示,本发明实施例还提供了一种自动化晨检设备,所述设备300包括:存储器301、通信总线302和处理器303,其中:
所述存储器301,用于存储确定手掌姿势的方法程序;
所述通信总线302,用于实现所述存储器和所述处理器之间的连接通信;
所述处理器303,用于执行存储器中存储的确定手掌姿势的方法程序,以实现如实施例一所述的方法的步骤。
具体地,所述处理器303可以是基于精简指令集计算机(RISC,ReducedInstruction Set Computer)架构的多核处理器;所述存储器301可以是高容量的磁性存储器。
具体地,所述设备300还包括:外部通信接口304、检测部件305和显示屏306和手掌摄像部件307,其中:
所述外部通信接口304,可以用于与外部的终端通信,外部的终端包括服务器或客户端,所述外部通信接口304可以包括有线接口和无线接口;
所述检测部件305,可以是用于检测手掌症状的摄像部件,当然还可以包括检测身体其它部位症状的其它部件;
所述显示屏306,用于显示检测检测结果或查阅历史资料等;
所述手掌摄像部件307,用于将被测手掌的图像摄制下来,并发送给所述处理器303进行处理。
以上自动化晨检设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本实施例的自动化晨检设备中未披露的技术细节,请参照本发明中方法实施例的描述而理解。
实施例四
本发明实施例还提供了一种计算机可读存储介质,其上存储有可执行程序,所述可执行程序被处理器执行时实现如实施例一所述确定手掌姿势的方法的步骤。
所述计算机可读存储介质可以是高容量的磁性存储器。
以上计算机可读存储介质实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本实施例的计算机可读存储介质中未披露的技术细节,请参照本发明中方法实施例的描述而理解。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
需要说明的是,在本发明实施例记载中,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本发明实施例中如有涉及的术语“第一\第二\第三”,仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。
应理解,说明书通篇中提到的“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。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。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个模块或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,也可以分布到多个网络模块上;可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能模块可以全部集成在一个处理模块中,也可以是各功能模块分别单独作为一个模块,也可以两个或两个以上功能模块集成在一个模块中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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电子设备(可以是个人计算机、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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种确定手掌姿势的方法,其特征在于,所述方法包括:
从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据;
将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
2.根据权利要求1所述的方法,其特征在于,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将各个单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
3.根据权利要求1或2所述的方法,其特征在于,所述从被测手掌的图像中,提取出所述被测手掌图像的方向梯度直方图HOG特征数据,包括:
将被测手掌的图像按方位顺序划分为预设数量的单元格,每个单元格包含36个像素;
将被测手掌的图像按方位顺序划分为预设数量的图块,每个图块包含9个单元格;
根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列;
将所述图块内的各个所述单元格的HOG特征数列按所述单元格的方位顺序排列为新的数列,形成所述图块的HOG特征数列;
将各个图块的HOG特征数列按所述图块的方位顺序排列为新的数列,形成所述被测手掌图像的HOG特征数据。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述单元格内的每个像素的梯度制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列,包括:
根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,将所述HOG中每组的纵坐标值顺序排列,形成所述单元格的HOG特征数列。
5.根据权利要求2或3所述的方法,其特征在于,所述根据所述单元格内的像素的梯度方向分组、所述单元格内的像素的梯度幅值累加值作为频率制作所述单元格的HOG,包括:
将所述单元格内的像素的梯度方向的区间设置为0~180度,并将0~180度的梯度方向区间分为9组,每组的间隔为20度。
6.根据权利要求2或3所述的方法,其特征在于,在所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较之前,所述方法还包括:
收集预设数量的样本手掌的图像,并从各个所述图像中分别提取出所述图像的HOG特征数据,获取预设数量的样本手掌图像的HOG特征数据。
7.根据权利要求4所述的方法,其特征在于,所述将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较,包括:
将所述被测手掌图像的HOG特征数据与多个所述样本手掌图像的HOG特征数据通过卡方检验分别进行比较;
根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势,包括:
所述被测手掌图像的HOG特征数据与任意一个所述样本手掌图像的HOG特征数据的卡方值小于阈值,则确定所述被测手掌的姿势不符合要求。
8.一种确定手掌姿势的装置,其特征在于,所述装置包括提取模块、比较模块、所述确定模块;其中,
所述提取模块,用于从被测手掌的图像中,提取出所述被测手掌图像的HOG特征数据;
所述比较模块,用于将所述被测手掌图像的HOG特征数据与多个样本手掌图像的HOG特征数据分别进行比较;
所述确定模块,用于根据所述被测手掌图像的HOG特征数据与所述样本手掌图像的HOG特征数据的偏离程度,确定所述被测手掌的姿势。
9.一种设备,其特征在于,所述设备包括:存储器、通信总线和处理器,其中:
所述存储器,用于存储确定手掌姿势的方法程序;
所述通信总线,用于实现所述存储器和所述处理器之间的连接通信;
所述处理器,用于执行存储器中存储的确定手掌姿势的方法程序,以实现如权利要求1至7任一项所述的方法的步骤。
10.一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有可执行程序,所述可执行程序被处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399952.8A CN110197137A (zh) | 2019-05-14 | 2019-05-14 | 一种确定手掌姿势的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399952.8A CN110197137A (zh) | 2019-05-14 | 2019-05-14 | 一种确定手掌姿势的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197137A true CN110197137A (zh) | 2019-09-03 |
Family
ID=67752721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910399952.8A Pending CN110197137A (zh) | 2019-05-14 | 2019-05-14 | 一种确定手掌姿势的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197137A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411705A (zh) * | 2010-09-17 | 2012-04-11 | 乐金显示有限公司 | 识别用户的动态器官姿态的方法和接口以及电子利用装置 |
CN102411706A (zh) * | 2010-09-17 | 2012-04-11 | 乐金显示有限公司 | 识别用户的动态器官姿势的方法和接口以及用电装置 |
US20120133580A1 (en) * | 2010-11-30 | 2012-05-31 | Cisco Technology, Inc. | System and method for gesture interface control |
CN102855488A (zh) * | 2011-06-30 | 2013-01-02 | 北京三星通信技术研究有限公司 | 三维手势识别方法和系统 |
CN103914676A (zh) * | 2012-12-30 | 2014-07-09 | 杭州朗和科技有限公司 | 一种在人脸识别中使用的方法和装置 |
CN105046224A (zh) * | 2015-07-16 | 2015-11-11 | 东华大学 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
CN106529461A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道和svm训练器的车型识别算法 |
CN106650554A (zh) * | 2015-10-30 | 2017-05-10 | 成都理想境界科技有限公司 | 静态手势识别方法 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
-
2019
- 2019-05-14 CN CN201910399952.8A patent/CN110197137A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411705A (zh) * | 2010-09-17 | 2012-04-11 | 乐金显示有限公司 | 识别用户的动态器官姿态的方法和接口以及电子利用装置 |
CN102411706A (zh) * | 2010-09-17 | 2012-04-11 | 乐金显示有限公司 | 识别用户的动态器官姿势的方法和接口以及用电装置 |
US20120133580A1 (en) * | 2010-11-30 | 2012-05-31 | Cisco Technology, Inc. | System and method for gesture interface control |
CN102855488A (zh) * | 2011-06-30 | 2013-01-02 | 北京三星通信技术研究有限公司 | 三维手势识别方法和系统 |
CN103914676A (zh) * | 2012-12-30 | 2014-07-09 | 杭州朗和科技有限公司 | 一种在人脸识别中使用的方法和装置 |
CN105046224A (zh) * | 2015-07-16 | 2015-11-11 | 东华大学 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
CN106650554A (zh) * | 2015-10-30 | 2017-05-10 | 成都理想境界科技有限公司 | 静态手势识别方法 |
CN106529461A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道和svm训练器的车型识别算法 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
Non-Patent Citations (3)
Title |
---|
徐云云: "面向智能手机的掌纹识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
徐光柱 等: "《实用性目标检测与跟踪算法原理与应用》", 30 June 2015, 国防工业出版社 * |
王文峰 等: "《MATLAB计算机视觉与机器认知》", 31 August 2017, 北京航空航天大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4772839B2 (ja) | 画像識別方法および撮像装置 | |
CN101639933B (zh) | 图像旋转校正方法及系统、电子设备 | |
US8750573B2 (en) | Hand gesture detection | |
US8792722B2 (en) | Hand gesture detection | |
US8737740B2 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
CN110493595B (zh) | 摄像头的检测方法和装置、存储介质及电子装置 | |
CN109313805A (zh) | 图像处理装置、图像处理系统、图像处理方法和程序 | |
US20190028688A1 (en) | Dynamic calibration of multi-camera systems using multiple multi-view image frames | |
CN110232326B (zh) | 一种三维物体识别方法、装置及存储介质 | |
CN109299663A (zh) | 手写字体识别方法、系统以及终端设备 | |
CN109376631A (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN104902143B (zh) | 一种基于分辨率的图像去噪方法及装置 | |
CN111935479A (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN109313806A (zh) | 图像处理装置、图像处理系统、图像处理方法和程序 | |
CN112287867A (zh) | 一种多摄像头的人体动作识别方法及装置 | |
CN106331848B (zh) | 全景视频的识别方法及设备、播放视频方法及设备 | |
CN111028276A (zh) | 图像对齐方法、装置、存储介质及电子设备 | |
US10395090B2 (en) | Symbol detection for desired image reconstruction | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN113642639A (zh) | 活体检测方法、装置、设备和存储介质 | |
US9245199B2 (en) | Image processing apparatus and image processing method | |
CN114120382A (zh) | 一种人脸识别系统的测试方法、装置、电子设备及介质 | |
CN110197137A (zh) | 一种确定手掌姿势的方法、装置、设备及存储介质 | |
CN112580462A (zh) | 一种特征点选择方法、终端和存储介质 | |
CN111310818B (zh) | 特征描述子确定方法、装置及计算机可读存储介质 |
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: 20190903 |