CN110443154B - 关键点的三维坐标定位方法、装置、电子设备和存储介质 - Google Patents
关键点的三维坐标定位方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110443154B CN110443154B CN201910637874.0A CN201910637874A CN110443154B CN 110443154 B CN110443154 B CN 110443154B CN 201910637874 A CN201910637874 A CN 201910637874A CN 110443154 B CN110443154 B CN 110443154B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- gesture
- key points
- distribution area
- coordinate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 94
- 238000006243 chemical reaction Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000013519 translation Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 210000003811 finger Anatomy 0.000 description 35
- 238000010586 diagram Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 241000203475 Neopanax arboreus Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请涉及图像处理领域,尤其涉及关键点的三维坐标定位方法、装置、电子设备和存储介质,用于定位关键点的三维坐标。该方法为:对获取的手部的静态图像进行检测,确定手势的分布区域,再采用关键点预测算法确定出指定关键点的预测像素坐标,再从指定关键点中筛选出参考关键点并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,坐标系转换参数计算获得指定关键点在拍摄设备坐标系下的三维坐标。这样,解决了只能依赖高成本的外部设备获取手指的三维朝向信息的问题,突破了对应用场景的局限,极大降低了设备成本,而且对于操作者的要求简单,便携性高,有助于此技术在大众范围内的推广。
Description
技术领域
本申请涉及图像处理领域,尤其涉及关键点的三维坐标定位方法、装置、电子设备和存储介质。
背景技术
随着技术的发展,增强现实(Augmented Reality,AR)、虚拟现实(VirtualReality,VR)等技术的应用逐渐普及,人们可以通过手指的动作与虚拟场景中的3D形象进行互动,或者,根据手指定向控制相应的特效功能。这些功能的实现都基于对手指动作的灵敏捕捉,准确的获取手指的三维朝向信息。
相关技术下,通常使用大量的传感器或是带传感器的手套等外部设备获取手指的三维朝向信息。
下面以传统的手指的三维朝向信息获取方法为例,介绍如下:
首先在手部自行定义一些关键点,然后利用深度摄像头或是大量贴在手部的传感器等外设设备采集信息,分析得到手部的深度信息和关键点之间的相对位置关系,然后计算出具体手指的三维朝向信息。
然而,采用上述方法获取手指的三维朝向信息时,由于手部的动作范围很小,用外设设备采集信息时必须使用极专业的深度摄像头或是极灵敏的手部传感器,高昂的成本使这种方式无法在大众范围内普及。另外,由于这些设备的便携性不高,也极大限制了应用场景。
发明内容
本申请实施例提供一种关键点的三维坐标定位方法、装置、电子设备和存储介质,用以解决现有技术中存在只能依赖高成本的外部设备获取手指的三维朝向信息的问题。
本申请实施例提供的具体技术方案如下:
一种关键点的三维坐标定位方法,包括:
通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域;
采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标;
从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数;
基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出所述指定关键点的预测像素坐标之前,进一步包括:
对所述手势的分布区域进行剪裁;
针对剪裁后的所述手势的分布区域重新进行检测,对所述手势的分布区域进行更新。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,进一步包括:
基于所述手势的分布区域中手部的轮廓线,确定所述手势的类别,以及判定所述类别为预设的期望类别。
可选的,所述从指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数,包括:
在所述指定关键点中,筛选出部分关键点作为参考关键点;
基于所述各个参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和所述拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标;
基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数。
可选的,所述基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数,包括:
基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算出坐标系转换因子;
基于所述坐标系转换因子,获得旋转参量集合和平移参量集合;
基于所述旋转参量集合和平移参量集合,以及预设的约束条件,计算出坐标系转换参数。
可选的,所述从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、结合拍摄设备内部参数,计算得到坐标系转换参数之后,进一步包括:
从所述指定关键点中重新筛选出新的参考关键点;
基于所述新的参考关键点在手部局部坐标系中的三维坐标,所述坐标系转换参数和拍摄设备内部参数,计算出所述新的参考关键点在所述手势的分布区域中新的投影像素坐标;
基于所述新的参考关键点在所述手势的分布区域中的预测像素坐标和新的投影像素坐标之间的差值,计算出新的坐标系转换参数;
基于所述新的坐标系转换参数,以及所述指定关键点在手部局部坐标系中的三维坐标,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
一种关键点的三维坐标定位装置,包括:
确定单元,通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域;
预测单元,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标;
计算单元,从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数;
定位单元,基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出所述指定关键点的预测像素坐标之前,所述确定单元进一步用于:
对所述手势的分布区域进行剪裁;
针对剪裁后的所述手势的分布区域重新进行检测,对所述手势的分布区域进行更新。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,所述确定单元进一步用于:
基于所述手势的分布区域中手部的轮廓线,确定所述手势的类别,以及判定所述类别为预设的期望类别。
可选的,所述从指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数时,所述计算单元用于:
在所述指定关键点中,筛选出部分关键点作为参考关键点;
基于所述各个参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和所述拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标;
基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数。
可选的,所述基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数时,所述计算单元进一步用于:
基于所述各个参考坐标点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算出坐标系转换因子;
基于所述坐标系转换因子,获得旋转参量集合和平移参量集合;
基于所述旋转参量集合和平移参量集合,以及预设的约束条件,计算出坐标系转换参数。
可选的,所述计算单元进一步用于:
从所述指定关键点中重新筛选出新的参考关键点;
基于所述新的参考关键点在手部局部坐标系中的三维坐标,所述坐标系转换参数和拍摄设备内部参数,计算出所述新的参考关键点在所述手势的分布区域中新的投影像素坐标;
基于所述新的参考关键点在所述手势的分布区域中的预测像素坐标和新的投影像素坐标之间的差值,计算出新的坐标系转换参数;
所述定位单元进一步用于:
基于所述新的坐标系转换参数,以及所述指定关键点在手部局部坐标系中的三维坐标,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现上述任一种关键点的三维坐标定位方法。
一种存储介质,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行上述任一种关键点的三维坐标定位方法。
本申请实施例提供一种关键点的三维坐标定位方法、装置、电子设备和存储介质,通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域,然后,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标,接着,从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数,最后,基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。可见,本申请所述关键点的三维坐标定位装置,突破了对应用场景的局限,极大降低了设备成本,而且对于操作者的要求简单,便携性高,有助于此技术在大众范围内普遍的推广。
附图说明
图1为本申请实施例中关键点三维坐标定位流程示意图;
图2为本申请实施例中图像检测示意图;
图3为本申请实施例中手势造型识别示意图;
图4为本申请实施例中重新检测示意图;
图5为本申请实施例中不可交互类别手势造型示意图;
图6为本申请实施例中关键点定义示意图;
图7为本申请实施例中可交互类别关键点预测像素坐标预测示意图;
图8为本申请实施例中参考关键点重新选取示意图;
图9为本申请实施例中电子设备逻辑结构示意图;
图10为本申请实施例中电子设备实体结构示意图。
具体实施方式
为了解决现有技术中存在的只能依赖高成本的外部设备获取手指的三维朝向信息的问题,本申请从色彩模式(Red Green Blue,RGB)图像中预测指定关键点在图像中的二维坐标,进而优化出所述指定关键点对应手指的三维朝向信息。
下面结合附图对本申请优选的实施例作出进一步详细说明。
参见图1所示,本申请实施例中,手指的三维朝向信息的确定过程如下:
步骤101:通过拍摄设备获得手部的RGB图像。
具体的,电子设备获取RGB图像时,可以通过照相设备直接拍摄获得手部的RGB图像,也可以通过录像设备录制视频流,并从视频流中截取RGB图像。
本申请中,仅以RGB图像为例进行说明,实际应用中,可以选取其他制式的静态图像,在此不再赘述。
步骤102:采用手势检测算法对所述RGB图像进行检测,在所述RGB图像中识别出手势的分布区域以及手势的类别。
具体的,手势检测算法是基于深度学习的卷积神经网络算法(ConvolutionalNeural Networks,CNN),此算法的目标函数为损失函数(Smooth-L1)和交叉熵函数(CrossEntropy Loss),其中,损失函数用于识别手势的分布区域,交叉熵函数用于识别手势的类别。
具体的,上述各类函数的具体实现过程为已有技术下的成熟技术,在此不再赘述。
例如,参阅图2所示,在一个RGB图像中,电子设备识别到手势的分布区域为区域1。
进一步的,电子设备对RGB图像进行深入检测,根据手部的轮廓线,识别出手势的类别。
本申请中,假设将手势的类别分为可交互类别和不可交互类别。其中,可交互类别是指,至少一个手指处于伸直状态,这样,用户可以通过所述至少一个手指与虚拟现实或增强现实的应用场景进行互动;相应的,不可交互类别是指,所有手指均未处于伸直状态(如,握拳)。当然,手势的类别还有多种划分方式,为了便于描述,后续申请说明中,仅以上述两种类别为例介绍。
例如,参阅图3所示,在智能终端通过识别手部的轮廓线,确定RGB图像的区域1中的手势为五指张开造型,进而识别出该手势的类别属于可交互类别。
步骤103:依据对RGB图像的检测结果,在RGB图像中对所述手势的分布区域进行单独剪裁,并再次使用手势检测算法对剪裁获得的手势的分布区域进行检测,进一步确定手势的类别。
本申请中,之所以再次使用手势检测算法对剪裁获得的手势的分布区域进行检测,是因为:初次检测时,是针对RGB图像进行整体检测,其像素检测范围过大,检测结果可能出现误差,因此,可选的,可以针对手势的分布区域进行再次检测,以保证最终识别出的手势的类别的准确性。
例如,参阅图4所示,电子设备将识别出的手势的分布区域从RGB图像中裁剪出来,标记为区域1,接着,对区域1进行重新检测,具体的,电子设备通过识别手部的轮廓线,确定区域1中的手势为五指张开造型,进而确定该手势的类别属于可交互类别。
当然,如果能够确定执行步骤102后获得的手势的类别是准确的,则也可以不执行步骤103。
步骤104:基于确定了的手势的类别,判断手势的类别是否为期望类别。若是,执行步骤106,否则,执行步骤105。
所述期望类别,可以是可进行特效化处理的手势的类别或在虚拟现实或是增强现实中的可交互类别。本申请中,期望类别是指在虚拟现实或是增强现实中的可交互类别,具体表现为,至少一个手指处于伸直状态,这样,用户可以通过所述至少一个手指与虚拟现实或增强现实的应用场景进行互动。对比的,不可交互类别为手指均未处于伸直状态(如,握拳)。
进一步的,电子设备通过判断所检测出手势的类别是否属于期望类别,对满足期望类别要求的RGB图像进行进一步处理。
参阅图4、图5对比所示,图4中,电子设备检测到RGB图像的区域1中,手势为五指张开的造型,则确定该手势为可交互类别,即,属于期望类别。而图5中,电子设备检测到RGB图像的区域1中,手势为握拳的造型,则确定该手势不属于期望类别。
步骤105:删除所述RGB图像,并结束当前流程。
由于在RGB图像中检测到的手势的类别不属于期望类别,因此电子设备不会再针对该手势作进一步分析,则将包含该手势的RGB图像删除。
进一步的,如果还有其他RGB图像需要处理,则电子设备会继续获取下一个RGB图像,采用相同的方式进行处理在,在此不再赘述。
步骤106:采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标。
具体的,关键点预测算法是基于CNN网络对RGB图像中指定关键点的像素坐标进行预测,因此,预测结果又可称为预测像素坐标,此算法的目标函数为损失函数(Smooth-L1或L2),另外,预测像素坐标为所述指定关键点在RGB图像坐标系下的二维坐标。
上述各类函数的具体实现过程为已有技术下的成熟技术,在此不再赘述。
具体的,本申请中定义每个手部(左手或右手)均包含21个关键点,所述关键点为能确定手势(如,手部姿态,手指朝向等等)的像素点,如,手指关键点、手掌关键点,其中,所述指定关键点可以为所述指定关键点或是选定的部分关键点,下面仅以确定出所述指定关键的预测像素坐标为例进行说明。
参阅图6所示,以OK手势为例,关键点0、5、9、13、17为手掌关键点,关键点1、2、3、4为大拇指关键点,关键点5、6、7、8为食指关键点,关键点9、10、11、12为中指关键点,关键点13、14、15、16为无名指关键点,关键点17、18、19、20为小拇指关键点。由于期望类别要求至少一个手指处于伸直状态,任何一个或多个伸直的手指都可与虚拟现实或增强现实的应用场景进行互动,但选择的手指越多,能够自由运动的手势越少,为表述方便,仅以食指伸直状态为例进行说明。
进一步的,参阅图7所示,关键点0、5、9、13、17作为手掌关键点确定了手掌平面,食指伸直,则关键点5、6、7、8作为食指关键点确定了食指连接线,进而,形成了关键点之间相对位置固定的手势。采用关键点预测算法可以得到所述指定关键点的预测像素坐标,如,关键点0(7,2)、关键点5(14,9)。
步骤107:在获得的所述指定关键点中筛选出参考关键点,并基于所述参考关键点的预测像素坐标以及在手部局部坐标系中的三维坐标、拍摄设备内部参数,计算出坐标系转换参数。
具体的,所述指定关键点可以为各个关键点或是选定的部分关键点,下面仅以将各个关键点作为指定关键点,从中筛选出参考关键点为例进行说明。本申请中,假设先将利用关键点预测算法标定的手掌关键点设置为参考关键点,并假设所述参考关键点对应的手部区域为刚体,所述刚体为运动中形状,大小,内部各点的相对位置都不变的物体。当然,所述参考关键点也可以都选用手指关键点,为表述方便,以下仅对手掌关键点作为所述参考关键点的情况进行详细描述。
首先,电子设备基于所述参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标。
具体的,电子设备可以采用以下公式(1)计算所述参考关键点在手势的分布区域中的投影像素坐标:
其中,为所述参考关键点在手势的分布区域中的投影像素坐标,K为拍摄设备内部参数(如,相机焦距、缩放参数等等),Th-c(0)为坐标系转换参数初始值,为参考关键点在手部局部坐标系下的三维坐标,所述手部局部坐标系为以手部任一关键点为原点建立的三维坐标系,并根据各个关键点之间的相对位置来确定所述参考关键点的在手部局部坐标系下的三维坐标。
其次,基于所述参考关键点的在手势的分布区域中的投影像素坐标和预测像素坐标之间的差值,计算出坐标系转换参数。
具体的,可以先采用公式(2)计算出坐标系转换因子θ:
进一步的,根据最小二乘法对坐标系转换因子θ进行优化,得到坐标系转换因子θ的最优解。
接着,可以根据坐标系转换因子θ重新计算坐标系转换参数Th-c。
Th-c为所述参考关键点由手部局部坐标系转换到拍摄设备坐标系时的坐标系转换参数,所述拍摄设备坐标系为以拍摄设备中心为原点建立的坐标系。
具体的,坐标系转换参数Th-c为一个三行四列的矩阵,具体组成为[R3×3 T3×1],其中,R3×3为旋转子矩阵,且满足约束条件旋转子矩阵R3×3为正交矩阵且det(R3×3)=1,而T3×1为平移子矩阵。基于上述约束条件,旋转子矩阵R3×3和平移子矩阵T3×1可通过参量T(θ)的旋转参量集合和平移参量集合确定,而旋转参量集合和平移参量集合中元素的值取决于坐标系转换因子θ,故可通过坐标系转换因子θ的值反推出坐标系转换参数Th-c。
T(θ)的旋转参量集合中包含三个旋转参数,平移参量集合中包含三个平移参数,所述三个旋转参数具体为在X轴,Y轴,Z轴的旋转角度,具体的,拍摄设备坐标系经过X轴,Y轴,Z轴三个方向角度的旋转可以与手部局部坐标系的朝向相同,所述三个平移参数分别为在X轴,Y轴,Z轴的平移距离,具体的,从拍摄设备坐标系的原点经过X轴,Y轴,Z轴三个方向的平移可以与手部局部坐标系的原点重合。即,结合三个旋转参数和三个平移参数可以实现拍摄设备坐标系与手部局部坐标系的完全重合。
步骤108:基于获得的坐标系转换参数,以及指定关键点在手部局部坐标系下的三维坐标、拍摄设备内部参数,分别计算指定关键点在拍摄设备坐标系下的三维坐标。
具体的,可以采用公式(3)计算出指定关键点在拍摄设备坐标系下的三维坐标,其中,所述指定关键点可以为各个关键点或是选定的部分关键点,下面仅以各个关键作为指定关键点为例,说明所述指定关键点在拍摄设备坐标系下的三维坐标的计算过程:
这样,电子设备便可以基于所述指定关键点在RGB图像中的像素坐标,成功推测出来所述指定关键点在拍摄设备坐标系下的三维坐标,进而获知手指的三维朝向信息,从而无需依靠高成本的外部设备获得手指的三维朝向信息。
基于上述申请,进一步地,电子设备可以利用步骤107得到的坐标系转换参数Th-c的值以及步骤108的计算方法,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
具体的,电子设备可以从所述指定关键点中重新筛选出新的参考关键点,如,参阅图8所示,新的参考关键点可以是手掌关键点和手指关键点。
利用步骤107中将手掌关键点作为参考关键点时,计算得到的坐标系转换参数Th-c的值作为新的初始值,采用公式(4),重新计算新的参考关键点在手势的分布区域中的投影像素坐标:
其中,为新的参考关键点在手势的分布区域中的投影像素坐标,K为拍摄设备内部参数(如,相机焦距、缩放参数等等),Th-c为坐标系转换参数,具体为步骤107计算得到的坐标系转换参数值,为所述新的参考关键点在手部局部坐标系下的三维坐标。
接着,使用步骤107和步骤108所述的公式(2)和公式(3),重新计算出所述新的参考关键点在拍摄设备坐标系下的三维坐标,进而,可以实现重新计算出所述指定关键点在拍摄设备坐标系下的三维坐标。
本申请中,之所以重新计算所述指定关键点在拍摄设备坐标系下的三维坐标,是因为:初次计算时,使用的是电子设备预设的坐标系转换参数初始值,因而计算结果可能出现误差,因此,利用初次计算后得到的坐标系转换参数重新计算,可以实现对所述指定关键点在拍摄设备坐标系下的三维坐标的优化。
基于上述实施例,参阅图9所示,本申请实施例中,电子设备至少包括:
确定单元901,通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域;
预测单元902,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标;
计算单元903,从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数;
定位单元904,基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,所述确定单元901进一步用于:
对所述手势的分布区域进行剪裁;
针对剪裁后的所述手势的分布区域重新进行检测,对所述手势的分布区域进行更新。
可选的,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,所述确定单元902进一步用于:
基于所述手势的分布区域中手部的轮廓线,确定所述手势的类别,以及判定所述类别为预设的期望类别。
可选的,所述从所述指定关键点中筛选出参考关键点,并基于所述指定参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数时,所述计算单元903用于:
在所述指定关键点中,筛选出部分关键点作为参考关键点;
基于所述指定参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和所述拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标;
基于所述指定参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数。
可选的,基于所述指定参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数时,所述计算单元903进一步用于:
基于所述指定参考坐标点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算出坐标系转换因子;
基于所述坐标系转换因子,获得旋转参量集合和平移参量集合;
基于所述旋转参量集合和平移参量集合,以及预设的约束条件,计算出坐标系转换参数。
可选的,所述计算单元进一步用于:
从所述指定关键点中重新筛选出新的参考关键点;
基于所述新的参考关键点在手部局部坐标系中的三维坐标,所述坐标系转换参数和拍摄设备内部参数,计算出所述新的参考关键点在所述手势的分布区域中新的投影像素坐标;
基于所述新的参考关键点在所述手势的分布区域中的预测像素坐标和新的投影像素坐标之间的差值,计算出新的坐标系转换参数;
所述定位单元进一步用于:
基于所述新的坐标系转换参数,以及所述指定关键点在手部局部坐标系中的三维坐标,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
基于同一申请构思,参阅图10所示,本申请实施例中提出一种电子设备,所述电子设备至少包括:存储器1001和处理器1002,其中,
存储器1001,用于存储可执行指令;
处理器1002,用于读取并执行所述存储器1001中存储的可执行指令,以实现上述任一种方法。
基于同一申请构思,本申请实施例中提供一种存储介质,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行上述任一种方法。
综上所述,本申请实施例提供一种关键点的三维坐标定位方法、装置、电子设备和存储介质,通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域,然后,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标,接着,从所述指定关键点中筛选出参考关键点,并基于所述参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数,最后,基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。可见,本申请所述关键点的三维坐标定位装置,突破了对应用场景的局限,极大降低了设备成本,而且对于操作者的要求简单,便携性高,有助于此技术在大众范围内普遍的推广。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,使得在计算机或其他可编程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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作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申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种关键点的三维坐标定位方法,其特征在于,包括:
通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域;
基于所述手势的分布区域中手部的轮廓线,确定所述手势的类别,以及判定所述类别为预设的期望类别后,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标;
从所述指定关键点中筛选出参考关键点,并基于各个参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和所述拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标;基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算出坐标系转换因子;基于所述坐标系转换因子,获得旋转参量集合和平移参量集合;基于所述旋转参量集合和平移参量集合,以及预设的约束条件,计算出坐标系转换参数,其中,所述约束条件为坐标系转换参数中的旋转子矩阵为正交矩阵且数值为1;
基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。
2.如权利要求1所述的方法,其特征在于,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,进一步包括:
对所述手势的分布区域进行剪裁;
针对剪裁后的所述手势的分布区域重新进行检测,对所述手势的分布区域进行更新。
3.如权利要求1-2中任一项所述的方法,其特征在于,所述从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数,包括:
在所述指定关键点中,筛选出部分关键点作为参考关键点;
基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数。
4.如权利要求1-2中任一项所述的方法,其特征在于,所述从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、结合拍摄设备内部参数,计算得到坐标系转换参数之后,进一步包括:
从所述指定关键点中重新筛选出新的参考关键点;
基于所述新的参考关键点在手部局部坐标系中的三维坐标,所述坐标系转换参数和拍摄设备内部参数,计算出所述新的参考关键点在所述手势的分布区域中新的投影像素坐标;
基于所述新的参考关键点在所述手势的分布区域中的预测像素坐标和新的投影像素坐标之间的差值,计算出新的坐标系转换参数;
基于所述新的坐标系转换参数,以及所述指定关键点在手部局部坐标系中的三维坐标,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
5.一种关键点的三维坐标定位装置,其特征在于,包括:
确定单元,通过拍摄设备获取手部的静态图像,并对所述静态图像进行检测,确定手势的分布区域,基于所述手势的分布区域中手部的轮廓线,确定所述手势的类别,以及判定所述类别为预设的期望类别;
预测单元,采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标;
计算单元,从所述指定关键点中筛选出参考关键点,并基于各个参考关键点在手部局部坐标系中的三维坐标,坐标系转换参数的预设初始值和所述拍摄设备内部参数,分别计算每一个参考关键点在所述手势的分布区域中的投影像素坐标;基于所述各个参考坐标点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算出坐标系转换因子;基于所述坐标系转换因子,获得旋转参量集合和平移参量集合;基于所述旋转参量集合和平移参量集合,以及预设的约束条件,计算出坐标系转换参数,其中,所述约束条件为坐标系转换参数中的旋转子矩阵为正交矩阵且数值为1;
定位单元,基于所述坐标系转换参数,以及所述指定关键点在手部局部坐标系下的三维坐标,获得所述指定关键点在拍摄设备坐标系下的三维坐标。
6.如权利要求5所述的装置,其特征在于,所述对所述静态图像进行检测,确定手势的分布区域之后,所述采用关键点预测算法,在所述手势的分布区域中确定出指定关键点的预测像素坐标之前,所述确定单元进一步用于:
对所述手势的分布区域进行剪裁;
针对剪裁后的所述手势的分布区域重新进行检测,对所述手势的分布区域进行更新。
7.如权利要求5-6中任一项所述的装置,其特征在于,所述从所述指定关键点中筛选出参考关键点,并基于各个参考关键点的预测像素坐标、手部局部坐标系下的三维坐标、拍摄设备内部参数,计算得到坐标系转换参数时,所述计算单元用于:
在所述指定关键点中,筛选出部分关键点作为参考关键点;
基于所述各个参考关键点在所述手势的分布区域中的预测像素坐标和投影像素坐标之间的差值,计算坐标系转换参数。
8.如权利要求5-6中任一项所述的装置,其特征在于,所述计算单元进一步用于:
从所述指定关键点中重新筛选出新的参考关键点;
基于所述新的参考关键点在手部局部坐标系中的三维坐标,所述坐标系转换参数和拍摄设备内部参数,计算出所述新的参考关键点在所述手势的分布区域中新的投影像素坐标;
基于所述新的参考关键点在所述手势的分布区域中的预测像素坐标和新的投影像素坐标之间的差值,计算出新的坐标系转换参数;
所述定位单元进一步用于:
基于所述新的坐标系转换参数,以及所述指定关键点在手部局部坐标系中的三维坐标,重新计算所述指定关键点在拍摄设备坐标系下的三维坐标。
9.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现如权利要求1至4中任一项所述的关键点的三维坐标定位方法。
10.一种存储介质,其特征在于,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行如权利要求1至4中任一项所述的关键点的三维坐标定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637874.0A CN110443154B (zh) | 2019-07-15 | 2019-07-15 | 关键点的三维坐标定位方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637874.0A CN110443154B (zh) | 2019-07-15 | 2019-07-15 | 关键点的三维坐标定位方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443154A CN110443154A (zh) | 2019-11-12 |
CN110443154B true CN110443154B (zh) | 2022-06-03 |
Family
ID=68430333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910637874.0A Active CN110443154B (zh) | 2019-07-15 | 2019-07-15 | 关键点的三维坐标定位方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443154B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114556268B (zh) * | 2019-11-20 | 2023-10-27 | Oppo广东移动通信有限公司 | 一种姿势识别方法及装置、存储介质 |
CN110942007B (zh) * | 2019-11-21 | 2024-03-05 | 北京达佳互联信息技术有限公司 | 手部骨骼参数确定方法、装置、电子设备和存储介质 |
CN110991319B (zh) * | 2019-11-29 | 2021-10-19 | 广州市百果园信息技术有限公司 | 手部关键点检测方法、手势识别方法及相关装置 |
CN111103981B (zh) * | 2019-12-20 | 2024-06-11 | 北京奇艺世纪科技有限公司 | 控制指令生成方法及装置 |
CN112115799B (zh) * | 2020-08-24 | 2023-12-26 | 青岛小鸟看看科技有限公司 | 基于标记点的三维手势的识别方法、装置及设备 |
CN112416134A (zh) * | 2020-12-10 | 2021-02-26 | 华中科技大学 | 一种快速生成手部关键点数据集的装置及方法 |
CN112767415B (zh) * | 2021-01-13 | 2024-07-30 | 深圳瀚维智能医疗科技有限公司 | 胸部扫查区域自动确定方法、装置、设备及存储介质 |
CN113706606B (zh) * | 2021-08-12 | 2024-04-30 | 新线科技有限公司 | 确定隔空手势位置坐标的方法及装置 |
CN113724317B (zh) * | 2021-08-31 | 2023-09-29 | 南京未来网络产业创新有限公司 | 手部关节定位及局部区域面积计算方法、处理器和存储器 |
CN114581535B (zh) * | 2022-03-03 | 2023-04-18 | 北京深光科技有限公司 | 图像中用户骨关键点标注方法、装置、存储介质及设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2346525A (en) * | 1997-07-25 | 2000-08-09 | Motorola Inc | Neural network providing spatial parameters when stimulated by linguistic parameters of speech |
CN102657532A (zh) * | 2012-05-04 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于人体姿态识别的身高测量方法及装置 |
CN104935909A (zh) * | 2015-05-14 | 2015-09-23 | 清华大学深圳研究生院 | 一种基于深度信息的多幅图超分辨方法 |
CN105718878A (zh) * | 2016-01-19 | 2016-06-29 | 华南理工大学 | 基于级联卷积神经网络的第一视角空中手写和空中交互方法 |
CN106052675A (zh) * | 2016-05-27 | 2016-10-26 | 中国人民解放军海军总医院 | 人体运动与姿态监测装置和方法 |
CN106648103A (zh) * | 2016-12-28 | 2017-05-10 | 歌尔科技有限公司 | 一种vr头戴设备的手势跟踪方法和vr头戴设备 |
CN107992858A (zh) * | 2017-12-25 | 2018-05-04 | 深圳市唯特视科技有限公司 | 一种基于单一rgb帧的实时三维手势估计方法 |
WO2018099556A1 (en) * | 2016-11-30 | 2018-06-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
CN109145802A (zh) * | 2018-08-14 | 2019-01-04 | 清华大学 | 基于Kinect的多人手势人机交互方法及装置 |
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN109712080A (zh) * | 2018-10-12 | 2019-05-03 | 迈格威科技有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN109858524A (zh) * | 2019-01-04 | 2019-06-07 | 北京达佳互联信息技术有限公司 | 手势识别方法、装置、电子设备及存储介质 |
CN109977791A (zh) * | 2019-03-04 | 2019-07-05 | 山东海博科技信息系统股份有限公司 | 一种手部生理信息检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9372540B2 (en) * | 2011-04-19 | 2016-06-21 | Lg Electronics Inc. | Method and electronic device for gesture recognition |
-
2019
- 2019-07-15 CN CN201910637874.0A patent/CN110443154B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2346525A (en) * | 1997-07-25 | 2000-08-09 | Motorola Inc | Neural network providing spatial parameters when stimulated by linguistic parameters of speech |
CN102657532A (zh) * | 2012-05-04 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于人体姿态识别的身高测量方法及装置 |
CN104935909A (zh) * | 2015-05-14 | 2015-09-23 | 清华大学深圳研究生院 | 一种基于深度信息的多幅图超分辨方法 |
CN105718878A (zh) * | 2016-01-19 | 2016-06-29 | 华南理工大学 | 基于级联卷积神经网络的第一视角空中手写和空中交互方法 |
CN106052675A (zh) * | 2016-05-27 | 2016-10-26 | 中国人民解放军海军总医院 | 人体运动与姿态监测装置和方法 |
WO2018099556A1 (en) * | 2016-11-30 | 2018-06-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure |
CN106648103A (zh) * | 2016-12-28 | 2017-05-10 | 歌尔科技有限公司 | 一种vr头戴设备的手势跟踪方法和vr头戴设备 |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
CN107992858A (zh) * | 2017-12-25 | 2018-05-04 | 深圳市唯特视科技有限公司 | 一种基于单一rgb帧的实时三维手势估计方法 |
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN109145802A (zh) * | 2018-08-14 | 2019-01-04 | 清华大学 | 基于Kinect的多人手势人机交互方法及装置 |
CN109712080A (zh) * | 2018-10-12 | 2019-05-03 | 迈格威科技有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN109858524A (zh) * | 2019-01-04 | 2019-06-07 | 北京达佳互联信息技术有限公司 | 手势识别方法、装置、电子设备及存储介质 |
CN109977791A (zh) * | 2019-03-04 | 2019-07-05 | 山东海博科技信息系统股份有限公司 | 一种手部生理信息检测方法 |
Non-Patent Citations (2)
Title |
---|
Recognition of Malaysian Sign Language Using Skeleton Data with Neural Network;Sutarman等;《2015 International Conference on Science in Information Technology (ICSITech)》;20151231;第231-236页 * |
基于关键点的儿童鼠标外形设计;张丙辰等;《机械工程学报》;20120831;第48卷(第15期);第158-163页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443154A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443154B (zh) | 关键点的三维坐标定位方法、装置、电子设备和存储介质 | |
CN103098076B (zh) | 电视机控制用手势识别系统 | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN111158467A (zh) | 一种手势交互方法和终端 | |
CN109255324A (zh) | 手势处理方法、交互控制方法及设备 | |
JP2018533805A (ja) | 顔位置追跡方法、装置及び電子デバイス | |
US11308655B2 (en) | Image synthesis method and apparatus | |
CN109685060A (zh) | 图像处理方法和装置 | |
CN108717709A (zh) | 图像处理系统及图像处理方法 | |
CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
CN110245641A (zh) | 一种目标追踪拍摄方法、装置、电子设备 | |
CN112232240B (zh) | 一种基于优化交并比函数的道路抛洒物检测与识别方法 | |
CN107272899B (zh) | 一种基于动态手势的vr交互方法、装置及电子设备 | |
CN109525786A (zh) | 视频处理方法、装置、终端设备及存储介质 | |
CN108447105A (zh) | 一种全景图像的处理方法及装置 | |
CN104766332B (zh) | 一种图像处理方法及电子设备 | |
CN114693779A (zh) | 用于确定手部三维关键点的方法及装置 | |
JP2009211563A (ja) | 画像認識装置、画像認識方法、画像認識プログラム、ジェスチャ動作認識システム、ジェスチャ動作認識方法、及びジェスチャ動作認識プログラム | |
JP2021000694A (ja) | ロボット教示装置及びロボットシステム | |
WO2024012463A1 (zh) | 一种定位方法及装置 | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN114004891A (zh) | 一种基于目标追踪的配网线路巡检方法及相关装置 | |
TWI507919B (zh) | 追蹤與記錄指尖軌跡的影像處理方法 | |
CN115375856B (zh) | 三维重建方法、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |