CN110751082A - 一种智能家庭娱乐系统手势指令识别方法 - Google Patents

一种智能家庭娱乐系统手势指令识别方法 Download PDF

Info

Publication number
CN110751082A
CN110751082A CN201910986742.9A CN201910986742A CN110751082A CN 110751082 A CN110751082 A CN 110751082A CN 201910986742 A CN201910986742 A CN 201910986742A CN 110751082 A CN110751082 A CN 110751082A
Authority
CN
China
Prior art keywords
particles
gesture
gesture instruction
intelligent home
home entertainment
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.)
Granted
Application number
CN201910986742.9A
Other languages
English (en)
Other versions
CN110751082B (zh
Inventor
李星瑶
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.)
Yantai Aiyi New Energy Co Ltd
Original Assignee
Yantai Aiyi New Energy Co Ltd
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 Yantai Aiyi New Energy Co Ltd filed Critical Yantai Aiyi New Energy Co Ltd
Priority to CN201910986742.9A priority Critical patent/CN110751082B/zh
Publication of CN110751082A publication Critical patent/CN110751082A/zh
Application granted granted Critical
Publication of CN110751082B publication Critical patent/CN110751082B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)
  • Multimedia (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种智能家庭娱乐系统手势指令识别方法。主要包括：A.建立智能家庭娱乐系统手势指令识别模型，通过摄像头采集图像，检测图像中的手势，从视频中进行分割；B.根据手势指令识别系统状态的先验概率密度分布产生粒子，通过调整粒子的权值近似后验概率密度分布，实现手势跟踪；C.通过自适应佳点集遗传算法增加粒子的多样性并扩大粒子的分布区域，避免了粒子的退化；D.通过像素梯度提取手势指令特征向量，与训练样本匹配分类，完成智能家庭娱乐系统手势指令识别。该方法具有较好的鲁棒性和稳定性，对手势图像进行双边投影处理，降低肤色和阴影干扰，通过对粒子的迭代优化降低计算量，提高系统识别的实时性，准确判断手势指令，增强用户体验真实度。

Description

一种智能家庭娱乐系统手势指令识别方法
技术领域
本发明涉及一种智能家庭娱乐系统手势指令识别方法，属于智能家居、图像识别、遗传算法领域。
背景技术
智能家庭娱乐风暴正在席卷，动态手势识别在家庭娱乐系统中通过用手势发出各种操作指令。现有的手势识别技术动态目标检测困难，无法准确实时地跟踪连续视频帧中的手势，易导致运动模糊、形变等现象。手势含有大量冗余信息导致计算量大，识别较慢，手势动作的不确定性导致手势识别准确率低，影响用户的体验真实度。
发明内容
为解决上述问题，本发明的目的在于提供一种具有较好的鲁棒性和稳定性的智能家庭娱乐系统手势指令识别方法，对手势图像进行双边投影处理，降低肤色和阴影干扰，通过对粒子的迭代优化降低计算量，提高系统识别的实时性，准确判断手势指令，增强用户体验真实度。
本发明解决其问题所采用的技术方案，包括以下步骤：
A.建立智能家庭娱乐系统手势指令识别模型，通过摄像头采集图像，检测图像中的手势，从视频中进行分割；
B.根据手势指令识别系统状态的先验概率密度分布产生粒子，通过调整粒子的权值近似后验概率密度分布，实现手势跟踪；
C.通过自适应佳点集遗传算法增加粒子的多样性并扩大粒子的分布区域，避免了粒子的退化；
D.通过像素梯度提取手势指令特征向量，与训练样本匹配分类，完成智能家庭娱乐系统手势指令识别。
本发明的有益效果是：
在手势识别应用越来越广的情况下，本发明具有较好的鲁棒性和稳定性，对手势图像进行双边投影处理，降低肤色和阴影干扰，通过对粒子的迭代优化降低计算量，提高系统识别的实时性，准确判断手势指令，增强用户体验真实度。
附图说明
图1 一种智能家庭娱乐系统手势指令识别方法的整体流程图
图2 智能家庭娱乐系统手势指令识别模型图
图3 自适应佳点集遗传算法流程图。
具体实施方式
参照图1至图3，本发明所述的方法包括以下步骤：
A.建立智能家庭娱乐系统手势指令识别模型，通过摄像头采集图像，检测图像中的手势，从视频中进行分割；
（1）建立智能家庭娱乐系统手势指令识别模型，如图2所示，通过摄像头采集手势图像。若视频序列有n帧，用
Figure 100002_DEST_PATH_IMAGE001
矩阵X表示图像，对矩阵进行右投影：
Figure 49719DEST_PATH_IMAGE002
，然后进行左投影：
Figure DEST_PATH_IMAGE003
，
Figure 359477DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
均为独立的高斯矩阵，然后进行右投影得到矩阵X的秩逼近：
Figure DEST_PATH_IMAGE007
对
Figure 617152DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
进行QR分解（正交三角分解），
Figure 608242DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，得到矩阵X的低秩矩阵：
Figure DEST_PATH_IMAGE013
其中，
Figure 634973DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
为正交矩阵，
Figure 53316DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
为上三角矩阵。
（2）将矩阵X进行低秩稀疏分解：
其中，S是矩阵的稀疏部分。r是矩阵的极大秩，s是矩阵的最大个数。若初始低秩矩阵为
Figure 532707DEST_PATH_IMAGE020
，设立迭代阈值
Figure DEST_PATH_IMAGE021
，若
其中，t为迭代次数。则将每一帧图像以列向量形式排列成m维矩阵，恢复每一帧对应的背景，否则计算下一代。将各帧背景做加权平均，得到最终背景。去除背景，分割出手势图像。
B.根据手势指令识别系统状态的先验概率密度分布产生粒子，通过调整粒子的权值近似后验概率密度分布，实现手势跟踪；
（1）手势指令识别系统第k个时刻的状态方程为
Figure DEST_PATH_IMAGE023
，量测方程为
Figure 21774DEST_PATH_IMAGE024
，其中，是状态值，是量测值，
Figure DEST_PATH_IMAGE027
是状态转移噪声，
Figure 843286DEST_PATH_IMAGE028
是量测噪声。是量测值的集合。给定手势指令识别系统状态的先验概率密度的初始值
Figure 238495DEST_PATH_IMAGE030
，若第k-1个时刻在Z已知的条件下
Figure DEST_PATH_IMAGE031
的概率密度为
Figure 974239DEST_PATH_IMAGE032
，则：
Figure 62281DEST_PATH_IMAGE034
Figure 266997DEST_PATH_IMAGE036
其中，是系统状态量测值的相似度，
Figure 465897DEST_PATH_IMAGE038
为先验概率，
Figure DEST_PATH_IMAGE039
为后验概率。根据先验概率得到样本集合
Figure 993830DEST_PATH_IMAGE040
，N是样本数量。
（2）系统状态的后验概率密度的粒子集为
Figure DEST_PATH_IMAGE041
，N为粒子数量，则后验概率为：
其中，
Figure 377407DEST_PATH_IMAGE044
是第i个粒子第k时刻的权值，
Figure DEST_PATH_IMAGE045
是狄拉克函数。权值递推方法为：
Figure DEST_PATH_IMAGE047
归一化权值，使得
Figure 324547DEST_PATH_IMAGE048
。经过多次迭代递推后，得到k时刻的粒子集合，从而估计k时刻的位置：
Figure 61558DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
是第i个样本。但是，经过多次迭代后，许多粒子的权重减小，使得粒子退化，失去多样性。
C.通过自适应佳点集遗传算法增加粒子的多样性并扩大粒子的分布区域，避免了粒子的退化；
（1）通过自适应佳点集遗传算法对粒子空间进行选择、交叉和变异操作，生成新一代更适应接近真实状态的粒子空间。将粒子作为种群，选择两个群体
Figure 522627DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE053
进行佳点交叉操作，N是种群数量，选取
Figure 139422DEST_PATH_IMAGE054
形成集合Q，设定集合
Figure DEST_PATH_IMAGE055
，i不属于集合Q，则佳点交叉的子代属于集合R。将集合R的m个粒子组成m维立方体，在m维空间中作含n个点的佳点集：
Figure DEST_PATH_IMAGE057
在n个后代中选择适应值最大的粒子，适应度函数为：
Figure DEST_PATH_IMAGE059
其中，
Figure 53151DEST_PATH_IMAGE060
是目标函数，是第i个约束条件，t是约束条件的个数。
（2）通过轮盘法随机选取两个粒子进行佳点集交叉，用变异算子对其进行变异操作：
Figure DEST_PATH_IMAGE063
其中，
Figure 780805DEST_PATH_IMAGE064
是扰动幅值参数，
Figure DEST_PATH_IMAGE065
是满足高斯分布的随机变量。计算交叉、变异的后代的适应值，将适应值小于设定阈值的粒子去除，剩余粒子继续进行迭代，直至迭代K次，选取第K代粒子中适应值最大的粒子，从而保证粒子空间的多样性，避免粒子退化。
D.通过像素梯度提取手势指令特征向量，与训练样本匹配分类，完成智能家庭娱乐系统手势指令识别。
（1）手势图像中像素点的灰度值为
Figure 361959DEST_PATH_IMAGE066
，像素梯度为：
将手势图像分割成大小相等的块，每个块分割为互不重叠的单元，统计每个单元内所有像素的梯度直方图，将每个单元的梯度累加得到该块的特征向量v，对特征向量进行归一化处理：
其中，
Figure DEST_PATH_IMAGE071
为泛函数，
Figure 629495DEST_PATH_IMAGE021
是接近于0的常数。
（2）提取样本的特征向量作为训练模板，n是测试样本的特征数量，通过计算待识别手势指令图像特征与模板的误差D判断手势指令所属类别：
Figure 633540DEST_PATH_IMAGE074
其中，
Figure 36708DEST_PATH_IMAGE026
是量测值，
Figure DEST_PATH_IMAGE075
是粒子权重，
Figure 919214DEST_PATH_IMAGE076
是特征数量为k的训练样本。误差最小的一类即为该手势指令的类别，从而完成智能家庭娱乐系统手势指令识别。
综上所述，便完成了本发明所述的一种智能家庭娱乐系统手势指令识别方法。该方法具有较好的鲁棒性和稳定性，对手势图像进行双边投影处理，降低肤色和阴影干扰，通过对粒子的迭代优化降低计算量，提高系统识别的实时性，准确判断手势指令，增强用户体验真实度。

Claims (3)

1.一种智能家庭娱乐系统手势指令识别方法，其特征在于：利用佳点集遗传算法增加粒子多样性实现手势跟踪；
所述方法包括以下步骤：
建立智能家庭娱乐系统手势指令识别模型，通过摄像头采集图像，检测图像中的手势，从视频中进行分割；
根据手势指令识别系统状态的先验概率密度分布产生粒子，通过调整粒子的权值近似后验概率密度分布，实现手势跟踪；
通过自适应佳点集遗传算法增加粒子的多样性并扩大粒子的分布区域，避免了粒子的退化；
通过像素梯度提取手势指令特征向量，与训练样本匹配分类，完成智能家庭娱乐系统手势指令识别。
2.根据权利要求1所述的一种智能家庭娱乐系统手势指令识别方法，其特征在于：所述步骤B包括：经过多次迭代递推后，得到k时刻的粒子集合，从而估计k时刻的位置：
Figure DEST_PATH_IMAGE001
。
3.根据权利要求1所述的一种智能家庭娱乐系统手势指令识别方法，其特征在于：所述步骤C包括：设定集合
Figure 693108DEST_PATH_IMAGE002
，i不属于集合Q，则佳点交叉的子代属于集合R。
CN201910986742.9A 2019-10-17 2019-10-17 一种智能家庭娱乐系统手势指令识别方法 Active CN110751082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910986742.9A CN110751082B (zh) 2019-10-17 2019-10-17 一种智能家庭娱乐系统手势指令识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910986742.9A CN110751082B (zh) 2019-10-17 2019-10-17 一种智能家庭娱乐系统手势指令识别方法

Publications (2)

Publication Number Publication Date
CN110751082A true CN110751082A (zh) 2020-02-04
CN110751082B CN110751082B (zh) 2023-12-12

Family

ID=69278664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910986742.9A Active CN110751082B (zh) 2019-10-17 2019-10-17 一种智能家庭娱乐系统手势指令识别方法

Country Status (1)

Country Link
CN (1) CN110751082B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112631430A (zh) * 2020-12-30 2021-04-09 安徽鸿程光电有限公司 手势运动轨迹处理方法、装置、设备及介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030113018A1 (en) * 2001-07-18 2003-06-19 Nefian Ara Victor Dynamic gesture recognition from stereo sequences
US20060291696A1 (en) * 2005-06-27 2006-12-28 Jie Shao Subspace projection based non-rigid object tracking with particle filters
CN101437124A (zh) * 2008-12-17 2009-05-20 三星电子（中国）研发中心 面向电视控制的动态手势识别信号处理方法
US20120072385A1 (en) * 2010-09-22 2012-03-22 Fujitsu Limited Technique for solving optimization problem
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
US20160085310A1 (en) * 2014-09-23 2016-03-24 Microsoft Corporation Tracking hand/body pose
CN105958482A (zh) * 2016-05-31 2016-09-21 天津天大求实电力新技术股份有限公司 基于佳点集量子粒子群算法的微网优化方法
CN106340888A (zh) * 2016-09-18 2017-01-18 国网福建省电力有限公司 基于佳点集量子粒子群算法的交直流系统无功优化方法
JP2017027600A (ja) * 2015-07-23 2017-02-02 株式会社リコー 手振り識別方法と装置
WO2017084319A1 (zh) * 2015-11-18 2017-05-26 乐视控股（北京）有限公司 手势识别方法及虚拟现实显示输出设备
CN108256421A (zh) * 2017-12-05 2018-07-06 盈盛资讯科技有限公司 一种动态手势序列实时识别方法、系统及装置
US20180293433A1 (en) * 2015-06-30 2018-10-11 Yutou Technology (Hangzhou) Co., Ltd. Gesture detection and recognition method and system
CN108647654A (zh) * 2018-05-15 2018-10-12 合肥岚钊岚传媒有限公司 基于视觉的手势视频图像识别系统和方法
CN109033954A (zh) * 2018-06-15 2018-12-18 西安科技大学 一种基于机器视觉的空中手写识别系统及方法
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030113018A1 (en) * 2001-07-18 2003-06-19 Nefian Ara Victor Dynamic gesture recognition from stereo sequences
US20060291696A1 (en) * 2005-06-27 2006-12-28 Jie Shao Subspace projection based non-rigid object tracking with particle filters
CN101437124A (zh) * 2008-12-17 2009-05-20 三星电子（中国）研发中心 面向电视控制的动态手势识别信号处理方法
US20120072385A1 (en) * 2010-09-22 2012-03-22 Fujitsu Limited Technique for solving optimization problem
US20160085310A1 (en) * 2014-09-23 2016-03-24 Microsoft Corporation Tracking hand/body pose
US20180293433A1 (en) * 2015-06-30 2018-10-11 Yutou Technology (Hangzhou) Co., Ltd. Gesture detection and recognition method and system
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
JP2017027600A (ja) * 2015-07-23 2017-02-02 株式会社リコー 手振り識別方法と装置
WO2017084319A1 (zh) * 2015-11-18 2017-05-26 乐视控股（北京）有限公司 手势识别方法及虚拟现实显示输出设备
CN105958482A (zh) * 2016-05-31 2016-09-21 天津天大求实电力新技术股份有限公司 基于佳点集量子粒子群算法的微网优化方法
CN106340888A (zh) * 2016-09-18 2017-01-18 国网福建省电力有限公司 基于佳点集量子粒子群算法的交直流系统无功优化方法
EP3492945A1 (en) * 2017-12-01 2019-06-05 Origin Wireless, Inc. Method, apparatus, and system for periodic motion detection and monitoring
CN108256421A (zh) * 2017-12-05 2018-07-06 盈盛资讯科技有限公司 一种动态手势序列实时识别方法、系统及装置
CN108647654A (zh) * 2018-05-15 2018-10-12 合肥岚钊岚传媒有限公司 基于视觉的手势视频图像识别系统和方法
CN109033954A (zh) * 2018-06-15 2018-12-18 西安科技大学 一种基于机器视觉的空中手写识别系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112631430A (zh) * 2020-12-30 2021-04-09 安徽鸿程光电有限公司 手势运动轨迹处理方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110751082B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN108470354B (zh) 视频目标跟踪方法、装置和实现装置
CN107977932B (zh) 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN109359608B (zh) 一种基于深度学习模型的人脸识别方法
CN106778796B (zh) 基于混合式协同训练的人体动作识别方法及系统
CN109829449B (zh) 一种基于超像素时空上下文的rgb-d室内场景标注方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN108038435B (zh) 一种基于卷积神经网络的特征提取与目标跟踪方法
CN110032925B (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN108921877B (zh) 一种基于宽度学习的长期目标跟踪方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
CN104077613A (zh) 一种基于级联多级卷积神经网络的人群密度估计方法
CN114758288A (zh) 一种配电网工程安全管控检测方法及装置
CN106650617A (zh) 一种基于概率潜在语义分析的行人异常识别方法
Ma et al. Advanced local binary pattern descriptors for crowd estimation
CN114463218B (zh) 一种基于事件数据驱动的视频去模糊方法
CN111310609B (zh) 基于时序信息和局部特征相似性的视频目标检测方法
CN111709300A (zh) 基于视频图像的人群计数方法
CN110135369A (zh) 一种行为识别方法、系统、设备及计算机可读存储介质
CN112329784A (zh) 一种基于时空感知及多峰响应的相关滤波跟踪方法
CN106600610B (zh) 一种fcm图像分割方法及装置
CN105321188A (zh) 基于前景概率的目标跟踪方法
CN114724218A (zh) 视频检测方法、装置、设备及介质
CN110751082B (zh) 一种智能家庭娱乐系统手势指令识别方法

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