CN111104820A - 一种基于深度学习的手势识别方法 - Google Patents
一种基于深度学习的手势识别方法 Download PDFInfo
- Publication number
- CN111104820A CN111104820A CN201811251426.9A CN201811251426A CN111104820A CN 111104820 A CN111104820 A CN 111104820A CN 201811251426 A CN201811251426 A CN 201811251426A CN 111104820 A CN111104820 A CN 111104820A
- Authority
- CN
- China
- Prior art keywords
- gesture
- hand
- training
- neural network
- data set
- 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 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013145 classification model Methods 0.000 claims description 9
- 230000036544 posture Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于深度学习的手势识别方法,包括:图像采集步骤:采集视频图像,对视频图像进行视频解码,获得输入视频数据;神经网络训练步骤:训练神经网络模型进行手部位置检测、手势关键点位置提取并基于手势关键点进行手势分类;手势识别步骤:利用神经网络模型对输入视频数据进行手部位置检测和手势关键点位置提取,对手势关键点进行手势分类;指示响应步骤:获得手势操作指令,根据手势操作指令,系统做出实时响应;神经网络训练步骤采用至少三个神经网络模型,将网上开放数据库中的数据集和/或自行采样和标定的数据集作为输入样本对神经网络模型进行训练。
Description
技术领域
本发明涉及深度学习图像识别领域,尤其涉及使用目标检测及目标跟踪方法实现通过手势识别的人机交互。
背景技术
随着汽车和公路的日益智能化,处理信息的方式也正在不断发生变化,汽车电子设备随之蓬勃发展,大量的电子装置不断进入车辆驾驶空间内。复杂的车载操作设备在提高车辆行驶安全性和舒适度的同时,也增加了驾驶人员的操作量和操作复杂度。
目前人机交互技术正逐步从以计算机为中心转变为以人为中心的交互方式,但现在的用于公共交通车辆的司机控制平台,往往因其需要完成的指令性操作较多,控制屏幕及按钮设置较为复杂,一些按钮被安排在方向盘下或较远位置不方便司机使用。
手势交互是人与人之间除语言外最重要且直接的一种交流方式,手势识别作为一种通用的重要的人机交互方式,受到了广泛的关注。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于深度学习的目标检测与跟踪的结合方法用于人机交互活动,基于深度学习的手势识别交互由手势检测及手势识别融合发展而来,将识别到的手势动作命令作为输入直接传递给计算机进行理解和响应,从而让司机对车载设备的操作更加自然、方便。
为了解决以上问题,本发明提供了一种基于深度学习的手势识别方法,包括:
图像采集步骤:采集视频图像,对所述视频图像进行视频解码,获得输入视频数据;
神经网络训练步骤:训练神经网络模型进行手部位置检测、手势关键点位置提取并基于所述手势关键点进行手势分类;
手势识别步骤:利用所述神经网络模型对输入视频数据进行手部位置检测和手势关键点位置提取,对所述手势关键点进行手势分类;
指示响应步骤:获得手势操作指令,根据所述手势操作指令,系统做出实时响应;
所述神经网络训练步骤采用至少三个神经网络模型,将网上开放数据库中的数据集和/或自行采样和标定的数据集作为输入样本对所述神经网络模型进行训练。
优选的,所述神经网络训练步骤包括:
手部目标检测模型训练:设计第一个深度神经网络作为手部目标检测模型,输入手部目标检测训练数据集,所述手部目标检测训练数据集至少包括网上开放数据库中已经标定手部包围框的数据集和车载采集的驾驶室环境下的手部视频数据进行自行标定后的数据集;
手势关键点识别模型训练:设计第二个深度神经网络作为手部目标检测模型,输入手势关键点识别训练数据集,所述手势关键点识别训练数据集至少包括网上开放数据库中已经标定手势关键点的数据集以及自行采样和标定的实际应用环境下的数据集;
手势分类模型训练:设计第三个卷积神经网络模型作为手势分类模型,输入手势分类训练数据集,所述手势分类训练数据集由所述手势关键点识别模型训练得到。
优选的,所述手部目标检测模型训练采用SSD架构进行训练。
优选的,所述手势关键点识别模型训练采用VGG19网络进行训练。
优选的,所述手势识别步骤包括:
手部位置检测:通过所述手部目标检测模型对所述输入视频数据中的手部位置进行检测,对检测到的所述手部位置使用方框表示,获得手部包围框的坐标;
手势关键点位置提取:输入所述手部包围框的坐标,通过所述手势关键点识别模型对所述输入视频数据中的手势关键点,获取所述手部各关键点的位置坐标与位置坐标各点间的关系,返回存有各关键点坐标和识别分数的数列的文件;
手势分类:输入所述手部各关键点的位置坐标与位置坐标各点间的关系,通过所述手势分类模型对所述手势关键点进行手势分类,大于一定阈值且得分最高的手势项被认定为手势识别结果。
优选的,所述手势关键点识别模型可由各所述手部关键点的位置坐标与所述位置坐标间的关系实时重构并呈现火柴棍形式的手部姿态。
优选的,所述手势关键点个数为21个。
优选的,所述指示响应步骤根据所述手势识别结果获取对应的所述手势指令操作,所述手势操作指令根据对应的由特定时间内的手势姿态定义的手势库预设。
与现有技术相比,本发明通过深度学习方法识别司机手势图像,将传统的触摸或按钮式交互转化为非接触式的手势操控,使得司机可以在正常驾驶姿势时更便捷的完成一些控制操作,具有高可靠性,高适应性,相比于传统的图像识别方法,识别过程更加简单、快速。
附图说明
本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是,附图仅作为所请求保护的发明的示例。在附图中,相同的附图标记代表相同或类似的元素。
图1是根据本发明一实施例的一种基于深度学习的手势识别方法示意图;
图2是根据本发明一实施例的神经网络训练步骤示意图;以及
图3是根据本发明一实施例的手势识别步骤示意图。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所揭露的说明书、权利要求及附图,本领域技术人员可轻易地理解本发明相关的目的及优点。
参见图1,作为本发明的第一方面,本发明提供了一种基于深度学习的手势识别方法,包括:
图像采集步骤:利用摄像头采集视频图像,对视频图像进行视频解码,获得输入视频数据,摄像头可以为网络摄像头、红外摄像头或3D摄像头;
神经网络训练步骤:训练神经网络模型进行手部位置检测、手势关键点位置提取并基于手势关键点进行手势分类;
手势识别步骤:利用神经网络模型对输入视频数据进行手部位置检测和手势关键点位置提取,对手势关键点进行手势分类;
指示响应步骤:获得手势操作指令,根据手势操作指令,系统做出实时响应;
神经网络训练步骤采用至少三个神经网络模型,将网上开放数据库中的数据集和/或自行采样和标定的数据集作为输入样本对神经网络模型进行训练。
进一步的,参见图2,神经网络训练步骤包括:
手部目标检测模型训练:设计第一个深度神经网络作为手部目标检测模型,输入手部目标检测训练数据集,手部目标检测训练数据集至少包括网上开放数据库中已经标定手部包围框的数据集和车载采集的驾驶室环境下的手部视频数据进行自行标定后的数据集;
手势关键点识别模型训练:设计第二个深度神经网络作为手部目标检测模型,输入手势关键点识别训练数据集,手势关键点识别训练数据集至少包括网上开放数据库中已经标定手势关键点的数据集以及自行采样和标定的实际应用环境下的数据集;
手势分类模型训练:设计第三个卷积神经网络模型作为手势分类模型,输入手势分类训练数据集,手势分类训练数据集由手势关键点识别模型训练得到。
进一步的,手部目标检测模型训练采用SSD架构进行训练。
进一步的,手势关键点识别模型训练采用VGG19网络进行训练。
进一步的,参见图3,手势识别步骤使用训练好的模型进行手势关键点特征识别,包括:
手部位置检测:通过手部目标检测模型对输入视频数据中的手部位置进行检测,对检测到的手部位置使用方框表示,获得手部包围框的坐标,;
手势关键点位置提取:因此手势关键点位置提取输入手部包围框的坐标,通过手势关键点识别模型对输入视频数据中的手势关键点,获取手部各关键点的位置坐标与位置坐标各点间的关系,返回存有各关键点坐标和识别分数的数列的文件;
手势分类:输入手部各关键点的位置坐标与位置坐标各点间的关系,使用手势分类模型对手势关键点进行手势分类,大于一定阈值且得分最高的手势项被认定为手势识别结果。
由于用于目标跟踪的手势关键点识别模型需要在已知手部包围框位置的情况下实现,在手部目标检测模型获得手部包围框位置后将坐标参数作为输入传入手势关键点识别模型中,由此手势识别步骤搭建起了手部目标检测模型和手势关键点识别模型两个模型间的连接。
进一步的,手势关键点识别模型可由各所述手部关键点的位置坐标与位置坐标间的关系实时重构并呈现火柴棍形式的手部姿态。
进一步的,手势关键点个数为21个。
进一步的,指示响应步骤根据手势识别结果获取对应的手势指令操作,手势操作指令根据对应的由特定时间内的手势姿态定义的手势库预设。
这里采用的术语和表述方式只是用于描述,本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征,应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换,例如不同规格的元器件的替换,也可能存在。相应的,权利要求应视为覆盖所有这些等效物。
同样,需要指出的是,虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可做出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (8)
1.一种基于深度学习的手势识别方法,包括:
图像采集步骤:采集视频图像,对所述视频图像进行视频解码,获得输入视频数据;
神经网络训练步骤:训练神经网络模型进行手部位置检测、手势关键点位置提取并基于所述手势关键点进行手势分类;
手势识别步骤:利用所述神经网络模型对输入视频数据进行手部位置检测和手势关键点位置提取,对所述手势关键点进行手势分类;
指示响应步骤:获得手势操作指令,根据所述手势操作指令,系统做出实时响应;
其特征在于,所述神经网络训练步骤采用至少三个神经网络模型,将网上开放数据库中的数据集和/或自行采样和标定的数据集作为输入样本对所述神经网络模型进行训练。
2.一种如权利要求1所述的基于深度学习的手势识别方法,其特征在于,所述神经网络训练步骤包括:
手部目标检测模型训练:设计第一个深度神经网络作为手部目标检测模型,输入手部目标检测训练数据集,所述手部目标检测训练数据集至少包括网上开放数据库中已经标定手部包围框的数据集和车载采集的驾驶室环境下的手部视频数据进行自行标定后的数据集;
手势关键点识别模型训练:设计第二个深度神经网络作为手部目标检测模型,输入手势关键点识别训练数据集,所述手势关键点识别训练数据集至少包括网上开放数据库中已经标定手势关键点的数据集以及自行采样和标定的实际应用环境下的数据集;
手势分类模型训练:设计第三个卷积神经网络模型作为手势分类模型,输入手势分类训练数据集,所述手势分类训练数据集由所述手势关键点识别模型训练得到。
3.一种如权利要求2所述的基于深度学习的手势识别方法,其特征在于,所述手部目标检测模型训练采用SSD架构进行训练。
4.一种如权利要求2所述的基于深度学习的手势识别方法,其特征在于,所述手势关键点识别模型训练采用VGG19网络进行训练。
5.一种如权利要求1所述的基于深度学习的手势识别方法,其特征在于,所述手势识别步骤包括:
手部位置检测:通过所述手部目标检测模型对所述输入视频数据中的手部位置进行检测,对检测到的所述手部位置使用方框表示,获得手部包围框的坐标;
手势关键点位置提取:输入所述手部包围框的坐标,通过所述手势关键点识别模型对所述输入视频数据中的手势关键点,获取所述手部各关键点的位置坐标与位置坐标各点间的关系,返回存有各关键点坐标和识别分数的数列的文件;
手势分类:输入所述手部各关键点的位置坐标与位置坐标各点间的关系,通过所述手势分类模型对所述手势关键点进行手势分类,大于一定阈值且得分最高的手势项被认定为手势识别结果。
6.一种如权利要求5所述的基于深度学习的手势识别方法,其特征在于,所述手势关键点识别模型可由各所述手部关键点的位置坐标与所述位置坐标间的关系实时重构并呈现火柴棍形式的手部姿态。
7.一种如权利要求1所述的基于深度学习的手势识别方法,其特征在于,所述手势关键点个数为21个。
8.一种如权利要求1所述的基于深度学习的手势识别方法,其特征在于,所述指示响应步骤根据所述手势识别结果获取对应的所述手势指令操作,所述手势操作指令根据对应的由特定时间内的手势姿态定义的手势库预设。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251426.9A CN111104820A (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习的手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251426.9A CN111104820A (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习的手势识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111104820A true CN111104820A (zh) | 2020-05-05 |
Family
ID=70418000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811251426.9A Pending CN111104820A (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习的手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104820A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597969A (zh) * | 2020-05-14 | 2020-08-28 | 新疆爱华盈通信息技术有限公司 | 基于手势识别的电梯控制方法及系统 |
CN111625102A (zh) * | 2020-06-03 | 2020-09-04 | 上海商汤智能科技有限公司 | 一种建筑物展示方法及装置 |
CN111709310A (zh) * | 2020-05-26 | 2020-09-25 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
CN111880714A (zh) * | 2020-07-31 | 2020-11-03 | Oppo广东移动通信有限公司 | 页面控制方法及相关装置 |
CN112183424A (zh) * | 2020-10-12 | 2021-01-05 | 北京华严互娱科技有限公司 | 一种基于视频的实时手部追踪方法和系统 |
CN112199994A (zh) * | 2020-09-03 | 2021-01-08 | 中国科学院信息工程研究所 | 一种实时检测rgb视频中的3d手与未知物体交互的方法和装置 |
CN112215112A (zh) * | 2020-09-30 | 2021-01-12 | 幻境虚拟现实(广州)智能科技研究院有限公司 | 一种可用于手部动作识别的神经网络模型的生成方法和系统 |
CN112613384A (zh) * | 2020-12-18 | 2021-04-06 | 安徽鸿程光电有限公司 | 手势识别方法、手势识别装置及交互显示设备的控制方法 |
CN113011403A (zh) * | 2021-04-30 | 2021-06-22 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
CN113723187A (zh) * | 2021-07-27 | 2021-11-30 | 武汉光庭信息技术股份有限公司 | 手势关键点的半自动标注方法及系统 |
CN114625333A (zh) * | 2022-03-08 | 2022-06-14 | 深圳康荣电子有限公司 | 一种可记录手势指令进行控制的液晶拼接lcd系统及方法 |
WO2022174605A1 (zh) * | 2021-02-21 | 2022-08-25 | 深圳市优必选科技股份有限公司 | 一种手势识别方法、手势识别装置及智能设备 |
CN115546824A (zh) * | 2022-04-18 | 2022-12-30 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN115565201A (zh) * | 2022-04-18 | 2023-01-03 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN116089798A (zh) * | 2023-02-07 | 2023-05-09 | 华东理工大学 | 手指运动的解码方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107168527A (zh) * | 2017-04-25 | 2017-09-15 | 华南理工大学 | 基于区域卷积神经网络的第一视角手势识别与交互方法 |
CN107423698A (zh) * | 2017-07-14 | 2017-12-01 | 华中科技大学 | 一种基于并联卷积神经网络的手势估计方法 |
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 |
CN107808143A (zh) * | 2017-11-10 | 2018-03-16 | 西安电子科技大学 | 基于计算机视觉的动态手势识别方法 |
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
CN108229318A (zh) * | 2017-11-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 手势识别和手势识别网络的训练方法及装置、设备、介质 |
-
2018
- 2018-10-25 CN CN201811251426.9A patent/CN111104820A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107168527A (zh) * | 2017-04-25 | 2017-09-15 | 华南理工大学 | 基于区域卷积神经网络的第一视角手势识别与交互方法 |
CN107423698A (zh) * | 2017-07-14 | 2017-12-01 | 华中科技大学 | 一种基于并联卷积神经网络的手势估计方法 |
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
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 |
CN107808143A (zh) * | 2017-11-10 | 2018-03-16 | 西安电子科技大学 | 基于计算机视觉的动态手势识别方法 |
CN108229318A (zh) * | 2017-11-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 手势识别和手势识别网络的训练方法及装置、设备、介质 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597969A (zh) * | 2020-05-14 | 2020-08-28 | 新疆爱华盈通信息技术有限公司 | 基于手势识别的电梯控制方法及系统 |
CN111709310A (zh) * | 2020-05-26 | 2020-09-25 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
CN111709310B (zh) * | 2020-05-26 | 2024-02-02 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
CN111625102A (zh) * | 2020-06-03 | 2020-09-04 | 上海商汤智能科技有限公司 | 一种建筑物展示方法及装置 |
CN111880714B (zh) * | 2020-07-31 | 2022-05-17 | Oppo广东移动通信有限公司 | 页面控制方法及相关装置 |
CN111880714A (zh) * | 2020-07-31 | 2020-11-03 | Oppo广东移动通信有限公司 | 页面控制方法及相关装置 |
CN112199994A (zh) * | 2020-09-03 | 2021-01-08 | 中国科学院信息工程研究所 | 一种实时检测rgb视频中的3d手与未知物体交互的方法和装置 |
CN112215112A (zh) * | 2020-09-30 | 2021-01-12 | 幻境虚拟现实(广州)智能科技研究院有限公司 | 一种可用于手部动作识别的神经网络模型的生成方法和系统 |
CN112183424A (zh) * | 2020-10-12 | 2021-01-05 | 北京华严互娱科技有限公司 | 一种基于视频的实时手部追踪方法和系统 |
CN112613384B (zh) * | 2020-12-18 | 2023-09-19 | 安徽鸿程光电有限公司 | 手势识别方法、手势识别装置及交互显示设备的控制方法 |
CN112613384A (zh) * | 2020-12-18 | 2021-04-06 | 安徽鸿程光电有限公司 | 手势识别方法、手势识别装置及交互显示设备的控制方法 |
WO2022174605A1 (zh) * | 2021-02-21 | 2022-08-25 | 深圳市优必选科技股份有限公司 | 一种手势识别方法、手势识别装置及智能设备 |
CN113011403A (zh) * | 2021-04-30 | 2021-06-22 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
CN113011403B (zh) * | 2021-04-30 | 2023-11-24 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
CN113723187A (zh) * | 2021-07-27 | 2021-11-30 | 武汉光庭信息技术股份有限公司 | 手势关键点的半自动标注方法及系统 |
CN114625333B (zh) * | 2022-03-08 | 2022-10-18 | 深圳康荣电子有限公司 | 一种可记录手势指令控制液晶拼接lcd的方法及系统 |
CN114625333A (zh) * | 2022-03-08 | 2022-06-14 | 深圳康荣电子有限公司 | 一种可记录手势指令进行控制的液晶拼接lcd系统及方法 |
CN115565201A (zh) * | 2022-04-18 | 2023-01-03 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN115546824A (zh) * | 2022-04-18 | 2022-12-30 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN115546824B (zh) * | 2022-04-18 | 2023-11-28 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN115565201B (zh) * | 2022-04-18 | 2024-03-26 | 荣耀终端有限公司 | 禁忌图片识别方法、设备及存储介质 |
CN116089798A (zh) * | 2023-02-07 | 2023-05-09 | 华东理工大学 | 手指运动的解码方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104820A (zh) | 一种基于深度学习的手势识别方法 | |
CN112590794B (zh) | 确定车辆驾驶员接管车辆控制的能力估计值的方法和装置 | |
KR102460737B1 (ko) | 공중 필기 인식을 위한 방법, 장치, 기기 및 컴퓨터 판독 가능한 저장 매체 | |
US9235269B2 (en) | System and method for manipulating user interface in vehicle using finger valleys | |
CN110765807B (zh) | 驾驶行为分析、处理方法、装置、设备和存储介质 | |
EP3724813A1 (en) | Systems and methods for predicting pedestrian intent | |
US20140218188A1 (en) | Method and apparatus for analyzing concentration level of driver | |
CN106648078B (zh) | 应用于智能机器人的多模态交互方法及系统 | |
CN103092334B (zh) | 虚拟鼠标驱动装置及虚拟鼠标仿真方法 | |
CN105159452A (zh) | 一种基于人脸姿态估计的控制方法与系统 | |
Dinh et al. | Hand number gesture recognition using recognized hand parts in depth images | |
Francis et al. | Significance of hand gesture recognition systems in vehicular automation-a survey | |
Yang et al. | Recognition of visual-related non-driving activities using a dual-camera monitoring system | |
Adhikari et al. | A Novel Machine Learning-Based Hand Gesture Recognition Using HCI on IoT Assisted Cloud Platform. | |
CN115641570B (zh) | 驾驶行为确定方法、装置、电子设备和存储介质 | |
CN111782041A (zh) | 打字方法及装置、设备、存储介质 | |
CN106445100A (zh) | 用于处理多模输入信号的方法和系统 | |
Dhamanskar et al. | Human computer interaction using hand gestures and voice | |
CN109542229B (zh) | 手势识别方法、用户设备、存储介质及装置 | |
CN114550296A (zh) | 一种基于区域优化策略的手势误识降低方法 | |
Luong et al. | Human computer interface using the recognized finger parts of hand depth silhouette via random forests | |
CN113807280A (zh) | 一种基于Kinect的虚拟船舶机舱系统与方法 | |
CN109582136B (zh) | 三维窗口手势导航方法、装置、移动终端及存储介质 | |
CN112308041A (zh) | 一种基于视觉的无人平台手势控制方法 | |
CN114327046B (zh) | 一种多模态人机交互与状态智能预警的方法、装置及系统 |
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: 20200505 |