CN111338470A - 一种手势控制大钟的方法 - Google Patents

一种手势控制大钟的方法 Download PDF

Info

Publication number
CN111338470A
CN111338470A CN202010084547.XA CN202010084547A CN111338470A CN 111338470 A CN111338470 A CN 111338470A CN 202010084547 A CN202010084547 A CN 202010084547A CN 111338470 A CN111338470 A CN 111338470A
Authority
CN
China
Prior art keywords
gesture
gestures
clock
fist
neural network
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
CN202010084547.XA
Other languages
English (en)
Other versions
CN111338470B (zh
Inventor
王波
范国栋
王慧
苗自云
涂桂旺
初孔涛
朱长红
孙钰凯
华臻
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 CHIJIU CLOCK-WATCH CO LTD
Original Assignee
YANTAI CHIJIU CLOCK-WATCH CO LTD
Shandong Technology and Business University
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 CHIJIU CLOCK-WATCH CO LTD, Shandong Technology and Business University filed Critical YANTAI CHIJIU CLOCK-WATCH CO LTD
Priority to CN202010084547.XA priority Critical patent/CN111338470B/zh
Publication of CN111338470A publication Critical patent/CN111338470A/zh
Application granted granted Critical
Publication of CN111338470B publication Critical patent/CN111338470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及一种手势控制大钟的方法，属于大钟控制方法技术领域。本发明首先通过构建卷积神经网络，并使用手势数据集对其进行训练，得到的模型能够有效准确的识别出手势，其次通过设计组合手势及后续的优化过滤算法，用以来提高手势控制设备的稳定性。且云端进行模型的优化及迭代后，通过网络将新模型下发至设备，同时云端能够修改及添加手势对应功能，用户可根据自身需求进行选择。本发明通过手势对大钟进行控制，提高了设备控制的便携性与灵活性，其设备结构与控制方法大大降低了设备的制造成本，此手势识别模型结合组合手势及优化过滤算法，能够有效的提升设备控制的稳定性，同时本发明通过在已有钟联网上添加新的功能，进一步补充和完善了钟联网的功能框架。

Description

一种手势控制大钟的方法
技术领域
本发明涉及一种手势控制大钟的方法，属于大钟控制方法技术领域。
背景技术
现有时钟的控制方式多为遥控器或网上控制平台进行控制，多数大钟的控制方式多为通过遥控器或网上控制平台控制大钟的相关操作，遥控器通常通过红外和蓝牙的方式与大钟相连接，通过按下遥控器上预设的功能按钮对大钟进行控制，但遥控器需专人保管，保管不当则容易丢失，且遥控器难以实现功能的拓展，且操作方式较为固定。通过网络平台对大钟进行控制则过度依赖于网络通信，若通信网络中断，则无法控制设备，因此亟待提出一种基于手势的时钟控制方法。
发明内容
本发明的目的在于解决上述现有技术存在的不足之处，提供一种通过手势对大钟进行控制，提高了设备控制的便携性与灵活性，其设备结构与控制方法大大降低了设备的制造成本，此手势识别模型结合组合手势及优化过滤算法，能够有效的提升设备控制的稳定性，同时本发明通过在已有钟联网上添加新的功能，进一步补充和完善了钟联网的功能框架。
本发明的一种手势控制大钟的装置，其特殊之处在于包括安装于时钟钟框18正前方的显示器15，显示器15背面设有电路板16，时钟钟框18上开设有摄像头放置槽19，摄像头放置槽19位于显示器15上方，摄像头放置槽19内安装有摄像机外盒1，摄像机外盒1内安装有角度调节组件，角度调节组件上安装有用于采集手势图像的摄像头组件26，摄像头放置槽19上安装有摄像头视窗20，电路板16上设有单片机22，单片机22通过串口23连接GPS24接收时间信息，单片机22通过I/O接口25接收摄像头组件26的手势图像信息，单片机22通过I/O接口25连接驱动器27，驱动器27与显示器15相连接；
所述电路板16连接有USB接口10，USB接口10安装于时钟钟框18上；
所述摄像头放置槽19底部开设有线路通过口21；
所述单片机22连接有晶振28；
所述串口23通过网络29与服务器17相连接；
所述显示器15为LED显示器；
所述摄像头组件26包括摄像机内盒2及安装于摄像机内盒2上的摄像机3，USB接口10通过数据线9与摄像机3相连；
所述角度调节组件包括水平旋转调节机构及俯仰调节机构，水平旋转调节机构包括第一转轴8及安装于第一转轴8顶部的弧形支架7，弧形支架7通过连接杆4与摄像机内盒2相连接，转轴8上固定有第一指针12，摄像机外盒1底面上设有与第一指针12配合使用的第一刻度盘11；
所述俯仰调节机构包括安装于摄像机内盒2左右两侧的第二转轴5，第二转轴5套设于连接杆4外部，第二转轴5上安装有用于将第二转轴5紧固于当前位置的螺丝6，摄像机内盒2的侧面设有第二刻度盘13，连接杆4上安装有与第二刻度盘13配合使用的第二指针14。
本发明的一种手势控制大钟的方法，通过构建卷积神经网络，并使用手势数据集对其进行训练，得到的模型能够有效准确的识别出手势，其次通过设计组合手势及后续的优化过滤算法，用以来提高手势控制设备的稳定性。且云端进行模型的优化及迭代后，通过网络将新模型下发至设备，同时云端能够修改及添加手势对应功能，用户可根据自身需求进行选择。其特殊之处在于包括以下步骤：
1、当设备首次上电时，会接受GPS24的时间信息对设备进行校时，单片机22读取ROM中预设的神经网络信息及手势信息，启动神经网络模块识别实时的手势信息；
所述有效的手势指令是以组合手势实现的，由拳手势作为开始及结束的标志，即通过设计组合手势及识别组合指令的算法来过滤非法手势指令，过滤获得手势指令后，从ROM中查询手势对应指令，时钟设备执行指令；
2、摄像头组件实时采集的图像传入识别模型，识别模型得出手势识别结果传入指令判别模块，最终通过指令编码模块生成符合协议的具体指令编码；
设备安装后默认手势为，<拳,掌,拳>立即校时，<拳,OK,拳>显示年、月、日信息，<拳,剪刀,拳>为显示时间信息；
3、终端设备持续监听服务器17发送的数据，当终端接收到服务器17发送的信息时，会中断手势识别，待接受信息完毕并校验通过后，覆盖原有网络及参数并重新启用识别模型进行识别；
4、摄像头组件26采集到的彩色图像先灰度转换后经二值化，如公式(1)所示，处理后得到黑白图像作为神经网络的输入
Figure BDA0002381581970000031
其中t为阈值；
网络共有9层，其中第一层为输入层(200*200*1)，再由32个卷积核作卷积运算后得到维度为198*198*32的矩阵，再经过relu激活函数，如公式(2)，对卷积完成的矩阵进行进一步处理；
f(x)＝max(0，x) (2)
再对当前矩阵作一次卷积激活操作之后，经过最大池化层后对矩阵展平作为后面全连接层的输入，全连接层的第一层的单元个数为128，神经元内部的运算公式(3)为
y＝Wx+b (3)
激活函数为relu，第二层的单元数为5，对应手势种类的个数，随需求增加而增加，再经softmax激活函数，如公式(4)，输出手势的概率分布，取最大概率着为手势识别的结果。
Figure BDA0002381581970000041
其中V代表包含所有手势种类的序列，i为当前手势，j为手势总数；
损失函数为交叉墒，公式(5)如下：
Figure BDA0002381581970000042
优化函数为AdaDelta:
Figure BDA0002381581970000043
xt＝xt-1-Δxt
识别模块详情如下：
模型的训练：
训练集由五种状态组成，ok手势、剪刀手势，拳手势、手掌手势及空手势；
包含五种手势的数据集总数为4000张，用此数据集对神经网络进行训练。其中70％用于训练，30％用于测试，多次训练测试后准确率均达到98％，满足使用需求。
模型的使用：识别模块需在摄像头视野中预先定义一个200*200像素的框选范围，也就是说手势必须在框内才能有效识别。当摄像机启动并向神经网络进行传输图像时，神经网络会输出所有所有手势的概率值，哪个手势的概率值最大，则识别结果就为该手势。
本发明提出了一种手势控制大钟的方法，首次提出在大钟上使用手势进行控制；通过设计基于神经网络的手势识别算法来对手势进行识别，通过设计组合手势来提高手势控制的稳定性；为大钟提供功能的灵活配置，在服务器端可对大钟手势操作进行再设置，若设备因环境问题不能接入互联网，则可通过USB外设来进行更新。本发明构建卷积神经网络模型并进行训练，模型可用于手势的识别，降低了设备操作的复杂度，填补了时钟设备中手势控制技术的空白，丰富了钟联网的功能结构。
附图说明
图1：本发明时钟钟框的安装结构框图；
图2：摄像机外盒内的结构示意图；
图3：摄像机外盒底面的结构示意图；
图4：摄像机内盒侧面的结构示意图；
图5：电路板上各部件的结构框图；
图6：训练集五种状态图；
图7：使用数据集训练了15轮后的损失与准确率示意图；
图8：神经网络结构图；
图9：本发明一种手势控制大钟的方法流程图；
图10：服务器端功能图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1-10，本发明提供一手势控制大钟的方法，包括安装于时钟钟框18正前方的显示器15，显示器15背面设有电路板16，时钟钟框18上开设有摄像头放置槽19，摄像头放置槽19位于显示器15上方，摄像头放置槽19内安装有摄像机外盒1，摄像机外盒1内安装有角度调节组件，角度调节组件上安装有用于采集手势图像的摄像头组件26，摄像头放置槽19上安装有摄像头视窗20，电路板16上设有单片机22，单片机22通过串口23连接GPS24接收时间信息，单片机22通过I/O接口25接收摄像头组件26的手势图像信息，单片机22通过I/O接口25连接驱动器27，驱动器27与显示器15相连接；电路板16连接有USB接口10，USB接口10安装于时钟钟框18上；摄像头放置槽19底部开设有线路通过口21；单片机22连接有晶振28；串口23通过网络29与服务器17相连接；摄像头组件26包括摄像机内盒2及安装于摄像机内盒2上的摄像机3，USB接口10通过数据线9与摄像机3相连，显示器15为LED显示器；
为保证设备安装的快速与便携，在设备未上墙固定时站在手势候选区使用激光测距仪测距笔将激光打在设备安装区，可获取水平偏移角度和垂直偏移角度，为使得摄像机能够相对精确的对准候选区，本实施例在摄像机盒内部添加了角度尺，以方便快捷的进行角度的调整。其中，角度调节组件包括水平旋转调节机构及俯仰调节机构，水平旋转调节机构包括第一转轴8及安装于第一转轴8顶部的弧形支架7，弧形支架7通过连接杆4与摄像机内盒2相连接，转轴8上固定有第一指针12，摄像机外盒1底面上设有与第一指针12配合使用的第一刻度盘11；
所述俯仰调节机构包括安装于摄像机内盒2左右两侧的第二转轴5，第二转轴5套设于连接杆4外部，第二转轴5上安装有用于将第二转轴5紧固于当前位置的螺丝6，摄像机内盒2的侧面设有第二刻度盘13，连接杆4上安装有与第二刻度盘13配合使用的第二指针14。
通过角度调节组件精准手动调节摄像头组件的角度，从而使摄像头精准对准指定区域采集手势信息，单片机通过串口连接GPS接收时间等信息，摄像头组件采集实时手势图像交由单片机进行处理，手势结果产生对应指令有I/0接口传入驱动器，通过驱动器驱动显示器显示相应时间信息。当设备首次上电时，会接收GPS24的时间信息对设备进行校时，单片机22读取ROM中预设的神经网络信息及手势信息，启动神经网络模块识别实时的手势信息，本实施例中，有效的手势指令是以组合手势实现的，由拳手势作为开始及结束的标志，即通过设计组合手势及识别组合指令的算法来过滤非法手势指令。过滤获得手势指令后，从ROM中查询手势对应指令，时钟设备执行指令。设备安装后默认手势为，<拳,掌,拳>立即校时，<拳,OK,拳>显示年月日信息，<拳,剪刀,拳>为显示时间信息，还有可选功能可通过服务器配置后下发至设备。终端设备会一直监听服务器发送的数据，当终端接收到服务器发送的信息时，会中断手势识别，待接受信息完毕并校验通过后，覆盖原有网络及参数并重新启用识别模型进行识别。
一种手势控制大钟的方法，包括以下步骤：
1、当设备首次上电时，会接受GPS24的时间信息对设备进行校时，单片机22读取ROM中预设的神经网络信息及手势信息，启动神经网络模块识别实时的手势信息；
所述有效的手势指令是以组合手势实现的，由拳手势作为开始及结束的标志，即通过设计组合手势及识别组合指令的算法来过滤非法手势指令，过滤获得手势指令后，从ROM中查询手势对应指令，时钟设备执行指令；
2、摄像头组件实时采集的图像传入识别模型，识别模型得出手势识别结果传入指令判别模块，最终通过指令编码模块生成符合协议的具体指令编码；
设备安装后默认手势为，<拳,掌,拳>立即校时，<拳,OK,拳>显示年、月、日信息，<拳,剪刀,拳>为显示时间信息；
3、终端设备持续监听服务器17发送的数据，当终端接收到服务器17发送的信息时，会中断手势识别，待接受信息完毕并校验通过后，覆盖原有网络及参数并重新启用识别模型进行识别；
4、摄像头组件26采集到的彩色图像先灰度转换后经二值化，如公式(1)所示，处理后得到黑白图像作为神经网络的输入
Figure BDA0002381581970000081
其中t为阈值；
网络共有9层，其中第一层为输入层(200*200*1)，再由32个卷积核作卷积运算后得到维度为198*198*32的矩阵，再经过relu激活函数，如公式(2)，对卷积完成的矩阵进行进一步处理；
f(x)＝max(0，x) (2)
再对当前矩阵作一次卷积激活操作之后，经过最大池化层后对矩阵展平作为后面全连接层的输入，全连接层的第一层的单元个数为128，神经元内部的运算公式(3)为
y＝wx+b (3)
激活函数为relu，第二层的单元数为5，对应手势种类的个数，随需求增加而增加，再经softmax激活函数，如公式(4)，输出手势的概率分布，取最大概率着为手势识别的结果。
Figure BDA0002381581970000082
其中V代表包含所有手势种类的序列，i为当前手势，j为手势总数；
损失函数为交叉墒，公式(5)如下：
Figure BDA0002381581970000083
优化函数为AdaDelta:
Figure BDA0002381581970000091
xt＝xt-1-Δxt
识别模块详情如下：
模型的训练：
训练集由五种状态组成，ok手势、剪刀手势，拳手势、手掌手势及空手势；
包含五种手势的数据集总数为4000张，用此数据集对神经网络进行训练。其中70％用于训练，30％用于测试，使用数据集训练了15轮后的损失与准确率参见附图7，多次训练测试后准确率均达到98％，满足使用需求。
模型的使用：识别模块需在摄像头视野中预先定义一个200*200像素的框选范围，也就是说手势必须在框内才能有效识别。当摄像机启动并向神经网络进行传输图像时，神经网络会输出所有所有手势的概率值，哪个手势的概率值最大，则识别结果就为该手势。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种手势控制大钟的方法，其特征在于包括以下步骤：
1)、当设备首次上电时，会接受GPS的时间信息对设备进行校时，单片机读取ROM中预设的神经网络信息及手势信息，启动神经网络模块识别实时的手势信息；
2)、摄像头组件实时采集的图像传入识别模型，识别模型得出手势识别结果传入指令判别模块，最终通过指令编码模块生成符合协议的具体指令编码；
设备安装后默认手势为，<拳,掌,拳>立即校时，<拳,OK,拳>显示年、月、日信息，<拳,剪刀,拳>为显示时间信息；
3)、终端设备持续监听服务器发送的数据，当终端接收到服务器发送的信息时，会中断手势识别，待接受信息完毕并校验通过后，覆盖原有网络及参数并重新启用识别模型进行识别；
4)、摄像头组件采集到的彩色图像先灰度转换后经二值化，如公式(1)所示，处理后得到黑白图像作为神经网络的输入
Figure FDA0002381581960000011
其中t为阈值；
网络共有9层，其中第一层为输入层(200*200*1)，再由32个卷积核作卷积运算后得到维度为198*198*32的矩阵，再经过relu激活函数，如公式(2)，对卷积完成的矩阵进行进一步处理；
f(x)＝max(0，x) (2)
再对当前矩阵作一次卷积激活操作之后，经过最大池化层后对矩阵展平作为后面全连接层的输入，全连接层的第一层的单元个数为128，神经元内部的运算公式(3)为
y＝wx+b (3)
激活函数为relu，第二层的单元数为5，对应手势种类的个数，随需求增加而增加，再经softmax激活函数，如公式(4)，输出手势的概率分布，取最大概率着为手势识别的结果。
Figure FDA0002381581960000021
其中V代表包含所有手势种类的序列，i为当前手势，j为手势总数；
损失函数为交叉墒，公式(5)如下：
Figure FDA0002381581960000022
优化函数为AdaDelta:
Figure FDA0002381581960000023
xt＝xt-1-Δxt
识别模块详情如下：
模型的训练：
训练集由五种状态组成，ok手势、剪刀手势，拳手势、手掌手势及空手势；
包含五种手势的数据集总数为4000张，用此数据集对神经网络进行训练。其中70％用于训练，30％用于测试，多次训练测试后准确率均达到98％，满足使用需求。
2.按照权利要求1所述的一种手势控制大钟的方法，其特征在于步骤1)中所述有效的手势指令是以组合手势实现的，由拳手势作为开始及结束的标志，即通过设计组合手势及识别组合指令的算法来过滤非法手势指令，过滤获得手势指令后，从ROM中查询手势对应指令，时钟设备执行指令。
3.按照权利要求1所述的一种手势控制大钟的方法，其特征在于步骤4)中模型的使用：识别模块需在摄像头视野中预先定义一个200*200像素的框选范围，也就是说手势必须在框内才能有效识别，当摄像机启动并向神经网络进行传输图像时，神经网络会输出所有所有手势的概率值，哪个手势的概率值最大，则识别结果就为该手势。
CN202010084547.XA 2020-02-10 2020-02-10 一种手势控制大钟的方法 Active CN111338470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010084547.XA CN111338470B (zh) 2020-02-10 2020-02-10 一种手势控制大钟的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084547.XA CN111338470B (zh) 2020-02-10 2020-02-10 一种手势控制大钟的方法

Publications (2)

Publication Number Publication Date
CN111338470A true CN111338470A (zh) 2020-06-26
CN111338470B CN111338470B (zh) 2022-10-21

Family

ID=71183573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084547.XA Active CN111338470B (zh) 2020-02-10 2020-02-10 一种手势控制大钟的方法

Country Status (1)

Country Link
CN (1) CN111338470B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112507796A (zh) * 2020-11-10 2021-03-16 温州大学 一种用于医疗传染疾病检测的基于神经网络的手势识别系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3007030A1 (en) * 2014-06-02 2016-04-13 Samsung Electronics Co., Ltd Portable device and control method via gestures
CN106325497A (zh) * 2016-07-28 2017-01-11 广东技术师范学院 一种基于声波手势识别的虚拟电子挂钟
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
CN107480600A (zh) * 2017-07-20 2017-12-15 中国计量大学 一种基于深度卷积神经网络的手势识别方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法
CN109815920A (zh) * 2019-01-29 2019-05-28 南京信息工程大学 基于卷积神经网络和对抗卷积神经网络的手势识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3007030A1 (en) * 2014-06-02 2016-04-13 Samsung Electronics Co., Ltd Portable device and control method via gestures
CN106325497A (zh) * 2016-07-28 2017-01-11 广东技术师范学院 一种基于声波手势识别的虚拟电子挂钟
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
CN107480600A (zh) * 2017-07-20 2017-12-15 中国计量大学 一种基于深度卷积神经网络的手势识别方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法
CN109815920A (zh) * 2019-01-29 2019-05-28 南京信息工程大学 基于卷积神经网络和对抗卷积神经网络的手势识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112507796A (zh) * 2020-11-10 2021-03-16 温州大学 一种用于医疗传染疾病检测的基于神经网络的手势识别系统
CN112507796B (zh) * 2020-11-10 2023-06-20 温州大学 一种用于医疗传染疾病检测的基于神经网络的手势识别系统

Also Published As

Publication number Publication date
CN111338470B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN111338470B (zh) 一种手势控制大钟的方法
US20180285544A1 (en) Method for adaptive authentication and electronic device supporting the same
US10489932B2 (en) Intelligent shooting training management system
CN100590673C (zh) 图像显示器的控制装置及控制方法
US11159715B1 (en) Systems and methods for model-based analysis of damage to a vehicle
US20090315869A1 (en) Digital photo frame, information processing system, and control method
CN104090664B (zh) 一种交互式投影方法、装置及系统
KR20140086463A (ko) 영상 변형 장치 및 그 방법
CN102027317A (zh) 组合式目标捕获系统和显示设备以及相关方法
CN108885487B (zh) 一种可穿戴式系统的手势控制方法以及可穿戴式系统
US20120051726A1 (en) Apparatus, systems, and methods for emulating example photographs
WO2021127888A1 (zh) 控制方法、智能眼镜、可移动平台、云台、控制系统及计算机可读存储介质
US20240087277A1 (en) Fastening tool system and control method thereof
CN106295543A (zh) 多光谱图像获取装置、植被监测方法和装置
KR102045228B1 (ko) 신체 정보 분석 장치 및 얼굴형 모의 방법
KR101679417B1 (ko) 스마트거울장치 및 그 제어방법
CN101388138A (zh) 互动图像系统、互动装置及其运作方法
CN115205468A (zh) 一种基于倾斜摄影的三维建模数据处理系统
CN105979152A (zh) 一种智能拍照系统
CN114979483A (zh) 一种基于数字摄像机的焦点跟踪方法
CN110263390A (zh) 基于无人机视觉测量的天线下倾角自动调整方法及系统
RU198460U1 (ru) Устройство технического зрения малого беспилотного летательного аппарата
CN211375553U (zh) 一种手势控制大钟装置
CN115086094B (zh) 设备选择方法及相关装置
KR20170005975A (ko) 디지털 거울

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220915

Address after: 264003 durable building, 129 Yingchun street, Laishan District, Yantai City, Shandong Province

Applicant after: YANTAI CHIJIU CLOCK-WATCH Co.,Ltd.

Address before: 264003 durable building, 129 Yingchun street, Laishan District, Yantai City, Shandong Province

Applicant before: YANTAI CHIJIU CLOCK-WATCH Co.,Ltd.

Applicant before: SHANDONG INSTITUTE OF BUSINESS AND TECHNOLOGY

GR01 Patent grant
GR01 Patent grant