CN111435429A - 一种基于双目立体数据动态认知的手势识别方法及系统 - Google Patents
一种基于双目立体数据动态认知的手势识别方法及系统 Download PDFInfo
- Publication number
- CN111435429A CN111435429A CN201910033845.3A CN201910033845A CN111435429A CN 111435429 A CN111435429 A CN 111435429A CN 201910033845 A CN201910033845 A CN 201910033845A CN 111435429 A CN111435429 A CN 111435429A
- Authority
- CN
- China
- Prior art keywords
- gesture
- camera
- contour
- hand
- line segments
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000019771 cognition Effects 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 37
- 238000003708 edge detection Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000007983 Tris buffer Substances 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 239000013589 supplement Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000779 smoke Substances 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011160 research 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
- G06V40/10—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
一种基于双目立体数据动态认知的手势识别方法及系统，包括图像采集模块、轮廓数据处理模块、手势数据处理模块、手势识别模块。针对目前手势识别技术在复杂环境下识别率低的问题，通过双目可见光的立体智能认知方法可对目标手势进行精确识别，可增加红外线补光灯，对于纹理很弱、边界模糊的手势也能有较好的识别效果，使得烟雾、高温、黑暗等特殊环境下也能很好地工作；根据逻辑分段特征及色彩特征获取手部轮廓，手部轮廓获取更准确；采用深度学习技术对手势进行识别训练，使得手势识别成功率更高。
Description
技术领域
本发明属于手势识别技术领域，具体而言是一种基于双目立体数据动态认知的手势识别方法及系统。
背景技术
手势控制技术是当前比较新颖的操控技术，因其具有更简单、更自然的操作方式而备受青睐，成为操控技术的发展趋势。手势识别分两种，一种是静态的手势识别，即在摄像头下检测到某个手势时就给出命令；另一种是动态手势识别，即能够识别手做的一些动作。由于静态手势识别技术应用的局限性较大，不够灵活，已日渐淘汰。动态手势识别技术具有实用性，但识别难度比静态手势识别大很多，目前大多数研究方案着眼于手势的最终识别，通常将手势背景简化，并在单一背景下利用所研究的算法将手势进行分割，然后采用常用的识别方法将手势表达的含义通过系统分析出来。在现实应用中，一方面由于目前的机器视觉识别系统本身有缺陷，导致识别速度慢、误差率高；另一方面，当手势处于复杂环境下，例如光线过亮或过暗、较多手势存在、手势与采集设备距离不同时，往往导致识别系统失灵而无法稳定工作。因此，让手势识别系统即使在复杂环境下也能准确识别手势，成为当前手势识别技术领域亟需解决的问题。
发明内容
针对目前手势识别技术在复杂环境下识别率低的问题，本发明提供一种基于双目立体数据动态认知的手势识别方法及系统。
本发明所指的基于双目立体数据动态认知的手势识别方法具体包括以下步骤：
(1)设置双目摄像头，对双目摄像头进行立体标定；
(2)左右摄像头分别摄取左右图像；
(3)利用左右摄像头所摄取的图像进行边缘计算得出图像中所有物体的轮廓；
(4)根据逻辑分段特征及色彩特征从得到的物体轮廓中分离出手部轮廓；
(5)对已完成逻辑分段的手部轮廓进行左右匹配得到三维特征向量；
(6)取相机所摄连续多帧图片提取的三维特征向量，作为手势识别深度学习模型的输入，对手势特征识别进行训练；
(7)利用训练好的手势识别深度学习模型进行手势特征识别，判读手势含义。
本发明还包括实施上述方法的系统，其特征在于，包括：
(1)用于采集图像信息的图像采集模块，包括双目摄像模组及相应的电路；
(2)轮廓数据处理模块，用于对左右摄像头所摄的图像进行边缘计算并得到所有物体的轮廓，包括边缘检测算法模型；
(3)手势数据处理模块，用于提取手部轮廓数据、对提取的手部轮廓数据进行逻辑分段以及分析得到三维特征向量，包括图像分割算法模型、分类器模型；
(4)手势识别模块，用于接收已处理的手势特征向量数据并分析判定手势动作，包括手势识别深度学习模型。
上述轮廓数据处理模块、手势数据处理模块、手势识别模块安装在计算机内运行。
可选地，本发明在一些可能导致手势纹理弱、边界模糊的特殊使用场景下使用时，可以增加红外线补光灯进行红外补光，以使获取物体轮廓的效果更好。
本发明的有益效果是：针对目前手势识别技术在复杂环境下识别率低的问题，通过双目可见光的立体智能认知方法可对目标手势进行精确识别，可增加红外线补光灯，对于纹理很弱、边界模糊的手势也能有较好的识别效果，使得烟雾、高温、黑暗等特殊环境下也能很好地工作；根据逻辑分段特征及色彩特征获取手部轮廓，手部轮廓获取更准确；采用深度学习技术对手势进行识别训练，使得手势识别成功率更高。
附图说明
图1为使用本发明的一个实施例应用场景示意图；
图2为经逻辑分段后得到的特征向量示意图。
图中：1.图像采集模块；2.双目摄像头；3.红外线补光灯。
具体实施方式
参见图1-2，本发明提供一种基于双目立体数据动态认知的手势识别方法及系统，基本思路是通过双目可见光的立体智能认知方法，利用边缘识别算法计算得到双摄图像中所有物体的轮廓，再根据分段特征及色彩特征准确分离出手势轮廓，左右匹配后得到三维特征向量，然后经深度学习技术将三维特征向量的变化与手势特征进行对应，判读手势含义，使得手势识别成功率更高。
本发明的一个实施例的具体实施方法包括以下步骤：
(1)设置双目摄像头，对双目摄像头进行立体标定；
(2)左右摄像头分别摄取左右图像；
(3)利用左右摄像头所摄取的图像进行边缘计算得出图像中所有物体的轮廓；
(4)根据逻辑分段特征及色彩特征从得到的物体轮廓中分离出手部轮廓；
(5)对已完成逻辑分段的手部轮廓进行左右匹配得到三维特征向量；
(6)取相机所摄连续多帧图片提取的三维特征向量，作为手势识别深度学习模型的输入，对手势特征识别进行训练；
(7)利用训练好的手势识别深度学习模型进行手势特征识别，判读手势含义。
上述步骤(1)中对双目摄像头进行立体标定是指：
双目立体视觉根据光学三角法获取物体的三维信息，其关键是精确标定双目系统获得内外参数，匹配空间点分别在两个相机成像面上的像素坐标，根据视差原理计算深度信息。为了获取被测物到两个相机图像平面的成像关系和两个相机之间的位置关系，需要在测量前对系统进行标定。
立体标定的方法包括：
对双目相机的左右摄像机分别标定，获得两个摄像机内参矩阵A，外参矩阵[R T]；旋转矩阵R是两个坐标系统的三组对应坐标轴之间的夹角函数，平移向量T是世界坐标系原点到摄像机平面原点位置偏差；再根据下式得出两相机之间的旋转矩阵R和平移向量T：
其中，Rr为左相机的旋转矩阵，R1为右相机的旋转矩阵，T1为左相机的平移向量，Tr为右相机的平移向量。
上述步骤(3)中计算出所有图像中物体轮廓所用方法包括：使用双目摄像头拍摄得到物体左右图像，利用边缘检测算法计算出所有图像中物体的轮廓。所用边缘检测算法可以是Sobel边缘检测算法，可以是Canny边缘检测算法，也可以是基于支持向量机(SVM)的边缘检测算法。
上述步骤(4)中分离出手部轮廓的方法包括：
首先根据手部色彩特征，在HSV彩色空间中进行肤色检验，将所摄图像转换至HSV格式，并将其分离至HSV三个通道，根据色度和饱和度分割图像，将符合手部色彩特征的图像分割出来。
由于背景中存在类肤色信息，利用该方法分割得到的手部候选区域较多。为了进一步确定手部轮廓，利用逻辑分段特征对手部轮廓进行确定。
所述逻辑分段是指在经上述步骤后得到的轮廓中利用线段的直线特性和弧线特性进行分段，将轮廓线分段为直线段与弧线段，其中手部轮廓在分段时指尖及指缝分段为弧线段，指侧沿分段为直线段。利用分类器对完成逻辑分段的轮廓线段进行分类筛选，筛选出符合手部轮廓的弧线段及直线段，同时根据手部色彩特征，最终分离出手部轮廓。
所述分类器可以是基于支持向量机(SVM)的分类器，也可以是基于深度学习的分类模型。
上述步骤(5)中得到手部轮廓三维特征向量的方法包括：
手部轮廓经上述逻辑分段及分类器的分类筛选后，得到符合手部轮廓特征的弧线段及直线段，提取弧线段及直线段的特征向量得到手部轮廓的指尖、指侧沿、指缝的特征向量，经左右匹配后得到三维特征向量。
上述步骤(6)中对手势特征识别进行训练包括：取相机所摄连续多帧图片按照上述方法分别提取出手部轮廓的三维特征向量，将得到的特征向量输入到手势识别深度学习模型，建立特征向量的变化与手势的对应关系，对模型进行手势特征识别训练。
Claims (12)
1.一种基于双目立体数据动态认知的手势识别方法，其特征在于，具体包括以下步骤：
(1)设置双目摄像头，对双目摄像头进行立体标定；
(2)左右摄像头分别摄取左右图像；
(3)利用左右摄像头所摄取的图像进行边缘计算得出图像中所有物体的轮廓；
(4)根据逻辑分段特征及色彩特征从得到的物体轮廓中分离出手部轮廓；
(5)对已完成逻辑分段的手部轮廓进行左右匹配得到三维特征向量；
(6)取相机所摄连续多帧图片提取的三维特征向量，作为手势识别深度学习模型的输入，对手势特征识别进行训练；
(7)利用训练好的手势识别深度学习模型进行手势特征识别，判读手势含义。
2.根据权利要求1所述的方法，其特征在于，对双目摄像头进行立体标定是指：双目立体视觉根据光学三角法获取物体的三维信息，其关键是精确标定双目系统获得内外参数，匹配空间点分别在两个相机成像面上的像素坐标，根据视差原理计算深度信息，为了获取被测物到两个相机图像平面的成像关系和两个相机之间的位置关系，需要在测量前对系统进行标定。
3.根据权利要求1所述的方法，其特征在于，对双目摄像头进行立体标定的方法包括：
对双目相机的左右摄像机分别标定，获得两个摄像机内参矩阵A，外参矩阵[R T]；旋转矩阵R是两个坐标系统的三组对应坐标轴之间的夹角函数，平移向量T是世界坐标系原点到摄像机平面原点位置偏差；再根据下式得出两相机之间的旋转矩阵R和平移向量T：
其中，Rr为左相机的旋转矩阵，R1为右相机的旋转矩阵，T1为左相机的平移向量，Tr为右相机的平移向量。
4.根据权利要求1所述的方法，其特征在于，计算得出图像中所有物体的轮廓所用方法包括：使用双目摄像头拍摄得到物体左右图像，利用边缘检测算法计算出所有图像中物体的轮廓。
5.根据权利要求4所述的边缘检测算法，其特征在于，所用边缘检测算法可以是Sobel边缘检测算法，可以是Canny边缘检测算法，也可以是基于支持向量机(SVM)的边缘检测算法。
6.根据权利要求1所述的方法，其特征在于，分离出手部轮廓的方法包括：
首先根据手部色彩特征，在HSV彩色空间中进行肤色检验，将所摄图像转换至HSV格式，并将其分离至HSV三个通道，根据色度和饱和度分割图像，将符合手部色彩特征的图像分割出来；
由于背景中存在类肤色信息，利用该方法分割得到的手部候选区域较多，为了进一步确定手部轮廓，利用逻辑分段特征对手部轮廓进行确定，即：在经上述步骤后得到的轮廓中利用线段的直线特性和弧线特性进行分段，将轮廓线分段为直线段与弧线段，其中手部轮廓在分段时指尖及指缝分段为弧线段，指侧沿分段为直线段，利用分类器对完成逻辑分段的轮廓线段进行分类筛选，筛选出符合手部轮廓的弧线段及直线段，同时根据手部色彩特征，最终分离出手部轮廓。
7.根据权利要求6所述的分类器，其特征在于，所述分类器可以是基于支持向量机(SVM)的分类器，也可以是基于深度学习的分类模型。
8.根据权利要求1所述的方法，其特征在于，得到三维特征向量的方法包括：手部轮廓经逻辑分段及分类器的分类筛选后，得到符合手部轮廓特征的弧线段及直线段，提取弧线段及直线段的特征向量得到手部轮廓的指尖、指侧沿、指缝的特征向量，经左右匹配后得到三维特征向量。
9.根据权利要求1所述的方法，其特征在于，对手势特征识别进行训练包括：从相机所摄连续多帧图片中分别提取出手部轮廓的三维特征向量，将得到的特征向量输入到手势识别深度学习模型，建立特征向量的变化与手势的对应关系，对模型进行手势特征识别训练。
10.一种实施上述方法的系统，其特征在于，包括：
(1)用于采集图像信息的图像采集模块，包括双目摄像模组及相应的电路；
(2)轮廓数据处理模块，用于对左右摄像头所摄的图像进行边缘计算并得到所有物体的轮廓，包括边缘检测算法模型；
(3)手势数据处理模块，用于提取手部轮廓数据、对提取的手部轮廓数据进行逻辑分段以及分析得到三维特征向量，包括图像分割算法模型、分类器模型；
(4)手势识别模块，用于接收已处理的手势特征向量数据并分析判定手势动作，包括手势识别深度学习模型。
11.根据权利要求10所述的系统，其特征在于，所述轮廓数据处理模块、手势数据处理模块、手势识别模块安装在计算机内运行。
12.根据权利要求10所述的系统，其特征在于，可以增加红外线补光灯进行红外补光，以使获取物体轮廓的效果更好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033845.3A CN111435429B (zh) | 2019-01-15 | 2019-01-15 | 一种基于双目立体数据动态认知的手势识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033845.3A CN111435429B (zh) | 2019-01-15 | 2019-01-15 | 一种基于双目立体数据动态认知的手势识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111435429A true CN111435429A (zh) | 2020-07-21 |
| CN111435429B CN111435429B (zh) | 2024-03-01 |
Family
ID=71579993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910033845.3A Active CN111435429B (zh) | 2019-01-15 | 2019-01-15 | 一种基于双目立体数据动态认知的手势识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111435429B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667088A (zh) * | 2021-01-06 | 2021-04-16 | 湖南翰坤实业有限公司 | 基于vr行走平台的手势应用识别方法及系统 |
| CN112749664A (zh) * | 2021-01-15 | 2021-05-04 | 广东工贸职业技术学院 | 一种手势识别方法、装置、设备、系统及存储介质 |
| CN113870647A (zh) * | 2021-11-19 | 2021-12-31 | 山西宁志科技有限公司 | 视觉识别系统教学实训台 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6097840A (en) * | 1996-03-29 | 2000-08-01 | Fujitsu Limited | Profile extracting method and system |
| US20110234840A1 (en) * | 2008-10-23 | 2011-09-29 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Apparatus, method and computer program for recognizing a gesture in a picture, and apparatus, method and computer program for controlling a device |
| US20140169621A1 (en) * | 2012-12-13 | 2014-06-19 | Intel Corporation | Gesture pre-processing of video stream to reduce platform power |
| CN103927016A (zh) * | 2014-04-24 | 2014-07-16 | 西北工业大学 | 一种基于双目视觉的实时三维双手手势识别方法及其系统 |
| CN104598915A (zh) * | 2014-01-24 | 2015-05-06 | 深圳奥比中光科技有限公司 | 一种手势识别方法与装置 |
| KR20160124361A (ko) * | 2015-04-17 | 2016-10-27 | 가천대학교 산학협력단 | 다양한 손 제스처 인식을 위한 곡률 분석 기반의 손 특징 추출 방법 |
| CN108256504A (zh) * | 2018-02-11 | 2018-07-06 | 苏州笛卡测试技术有限公司 | 一种基于深度学习的三维动态手势识别方法 |
| US20180288387A1 (en) * | 2017-03-29 | 2018-10-04 | Intel Corporation | Real-time capturing, processing, and rendering of data for enhanced viewing experiences |
| 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 |
-
2019
- 2019-01-15 CN CN201910033845.3A patent/CN111435429B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6097840A (en) * | 1996-03-29 | 2000-08-01 | Fujitsu Limited | Profile extracting method and system |
| US20110234840A1 (en) * | 2008-10-23 | 2011-09-29 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Apparatus, method and computer program for recognizing a gesture in a picture, and apparatus, method and computer program for controlling a device |
| US20140169621A1 (en) * | 2012-12-13 | 2014-06-19 | Intel Corporation | Gesture pre-processing of video stream to reduce platform power |
| CN104598915A (zh) * | 2014-01-24 | 2015-05-06 | 深圳奥比中光科技有限公司 | 一种手势识别方法与装置 |
| CN103927016A (zh) * | 2014-04-24 | 2014-07-16 | 西北工业大学 | 一种基于双目视觉的实时三维双手手势识别方法及其系统 |
| KR20160124361A (ko) * | 2015-04-17 | 2016-10-27 | 가천대학교 산학협력단 | 다양한 손 제스처 인식을 위한 곡률 분석 기반의 손 특징 추출 방법 |
| US20180288387A1 (en) * | 2017-03-29 | 2018-10-04 | Intel Corporation | Real-time capturing, processing, and rendering of data for enhanced viewing experiences |
| CN108256504A (zh) * | 2018-02-11 | 2018-07-06 | 苏州笛卡测试技术有限公司 | 一种基于深度学习的三维动态手势识别方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| YANAN XU 等: "Hand Gesture Recognition Based on Convex Defect Detection", 《2018 INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS AND COMPUTER VISION (ISCV)》, vol. 12, no. 18, pages 7075 - 7079 * |
| 蒋磊磊: "手势图像识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, pages 138 - 2368 * |
| 郭闯世 等: "基于改进霍夫变换算法的手势识别", 《计算机系统应用》, pages 243 - 248 * |
| 陈红梅 等: "基于深度数据的手势识别研究进展", 《江汉大学学报（自然科学版）》, vol. 46, no. 2, pages 101 - 108 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667088A (zh) * | 2021-01-06 | 2021-04-16 | 湖南翰坤实业有限公司 | 基于vr行走平台的手势应用识别方法及系统 |
| CN112749664A (zh) * | 2021-01-15 | 2021-05-04 | 广东工贸职业技术学院 | 一种手势识别方法、装置、设备、系统及存储介质 |
| CN113870647A (zh) * | 2021-11-19 | 2021-12-31 | 山西宁志科技有限公司 | 视觉识别系统教学实训台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111435429B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109344701B (zh) | 一种基于Kinect的动态手势识别方法 | |
| CN111328396B (zh) | 用于图像中的对象的姿态估计和模型检索 | |
| US8411932B2 (en) | Example-based two-dimensional to three-dimensional image conversion method, computer readable medium therefor, and system | |
| EP3258441B1 (en) | Template creation device and template creation method | |
| JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
| CN111783820A (zh) | 图像标注方法和装置 | |
| US10043279B1 (en) | Robust detection and classification of body parts in a depth map | |
| Hernández-Vela et al. | BoVDW: Bag-of-Visual-and-Depth-Words for gesture recognition | |
| CN110751097B (zh) | 一种半监督的三维点云手势关键点检测方法 | |
| CN111435429B (zh) | 一种基于双目立体数据动态认知的手势识别方法及系统 | |
| CN106447701A (zh) | 用于图像相似性确定、对象检测和跟踪的方法和装置 | |
| US10803604B1 (en) | Layered motion representation and extraction in monocular still camera videos | |
| CN112613123A (zh) | 一种飞机管路ar三维注册方法及装置 | |
| CN104866826B (zh) | 一种基于knn和像素比梯度特征的静态手语识别方法 | |
| Wang et al. | Hand posture recognition from disparity cost map | |
| CN111460858A (zh) | 图像中指尖点的确定方法、装置、存储介质及电子设备 | |
| CN112686122B (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
| US20190172212A1 (en) | Multi-modal data fusion for scene segmentation | |
| AUGMENTED | Grayscale image enhancement for enhancing features detection in marker-less augmented reality technology | |
| Akman et al. | Multi-cue hand detection and tracking for a head-mounted augmented reality system | |
| Mukhopadhyay et al. | Comparing shape descriptor methods for different color space and lighting conditions | |
| Domhof et al. | Multimodal joint visual attention model for natural human-robot interaction in domestic environments | |
| KR101357581B1 (ko) | 깊이 정보 기반 사람의 피부 영역 검출 방법 | |
| CN113139946A (zh) | 一种基于视觉的衬衫污渍定位设备 | |
| Tang et al. | A dulcimer keys positioning method based on improved Roberts operator |
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 |