CN111626158B - 一种基于自适应下降回归的面部标记点跟踪原型设计方法 - Google Patents

一种基于自适应下降回归的面部标记点跟踪原型设计方法 Download PDF

Info

Publication number
CN111626158B
CN111626158B CN202010409836.2A CN202010409836A CN111626158B CN 111626158 B CN111626158 B CN 111626158B CN 202010409836 A CN202010409836 A CN 202010409836A CN 111626158 B CN111626158 B CN 111626158B
Authority
CN
China
Prior art keywords
adaptive
regression
sift
sdm
descent
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
Application number
CN202010409836.2A
Other languages
English (en)
Other versions
CN111626158A (zh
Inventor
刘天键
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.)
Minjiang University
Original Assignee
Minjiang 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 Minjiang University filed Critical Minjiang University
Priority to CN202010409836.2A priority Critical patent/CN111626158B/zh
Publication of CN111626158A publication Critical patent/CN111626158A/zh
Application granted granted Critical
Publication of CN111626158B publication Critical patent/CN111626158B/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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于自适应下降回归的面部标记点跟踪原型设计方法，具体涉及面部标记点跟踪领域，包括以下步骤：采用摄像机实时采集人脸图像，随后利用自适应面部标记点跟踪进行计算。本发明通过设计了自适应面部标记点跟踪，提出了基于OT‑SIFT自适应下降法SDM来进行标记点跟踪，根据预估的姿势选择相应的下降图DM，进行寻优收敛标记点，为了降低特征描述子的长度，提出了一种紧凑的正交变换OT‑SIFT特征描述子，先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点，根据头部姿势的输入自适应地选择CDM的方式，可以提高传统的SDM算法的精度和稳定性。

Description

一种基于自适应下降回归的面部标记点跟踪原型设计方法
技术领域
本发明涉及面部标记点跟踪技术领域，更具体地说，本发明涉及一种基于自适应下降回归的面部标记点跟踪原型设计方法。
背景技术
目前，随着计算机软件与硬件的飞速发展，人们的生活变得更加快捷方便，在复杂多变环境中使用计算机的方式也在不断进步和改变。传统基于鼠标和键盘的人机交互技术越来越显示出局限性，基于悬浮触控技术的人机交互方式以其灵活、智能、方便和自然，逐渐为人们所青睐。在各种人机交互方式中，电脑是基于键盘鼠标的被动信息获取，需要人们进行额外的训练。智能手机采用手指触摸的方式输入，可以方便录音和拍摄图片视频，但是信息输入还需要人们主动指引，缺乏持续性，而且交互过程与真实场景分离。悬浮触控设备(如Hololens、Google glass)可实时、持续地获取场景以及支持更自然的视线输入，交互方式与真实世界融合，但需提升计算能力和完善建模能力。视线估计是一种非常好的悬浮触控技术，将人眼作为输入媒介，通过眼睛盯视对外部设备进行控制，以实现多任务、多通道操作。眼动跟踪作为悬浮触控技术的重要组成部分，它的研究涉及心理学、生理学、行为学、人工智能、模式识别、计算机视觉、图像分析与处理等多个学科领域，更是模式识别、人工智能和机器视觉学科的典型案例之一。对它们的研究不但具有深远的理论价值，而且具有广阔的实际应用背景。近年来，虽然侵入式眼动跟踪技术取得了很大进展，但非侵入式眼动跟踪技术尚不成熟。要实现真正鲁棒、实用的非侵入式眼动跟踪和视线估计系统还需要解决大量的关键问题，尤其需要研究高效的人眼特征表示，以及实现头部自由动作的视线方向估计方法。
从国内外的发展现状来看，眼动跟踪和视线估计技术取得了重大进展，一共有以下三种研究：基于视觉的眼动跟踪研究、基于视觉的头部姿势估计研究及基于视觉的视线估计研究。这些研究成果对实际应用具有重要的指导意义，尤其是在人机交互的一些应用中。但是，由于人眼的差异、部分遮挡、形状表观变化、头部姿势的变化等的影响，使得这方面的研究依然充满挑战。
基于头戴式方法的正确率比较高，视线方向估计精度在0.5-1°，然而，这并不意味着眼动跟踪技术已经非常成熟了，恰恰相反，因为前期的研究基于IR光源和头戴式设备，对人的限制很强，佩戴也不舒服，实验要求的环境也不容易搭建，所以，基于可见光谱、非侵入式的系统逐渐成为研究的热点，由于远置式系统对眼部图像有更高的要求，并且头部姿态带来的影响也是一个等待完善的研究问题，目前远置式系统的准确率不如头戴式系统测试准确率高。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于自适应下降回归的面部标记点跟踪原型设计方法，通过设计了自适应面部标记点跟踪，提出了基于OT-SIFT自适应下降法SDM来进行标记点跟踪，根据预估的姿势选择相应的下降图DM，进行寻优收敛标记点，为了降低特征描述子的长度，提出了一种紧凑的正交变换OT-SIFT特征描述子，正交变换一个主要优点是可以把高维数据映射到低维数据中，并保持其中的大部分信息，其中在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点，根据头部姿势的输入自适应地选择CDM的方式，可以提高传统的SDM算法的精度和稳定性。
为实现上述目的，本发明提供如下技术方案：一种基于自适应下降回归的面部标记点跟踪原型设计方法，包括以下步骤：
步骤一：采用摄像机实时采集人脸图像，随后，将实时采集到的图像输入到计算机内进行分析并处理；
步骤二：采集一帧研究人员的图像，运用卷积变分自动编码器(CVAE)联合粒子滤波模型进行人脸跟踪；
步骤三：把跟踪窗输出到自适应面部标记点跟踪内的随机森林头部姿势预估，对图像中的研究人员进行头部姿势预估计，在随机森林姿势预估中建立三个随机森林，将人脸图像传输给三个随机森林；
步骤四：经过头部姿势预估计处理后的图像直接传输给自适应SDM回归，自适应SDM回归内部在进行下降回归算法SDM(Supervised Descent Method)的过程中采用不同种类的下降图DM(Descent Map)，并且基于正交变换OT-SIFT特征(Orthogonal TransformSIFT)的自适应SDM方法来进行计算并跟踪脸部标记点，以此获得脸部标记关键点坐标；
步骤五：联合CVAE编码器输出的分布式表示得到目标的嵌入式表示，并利用循环神经网络训练获得视线方向回归函数，以此估计关注点坐标。
在一个优选地实施方式中，所述步骤三中每个随机森林分别对应有5个输出，分别对应有-90°、-45°、0°、45°、90°，并利用摆角、仰角和旋转角等方式进行分析。
在一个优选地实施方式中，所述步骤四中的自适应SDM回归内部配合有正交变换OT-SIFT特征(Orthogonal Transform SIFT)的自适应SDM方法，保留传统的SIFT描述子生成过程中确定特征点位置、尺度和方向的步骤，修改SIFT描述子生成过程中通过对特征点周围邻域内的梯度信息进行直方图统计的部分，而是通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子。
在一个优选地实施方式中，所述步骤四中的下降回归算法SDM过程中，配合有自适应下降回归模型，其中在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM(Conditional Descent Map)，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点。
在一个优选地实施方式中，所述OT-SIFT使用标准SIFT特征生成过程的前三个步骤，也就是使用SIFT的特征点位置、尺度和主方向，不同的是，在描述子生成的过程中，SIFT通过对特征点周围邻域内的梯度信息进行直方图统计，而OT-SIFT通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子。
在一个优选地实施方式中，所述SDM数据模型中的一个DM只能代表具有一定尺度变化的某个头部姿态。
本发明的技术效果和优点：
本发明通过设计了自适应面部标记点跟踪，提出了基于OT-SIFT自适应下降法SDM来进行标记点跟踪，根据预估的姿势选择相应的下降图DM，进行寻优收敛标记点，为了降低特征描述子的长度，提出了一种紧凑的正交变换OT-SIFT特征描述子，正交变换一个主要优点是可以把高维数据映射到低维数据中，并保持其中的大部分信息，其中在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点，根据头部姿势的输入自适应地选择CDM的方式，可以提高传统的SDM算法的精度和稳定性。
附图说明
图1为本发明的自适应面部标记点跟踪示意图。
图2为本发明自适应SDM方法示意图。
图3为本发明的SIFT描述子示意图。
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。
根据图1-3所示的一种基于自适应下降回归的面部标记点跟踪原型设计方法，包括以下步骤：
步骤一：采用摄像机实时采集人脸图像，随后，将实时采集到的图像输入到计算机内进行分析并处理；
步骤二：采集一帧研究人员的图像，运用卷积变分自动编码器(CVAE)联合粒子滤波模型进行人脸跟踪；
步骤三：把跟踪窗输出到自适应面部标记点跟踪内的随机森林头部姿势预估，对图像中的研究人员进行头部姿势预估计，在随机森林姿势预估中建立三个随机森林，将人脸图像传输给三个随机森林；
步骤四：经过头部姿势预估计处理后的图像直接传输给自适应SDM回归，自适应SDM回归内部在进行下降回归算法SDM(Supervised Descent Method)的过程中采用不同种类的下降图DM(Descent Map)，并且基于正交变换OT-SIFT特征(Orthogonal TransformSIFT)的自适应SDM方法来进行计算并跟踪脸部标记点，以此获得脸部标记关键点坐标；
步骤五：联合CVAE编码器输出的分布式表示得到目标的嵌入式表示，并利用循环神经网络训练获得视线方向回归函数，以此估计关注点坐标。
进一步的，所述步骤三中每个随机森林分别对应有5个输出，分别对应有-90°、-45°、0°、45°、90°，并利用摆角、仰角和旋转角等方式进行分析。
进一步的，所述步骤四中的自适应SDM回归内部配合有正交变换OT-SIFT特征(Orthogonal Transform SIFT)的自适应SDM方法，保留传统的SIFT描述子生成过程中确定特征点位置、尺度和方向的步骤，修改SIFT描述子生成过程中通过对特征点周围邻域内的梯度信息进行直方图统计的部分，而是通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子。
进一步的，所述步骤四中的下降回归算法SDM过程中，为解决SDM算法在头部姿势大范围运动时陷入极小值的问题，采用自适应下降回归模型提高面部标记点跟踪的精度，按照贝叶斯规则，即后验概率等于先验概率乘以条件概率，在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM(ConditionalDescent Map)，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点，根据头部姿势的输入自适应地选择CDM的方式，可以提高传统的SDM算法的精度和稳定性。
进一步的，所述OT-SIFT使用标准SIFT特征生成过程的前三个步骤，也就是使用SIFT的特征点位置、尺度和主方向，不同的是，在描述子生成的过程中，SIFT通过对特征点周围邻域内的梯度信息进行直方图统计，而OT-SIFT通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子，正交变换能够去除数据间的冗余，变换系数间的相关性为零或较小，通过采用正交变换技术，OT-SIFT描述子的维度可以较低到36维(甚至更低)，相对于128维的SIFT，可以显著减少描述子长度，同其它的描述符降维方法相比，OT-SIFT不仅具有描述子长度较低，而且生成过程不需要训练，另外，OT-SIFT描述子同时具有较强的区分度，对尺度变化以及几何形变具有相当的鲁棒性。
进一步的，所述SDM数据模型中的一个DM只能代表具有一定尺度变化的某个头部姿态。
具体实施方式为：为了提高视线方向估计的精度，设计了头部姿势预估计，在人脸跟踪成功后，把跟踪窗图像输入给三个随机森林，每个随机森林有5个输出，对应-90°、-45°、0°、45°、90°，进行摆角、仰角和旋转角的粗略估计，主要是为了提高面部标记点检测的精度；
其次，为了提高面部标记点跟踪精度，采用策略是增加自适应的环节，即在进行下降回归算法SDM(Supervised Descent Method)过程中采用不同下降图DM(Descent Map)，其主要思想是：每个DM对应空间中一定范围内固定位置的头部姿态，当头部移动到某一空间位置时，选择与位置相应的DM进行回归计算，以减少误差累积，为了减少大范围面部标记点跟踪时搜索到局部极值点，设计基于正交变换OT-SIFT特征(Orthogonal TransformSIFT)的自适应SDM方法，保留传统的SIFT描述子生成过程中确定特征点位置、尺度和方向的步骤，修改SIFT描述子生成过程中通过对特征点周围邻域内的梯度信息进行直方图统计的部分，而是通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子，SDM数据模型中的一个DM只能代表具有一定尺度变化的某个头部姿态，在跟踪过程中，只要当前帧的头部姿势与模型中的头部姿势接近，就可以进行回归计算，从而减少跟踪过程收敛到局部极值点。
本发明工作原理：
参照说明书附图1-3，通过设计了自适应面部标记点跟踪，提出了基于OT-SIFT自适应下降法SDM来进行标记点跟踪，根据预估的姿势选择相应的下降图DM，进行寻优收敛标记点，为了降低特征描述子的长度，提出了一种紧凑的正交变换OT-SIFT特征描述子，正交变换一个主要优点是可以把高维数据映射到低维数据中，并保持其中的大部分信息，其中在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点，根据头部姿势的输入自适应地选择CDM的方式，可以提高传统的SDM算法的精度和稳定性。
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于自适应下降回归的面部标记点跟踪原型设计方法，其特征在于，包括以下步骤：
步骤一：采用摄像机实时采集人脸图像，随后，将实时采集到的图像输入到计算机内进行分析并处理；
步骤二：采集一帧研究人员的图像，运用卷积变分自动编码器联合粒子滤波模型进行人脸跟踪；
步骤三：把跟踪窗输出到自适应面部标记点跟踪内的随机森林头部姿势预估，对图像中的研究人员进行头部姿势预估计，在随机森林姿势预估中建立三个随机森林，将人脸图像传输给三个随机森林；
步骤四：经过头部姿势预估计处理后的图像直接传输给自适应SDM回归，自适应SDM回归内部在进行下降回归算法SDM的过程中采用不同种类的下降图DM，并且基于正交变换OT-SIFT特征的自适应SDM方法来进行计算并跟踪脸部标记点，以此获得脸部标记关键点坐标；
所述步骤四中的自适应SDM回归内部配合有正交变换OT-SIFT特征的自适应SDM方法，保留传统的SIFT描述子生成过程中确定特征点位置、尺度和方向的步骤，修改SIFT描述子生成过程中通过对特征点周围邻域内的梯度信息进行直方图统计的部分，通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子；
步骤五：联合CVAE编码器输出的分布式表示得到目标的嵌入式表示，并利用循环神经网络训练获得视线方向回归函数，以此估计关注点坐标。
2.根据权利要求1所述的一种基于自适应下降回归的面部标记点跟踪原型设计方法，其特征在于：所述步骤三中每个随机森林有5个输出，分别对应有-90°、-45°、0°、45°、90°，并利用摆角、仰角和旋转角方式进行分析。
3.根据权利要求1所述的一种基于自适应下降回归的面部标记点跟踪原型设计方法，其特征在于：所述步骤四中的下降回归算法SDM过程中，配合有自适应下降回归模型，其中在下降图DM的训练过程中，把训练集按照头部姿势分成若干个子集，在每个子集上训练得到条件下降图CDM，当测试时，首先通过头部姿势的估计来选择模型中的CDM，然后再根据CDM级联回归计算标记点。
4.根据权利要求1所述的一种基于自适应下降回归的面部标记点跟踪原型设计方法，其特征在于：OT-SIFT使用标准SIFT特征生成过程的前三个步骤，也就是使用SIFT的特征点位置、尺度和主方向，不同的是，在描述子生成的过程中，SIFT通过对特征点周围邻域内的梯度信息进行直方图统计，而OT-SIFT通过对有向梯度信息进行正交变化后，在变化域来获得低维的描述子。
5.根据权利要求3所述的一种基于自适应下降回归的面部标记点跟踪原型设计方法，其特征在于：SDM数据模型中的一个DM只能代表具有一定尺度变化的某个头部姿态。
CN202010409836.2A 2020-05-14 2020-05-14 一种基于自适应下降回归的面部标记点跟踪原型设计方法 Active CN111626158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010409836.2A CN111626158B (zh) 2020-05-14 2020-05-14 一种基于自适应下降回归的面部标记点跟踪原型设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010409836.2A CN111626158B (zh) 2020-05-14 2020-05-14 一种基于自适应下降回归的面部标记点跟踪原型设计方法

Publications (2)

Publication Number Publication Date
CN111626158A CN111626158A (zh) 2020-09-04
CN111626158B true CN111626158B (zh) 2023-04-07

Family

ID=72258123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010409836.2A Active CN111626158B (zh) 2020-05-14 2020-05-14 一种基于自适应下降回归的面部标记点跟踪原型设计方法

Country Status (1)

Country Link
CN (1) CN111626158B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014117446A1 (zh) * 2013-02-02 2014-08-07 浙江大学 基于单个视频摄像机的实时人脸动画方法
CN106682598A (zh) * 2016-12-14 2017-05-17 华南理工大学 一种基于级联回归的多姿态的人脸特征点检测方法
CN107992854A (zh) * 2017-12-22 2018-05-04 重庆邮电大学 基于机器视觉的林业生态环境人机交互方法
CN110046537A (zh) * 2017-12-08 2019-07-23 辉达公司 使用递归神经网络进行动态面部分析的系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014117446A1 (zh) * 2013-02-02 2014-08-07 浙江大学 基于单个视频摄像机的实时人脸动画方法
CN106682598A (zh) * 2016-12-14 2017-05-17 华南理工大学 一种基于级联回归的多姿态的人脸特征点检测方法
CN110046537A (zh) * 2017-12-08 2019-07-23 辉达公司 使用递归神经网络进行动态面部分析的系统和方法
CN107992854A (zh) * 2017-12-22 2018-05-04 重庆邮电大学 基于机器视觉的林业生态环境人机交互方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张明丽.人脸关键点检测算法研究.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2018,全文. *

Also Published As

Publication number Publication date
CN111626158A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Bandini et al. Analysis of the hands in egocentric vision: A survey
Lim et al. Isolated sign language recognition using convolutional neural network hand modelling and hand energy image
Du et al. Representation learning of temporal dynamics for skeleton-based action recognition
Tian et al. Gesture recognition based on multilevel multimodal feature fusion
Saini et al. A review on particle swarm optimization algorithm and its variants to human motion tracking
Kumar et al. Indian sign language recognition using graph matching on 3D motion captured signs
CN111046734A (zh) 基于膨胀卷积的多模态融合视线估计方法
CN111626152B (zh) 一种基于Few-shot的时空视线方向估计原型设计方法
Nogales et al. Hand gesture recognition using machine learning and infrared information: a systematic literature review
Amsaprabhaa Multimodal spatiotemporal skeletal kinematic gait feature fusion for vision-based fall detection
Xu et al. Robust hand gesture recognition based on RGB-D Data for natural human–computer interaction
CN110555383A (zh) 一种基于卷积神经网络和3d估计的手势识别方法
CN113901891A (zh) 帕金森病握拳任务的评估方法及系统、存储介质及终端
Luo et al. Multi-set canonical correlation analysis for 3D abnormal gait behaviour recognition based on virtual sample generation
Mahanama et al. Gaze-Net: Appearance-based gaze estimation using capsule networks
Geng Research on athlete’s action recognition based on acceleration sensor and deep learning
Tian et al. Gesture image recognition method based on DC-Res2Net and a feature fusion attention module
CN111626158B (zh) 一种基于自适应下降回归的面部标记点跟踪原型设计方法
Enikeev et al. Recognition of sign language using leap motion controller data
Zheng et al. CG-Recognizer: A biosignal-based continuous gesture recognition system
CN111428609A (zh) 一种基于深度学习的人体姿态识别方法及系统
Oikonomopoulos et al. Trajectory-based representation of human actions
Kim et al. Continuous gesture recognition using HLAC and low-dimensional space
Waheed et al. An Automated Human Action Recognition and Classification Framework Using Deep Learning
Chae et al. Genetic algorithm-based adaptive weight decision method for motion estimation framework

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