CN111881869A - 一种基于手势数据的分级存储方法及系统 - Google Patents

一种基于手势数据的分级存储方法及系统 Download PDF

Info

Publication number
CN111881869A
CN111881869A CN202010772329.5A CN202010772329A CN111881869A CN 111881869 A CN111881869 A CN 111881869A CN 202010772329 A CN202010772329 A CN 202010772329A CN 111881869 A CN111881869 A CN 111881869A
Authority
CN
China
Prior art keywords
data
gesture data
module
gesture
storage
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
CN202010772329.5A
Other languages
English (en)
Other versions
CN111881869B (zh
Inventor
李菲菲
于昊
董信超
靳登科
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.)
Inspur Cloud Information Technology Co Ltd
Original Assignee
Inspur Cloud Information Technology 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 Inspur Cloud Information Technology Co Ltd filed Critical Inspur Cloud Information Technology Co Ltd
Priority to CN202010772329.5A priority Critical patent/CN111881869B/zh
Publication of CN111881869A publication Critical patent/CN111881869A/zh
Application granted granted Critical
Publication of CN111881869B publication Critical patent/CN111881869B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于手势数据的分级存储方法及系统，属于数据分类、存储技术领域；所述的方法具体步骤如下：S1利用体感设备采集手势数据；S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本；S3利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R‑CNN算法对图片手势数据进行分类；S4对手势数据进行数据分级存储；本发明通过数据分级存储的方式，能够最大限度地满足用户需求，降低存储成本，优化存储空间；同时本发明系统提出手势数据的类型校验和分级存储流程，增加了对手势数据类型的校验和判定，提高数据可分性。

Description

一种基于手势数据的分级存储方法及系统
技术领域
本发明公开一种基于手势数据的分级存储方法及系统，涉及数据分类、存储技术领域。
背景技术
数据信息时代的迅速发展使得传统的存储方式不能满足海量数据的高效化存储需求，传统的数据存储存在精确性小、可靠性差、容错性低等缺点，针对传统数据存储存在的弊端，在数据存储领域还需要进一步的改进和优化以满足数据的存储需求。
针对上述传统数据存储方式存在的弊端，本发明提出一种基于手势数据的分级存储方法及系统，旨在完成对手势数据的分类存储，进而实现手势数据存储的高效性。
发明内容
本发明针对现有技术的问题，提供一种基于手势数据的分级存储方法及系统，所采用的技术方案为：一种基于手势数据的分级存储方法，所述的方法具体步骤如下：
S1利用体感设备采集手势数据；
S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
S3利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
S4对手势数据进行数据分级存储。
所述S1利用Kinect和LeapMotion两种体感设备采集手势数据，具体步骤如下：
S101利用Kinect提取手部图片数据；
S111利用LeapMotion提取手部文本数据。
所述S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本的具体步骤如下：
S201对手势数据的类型进行校验和判别；
S202将判别出的手部图片数据和手部文本数据进行预处理；
S213利用中值滤波算法对手部图片数据进行去噪处理；
S223利用人工方式对无效或不完整的手部文本数据记性剔除。
所述S3利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类。
所述S4对手势数据进行在线、离线和近线的数据分级存储的具体步骤如下：
S401利用点对点直连对手势数据进行在线存储；
S402利用磁带为存储介质对手势数据进行离线存储；
S403利用磁盘和磁带备份对手势数据进行近线存储。
一种基于手势数据的分级存储系统，所述的系统具体包括数据采集模块、数据处理模块、数据分类模块和数据存储模块：
数据采集模块：利用体感设备采集手势数据；
数据处理模块：利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
数据分类模块：利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
数据存储模块：对手势数据进行数据分级存储。
所述数据采集模块利用Kinect和LeapMotion两种体感设备采集手势数据，数据采集模块具体包括图片数据采集模块和文本数据采集模块：
图片数据采集模块：利用Kinect提取手部图片数据；
文本数据采集模块：利用LeapMotion提取手部文本数据。
所述数据处理模块具体包括数据类型判别模块、预处理模块、图片优化模块和文本优化模块：
数据类型判别模块：对手势数据的类型进行校验和判别；
预处理模块：将判别出的手部图片数据和手部文本数据进行预处理；
图片优化模块：利用中值滤波算法对手部图片数据进行去噪处理；
文本优化模块：利用人工方式对无效或不完整的手部文本数据记性剔除。
所述数据分类模块利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类。
所述数据存储模块对手势数据进行在线、离线和近线的数据分级存储，数据存储模块具体包括在线存储模块、离线存储模块和近线存储模块：
在线存储模块：利用点对点直连对手势数据进行在线存储；
离线存储模块：利用磁带为存储介质对手势数据进行离线存储；
近线存储模块：利用磁盘和磁带备份对手势数据进行近线存储。
本发明的有益效果为：在使用本发明方法对手势数据进行分级存储处理时，首先数据采集模块通过体感设备对手势数据进行采集，然后数据处理模块利用OCR文字识别工具判定手势数据类型，将数据类型分类为图片和文本，接着数据分类模块利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类，最后对数据分类模块分类后的手势数据通过数据存储模块进行分级存储即可；
原始的数据存储方式，无法满足数据量急剧增长的需求，也使得数据存储管理复杂性增加，本发明通过数据分级存储的方式，能够最大限度地满足用户需求，降低存储成本，优化存储空间；同时本发明系统提出手势数据的类型校验和分级存储流程，增加了对手势数据类型的校验和判定，提高数据可分性；
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是实施例一的流程示意图；图2是本发明方法的流程图；图3是本发明系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一：
一种基于手势数据的分级存储方法，如图1所示，所述的方法具体步骤如下：
S1利用体感设备采集手势数据；
S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
S3利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
S4对手势数据进行数据分级存储；
在使用本发明方法对手势数据进行分级存储处理时，首先按照S1通过体感设备对手势数据进行采集，然后按照S2利用OCR文字识别工具判定手势数据类型，将数据类型分类为图片和文本，接着按照S3利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类，最后对S3分类后的手势数据按照S4进行分级存储即可；
原始的数据存储方式，无法满足数据量急剧增长的需求，也使得数据存储管理复杂性增加，本发明方法通过数据分级存储的方式，能够最大限度地满足用户需求，降低存储成本，优化存储空间；同时本发明方法提出手势数据的类型校验和分级存储流程，增加了对手势数据类型的校验和判定，提高数据可分性；
进一步的，所述S1利用Kinect和LeapMotion两种体感设备采集手势数据，具体步骤如下：
S101利用Kinect提取手部图片数据；
S111利用LeapMotion提取手部文本数据；
按照S101和S111利用Kinect和LeapMotion体感设备分别采集人体手部的图片信息和文本信息，每类手势数据信息各采集N(N>＝1000)条手势数据，形成Kinect和LeapMotion两类手势数据集；
进一步的，所述S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本的具体步骤如下：
S201对手势数据的类型进行校验和判别；
S202将判别出的手部图片数据和手部文本数据进行预处理；
S213利用中值滤波算法对手部图片数据进行去噪处理；
S223利用人工方式对无效或不完整的手部文本数据记性剔除；
利用V7.5.2.0型号的OCR文字识别工具按照S201对手势数据的类型进行效验和判别，并按照S202分别对手部图片数据以及手部文本数据进行数据预处理，针对手部图片数据，按照S213利用中值滤波算法对图片进行去噪处理，针对手部文本数据，按照S223利用人工方式提出无效或者不完整的手势数据，保留有效文本数据；
进一步的，所述S3利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类；
朴素贝叶斯算法包括两种训练模型：多元分布模型和伯努利模型，为提高计算准确率和识别率，本发明采用多元分布模型进行计算；
再进一步的，所述S4对手势数据进行在线、离线和近线的数据分级存储的具体步骤如下：
S401利用点对点直连对手势数据进行在线存储；
S402利用磁带为存储介质对手势数据进行离线存储；
S403利用磁盘和磁带备份对手势数据进行近线存储。
按照S401利用点对点直连对手势数据进行在线存储，能够降低传输延迟，按照S402利用磁带为存储介质对手势数据进行离线存储，能够降低存储成本，实现海量存储；按照S403采用近线存储设备NetWorker7.0，采取磁盘备份与磁带备份相结合进行近线存储，提高性能优势。
实施例二：
一种基于手势数据的分级存储系统，所述的系统具体包括数据采集模块、数据处理模块、数据分类模块和数据存储模块：
数据采集模块：利用体感设备采集手势数据；
数据处理模块：利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
数据分类模块：利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
数据存储模块：对手势数据进行数据分级存储；
在使用本发明方法对手势数据进行分级存储处理时，首先数据采集模块通过体感设备对手势数据进行采集，然后数据处理模块利用OCR文字识别工具判定手势数据类型，将数据类型分类为图片和文本，接着数据分类模块利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类，最后对数据分类模块分类后的手势数据通过数据存储模块进行分级存储即可；
原始的数据存储方式，无法满足数据量急剧增长的需求，也使得数据存储管理复杂性增加，本发明系统通过数据分级存储的方式，能够最大限度地满足用户需求，降低存储成本，优化存储空间；同时本发明系统提出手势数据的类型校验和分级存储流程，增加了对手势数据类型的校验和判定，提高数据可分性；
进一步的，所述数据采集模块利用Kinect和LeapMotion两种体感设备采集手势数据，数据采集模块具体包括图片数据采集模块和文本数据采集模块：
图片数据采集模块：利用Kinect提取手部图片数据；
文本数据采集模块：利用LeapMotion提取手部文本数据；
图片数据采集模块和文本数据采集模块分别利用Kinect和LeapMotion体感设备分别采集人体手部的图片信息和文本信息，每类手势数据信息各采集N(N>＝1000)条手势数据，形成Kinect和LeapMotion两类手势数据集；
进一步的，所述数据处理模块具体包括数据类型判别模块、预处理模块、图片优化模块和文本优化模块：
数据类型判别模块：对手势数据的类型进行校验和判别；
预处理模块：将判别出的手部图片数据和手部文本数据进行预处理；
图片优化模块：利用中值滤波算法对手部图片数据进行去噪处理；
文本优化模块：利用人工方式对无效或不完整的手部文本数据记性剔除；
利用V7.5.2.0型号的OCR文字识别工具通过数据类型判别模块对手势数据的类型进行效验和判别，接着预处理模块分别对手部图片数据以及手部文本数据进行数据预处理，针对手部图片数据，通过图片优化模块利用中值滤波算法对图片进行去噪处理，针对手部文本数据，通过文本优化模块利用人工方式提出无效或者不完整的手势数据，保留有效文本数据；
进一步的，所述数据分类模块利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类；
朴素贝叶斯算法包括两种训练模型：多元分布模型和伯努利模型，为提高计算准确率和识别率，本发明采用多元分布模型进行计算；
再进一步的，所述数据存储模块对手势数据进行在线、离线和近线的数据分级存储，数据存储模块具体包括在线存储模块、离线存储模块和近线存储模块：
在线存储模块：利用点对点直连对手势数据进行在线存储；
离线存储模块：利用磁带为存储介质对手势数据进行离线存储；
近线存储模块：利用磁盘和磁带备份对手势数据进行近线存储；
在线存储模块利用点对点直连对手势数据进行在线存储，能够降低传输延迟，离线存储模块利用磁带为存储介质对手势数据进行离线存储，能够降低存储成本，实现海量存储；近线存储模块采用近线存储设备NetWorker7.0，采取磁盘备份与磁带备份相结合进行近线存储，提高性能优势。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于手势数据的分级存储方法，其特征是所述的方法具体步骤如下：
S1利用体感设备采集手势数据；
S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
S3利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
S4对手势数据进行数据分级存储。
2.根据权利要求1所述的方法，其特征是所述S1利用Kinect和LeapMotion两种体感设备采集手势数据，具体步骤如下：
S101利用Kinect提取手部图片数据；
S111利用LeapMotion提取手部文本数据。
3.根据权利要求2所述的方法，其特征是所述S2利用OCR文字识别工具判定手势数据类型，分类为图片和文本的具体步骤如下：
S201对手势数据的类型进行校验和判别；
S202将判别出的手部图片数据和手部文本数据进行预处理；
S213利用中值滤波算法对手部图片数据进行去噪处理；
S223利用人工方式对无效或不完整的手部文本数据记性剔除。
4.根据权利要求3所述的方法，其特征是所述S3利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类。
5.根据权利要求4所述的方法，其特征是所述S4对手势数据进行在线、离线和近线的数据分级存储的具体步骤如下：
S401利用点对点直连对手势数据进行在线存储；
S402利用磁带为存储介质对手势数据进行离线存储；
S403利用磁盘和磁带备份对手势数据进行近线存储。
6.一种基于手势数据的分级存储系统，其特征是所述的系统具体包括数据采集模块、数据处理模块、数据分类模块和数据存储模块：
数据采集模块：利用体感设备采集手势数据；
数据处理模块：利用OCR文字识别工具判定手势数据类型，分类为图片和文本；
数据分类模块：利用朴素贝叶斯算法对文本手势数据进行分类，利用Fast R-CNN算法对图片手势数据进行分类；
数据存储模块：对手势数据进行数据分级存储。
7.根据权利要求6所述的系统，其特征是所述数据采集模块利用Kinect和LeapMotion两种体感设备采集手势数据，数据采集模块具体包括图片数据采集模块和文本数据采集模块：
图片数据采集模块：利用Kinect提取手部图片数据；
文本数据采集模块：利用LeapMotion提取手部文本数据。
8.根据权利要求7所述的系统，其特征是所述数据处理模块具体包括数据类型判别模块、预处理模块、图片优化模块和文本优化模块：
数据类型判别模块：对手势数据的类型进行校验和判别；
预处理模块：将判别出的手部图片数据和手部文本数据进行预处理；
图片优化模块：利用中值滤波算法对手部图片数据进行去噪处理；
文本优化模块：利用人工方式对无效或不完整的手部文本数据记性剔除。
9.根据权利要求8所述的系统，其特征是所述数据分类模块利用朴素贝叶斯算法的多元分布模型对文本手势数据进行分类。
10.根据权利要求9所述的系统，其特征是所述数据存储模块对手势数据进行在线、离线和近线的数据分级存储，数据存储模块具体包括在线存储模块、离线存储模块和近线存储模块：
在线存储模块：利用点对点直连对手势数据进行在线存储；
离线存储模块：利用磁带为存储介质对手势数据进行离线存储；
近线存储模块：利用磁盘和磁带备份对手势数据进行近线存储。
CN202010772329.5A 2020-08-04 2020-08-04 一种基于手势数据的分级存储方法及系统 Active CN111881869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010772329.5A CN111881869B (zh) 2020-08-04 2020-08-04 一种基于手势数据的分级存储方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010772329.5A CN111881869B (zh) 2020-08-04 2020-08-04 一种基于手势数据的分级存储方法及系统

Publications (2)

Publication Number Publication Date
CN111881869A true CN111881869A (zh) 2020-11-03
CN111881869B CN111881869B (zh) 2023-04-18

Family

ID=73211470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010772329.5A Active CN111881869B (zh) 2020-08-04 2020-08-04 一种基于手势数据的分级存储方法及系统

Country Status (1)

Country Link
CN (1) CN111881869B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105450677A (zh) * 2014-06-30 2016-03-30 北京金山安全软件有限公司 数据的处理方法、装置及系统
CN106484330A (zh) * 2016-09-27 2017-03-08 郑州云海信息技术有限公司 一种混合磁盘分层数据优化方法和装置
CN106649890A (zh) * 2017-02-07 2017-05-10 税云网络科技服务有限公司 数据存储方法和装置
CN109344884A (zh) * 2018-09-14 2019-02-15 腾讯科技（深圳）有限公司 媒体信息分类方法、训练图片分类模型的方法及装置
CN109800852A (zh) * 2018-11-29 2019-05-24 电子科技大学 一种多模态的垃圾邮件识别方法
CN111222581A (zh) * 2020-01-13 2020-06-02 山东汇贸电子口岸有限公司 一种基于改进分类算法的云存储手势识别系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105450677A (zh) * 2014-06-30 2016-03-30 北京金山安全软件有限公司 数据的处理方法、装置及系统
CN106484330A (zh) * 2016-09-27 2017-03-08 郑州云海信息技术有限公司 一种混合磁盘分层数据优化方法和装置
CN106649890A (zh) * 2017-02-07 2017-05-10 税云网络科技服务有限公司 数据存储方法和装置
CN109344884A (zh) * 2018-09-14 2019-02-15 腾讯科技（深圳）有限公司 媒体信息分类方法、训练图片分类模型的方法及装置
CN109800852A (zh) * 2018-11-29 2019-05-24 电子科技大学 一种多模态的垃圾邮件识别方法
CN111222581A (zh) * 2020-01-13 2020-06-02 山东汇贸电子口岸有限公司 一种基于改进分类算法的云存储手势识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GIULIO MARIN ET AL.: ""Hand gesture recognition with leap motion and kinect devices"", 《IEEE》 *

Also Published As

Publication number Publication date
CN111881869B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109902622B (zh) 一种用于登机牌信息验证的文字检测识别方法
CN106650780B (zh) 数据处理方法及装置、分类器训练方法及系统
CN111444908A (zh) 图像识别方法、装置、终端和存储介质
CN110084289B (zh) 图像标注方法、装置、电子设备及存储介质
CN111753744A (zh) 用于票据图像分类的方法、装置、设备及可读存储介质
CN113128465A (zh) 一种针对工业场景基于改进YOLOv4的小目标检测方法
CN110796039B (zh) 一种面部瑕疵检测方法、装置、电子设备及存储介质
CN113052017A (zh) 一种基于多粒度特征表示和域自适应学习的无监督行人重识别方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN111881869B (zh) 一种基于手势数据的分级存储方法及系统
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN111612803B (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN111275683A (zh) 图像质量评分处理方法、系统、设备及介质
CN116958031A (zh) 一种缺陷检测方法和相关装置
CN113486171B (zh) 一种图像处理方法及装置、电子设备
CN114328884B (zh) 一种图文去重方法及装置
Nag et al. CNN based approach for post disaster damage assessment
CN114093027A (zh) 基于卷积神经网络的动态手势识别方法、装置及可读介质
CN113971810A (zh) 文档生成方法、装置、平台、电子设备以及存储介质
CN111428767B (zh) 数据处理方法及装置、处理器、电子设备及存储介质
CN114666503A (zh) 拍照方法及装置、存储介质、电子设备
CN113763313A (zh) 文本图像的质量检测方法、装置、介质及电子设备
CN114255257A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN112417220A (zh) 一种异构数据的整合方法
CN111881778A (zh) 文本检测的方法、装置、设备和计算机可读介质

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