CN112232217B - 手势识别系统 - Google Patents
手势识别系统 Download PDFInfo
- Publication number
- CN112232217B CN112232217B CN202011112922.3A CN202011112922A CN112232217B CN 112232217 B CN112232217 B CN 112232217B CN 202011112922 A CN202011112922 A CN 202011112922A CN 112232217 B CN112232217 B CN 112232217B
- Authority
- CN
- China
- Prior art keywords
- gesture
- image
- module
- recognition
- segmentation
- 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
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
- G06V40/20—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,公开了一种手势识别系统,包括图像采集模块、图像预处理模块和识别模块,所述图像采集模块用于采集模拟视频信号,并将其转换为数字信号并送入图像处理模块进行后续处理;所述图像处理预模块用于手势图像的缓存、成帧、预处理,并将预处理的数据送入识别模块进行后续处理;所述识别模块用于手势分割、手势特征提取和识别,并将识别结果进行输出,本发明有效提高对于手势提取和识别的工作的可靠性,得到更精准的识别结果,为人机交互提供了更准确的输入基础,具有切实意义上的实用价值。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种一种手势识别系统。
背景技术
随着计算机技术的突飞猛进,人机交互技术在人们的生活中越来越普及。人机交互(Human-Computer Interaction,HCI)技术是指用户与计算机之间使用某种操作方式而执行的一种人与计算机之间的交互过程。它的发展大致经历了纯手工作业阶段、语言命令控制阶段、用户界面阶段等,然而随着近年来人工智能等技术的不断发展,逐渐引起对人机交互技术发展的重视。
现在随着计算机在应用领域方面的不断拓展,现有的人机交互方式已经不能满足人们对日常需求的更高层次的要求,急需一种更加简洁、友好的新型人机相互交互的方式。由于人机交互的最终目的是为了实现人与机器之间自然地交流,而在日常生活中人与人之间大部分是通过肢体语言或者面部表情来传达信息的,只有一小部分是通过自然语言来完成的,这就表明肢体语言表达人类情感或者意图方面具有更大的优势。由于在肢体语言当中,手扮演着极为重要的角色,因此,基于手势行为的交互方式即手势行为识别系统,也即手势识别系统受到人们的广泛关注。
一般情况下,手势识别系统主要由以下几个部分组成:手势预处理、手势分割、手势建模、手势特征提取、手势识别。在手势分割中,亮度会在很大程度上影响肤色的表现,但不同个体在不同亮度条件下的肤色在色度空间具有分布的统一性。因此,亮度无关的色度空间之中,不同个体甚至不同人种的肤色的分布都有着十分明显的聚类特性。如果对手势的背景做一些限制,就可以用基于肤色模型的方法快速分割出手势。然而大部分的情况下背景的条件比较复杂,很难加以限制,因此如何在复杂背景下进行基于肤色聚类的手势分割是一个难点。
发明内容
针对现有技术的不足,本发明提供一种手势识别系统用以解决现有技术中问题。
本发明解决技术问题采用如下技术方案:
一种手势识别系统,包括图像采集模块、图像预处理模块、识别模块;
所述图像采集模块用于采集模拟视频信号,并将其转换为数字信号并送入图像处理模块进行后续处理;
所述图像处理预模块用于手势图像的缓存、成帧、预处理,并将预处理的数据送入识别模块,所述预处理包括:确定手势是否为静态的手势,若为静态的手势,只传输一张图像给识别模块进行处理;
所述识别模块用于手势分割、手势特征提取和识别,并将识别结果进行输出,其中:
所述手势分割具体包括:
利用前N帧图像建立背景模型,取每一像素点的均值作为背景图像,并按照肤色的方法进行分割,将分割所得的二值图像白色区域的面积记为A,并将分割结果记做I;
对第N+1帧图像采用肤色方法来完成图像分割,将分割出来的区域的面积记为AAl,并将分割结果记做IA;
将分割后的背景图像和第N+1帧图像进行差值计算,将分割出来的部分面积记为AF,并将分割结果记做IF,计算两幅图像差值所导致的重合像素面积占图像总像素面积的比例M,若M大于预设阈值,利用新的肤色阈值范围重新分割;否则认为该图像已经完成分割,没有重叠部分,继续下一帧图像分割;
将IF图像的原彩色图像中H分量进行分析,取图像H分量矩阵的各行最大值的均值作为H分量新阈值的上限,同样将H分量的各行的非零最小值的均值作为新阈值的下限,按照此新阈值范围重新对第N+1帧图像进行分割,这一分割结果即为最终的结果;
所述识别具体包括:
设置神经网络各层节点的数量、最大训练次数、学习率、目标误差精度等,并为各层权值赋随机的0~1内的初值;
选取训练样本手势图像,经分割后提取出各手势图像的特征向量,作为神经网络的输入向量;
根据训练样本进行网络训练,直到误差函数小于预设的误差精度或训练次数超过了预设的最大次数;
神经网络训练结束,将待测试的手势图像提出特征向量,作为输入向量,进行识别;
所述手势特征提取采用基于拓扑结构的特征提取、基于几何矩的特征提取和基于统计信息的特征提取中的一种。
优选地,还包括通信接口和存储器,所述图像采集模块、图像预处理模块、识别模块、通信接口和存储器通过总线相互连接。
优选地,所述手势特征提取采用基于拓扑结构的特征提取、基于几何矩的特征提取和基于统计信息的特征提取中的一种。
优选地,所述采集模拟视频信号具体包括:摄像头采用PAL制式,采用隔行扫描,每一帧图像分为两场,每场图像的大小为200kb,每秒显示50场图像。
优选地,所述训练样本手势图像具体包括:捏取手势、圆圈手势、正确手势、Okay手势、确认手势、锁定手势、瞄准手势、对焦手势。
与现有技术相比,本发明具有如下的有益效果:
本发明的手势识别过程中采用的分割效果较好,基本还原了原图像中手势的部分,滤除掉了背景,并且没有将肤色重叠部分也滤除掉,虽然分割出来的图像中仍有一些小的孔洞,但这对后面的特征提取和识别工作来说是可靠的,同时本发明中手势分割结合了神经网络的训练和匹配,可以提高手势识别的准确度。
附图说明
图1为本发明实施例的一种手势识别系统的结构示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
请参照图1,本实施例的一种手势识别系统,包括图像采集模块、图像预处理模块、识别模块、通信接口和存储器,所述图像采集模块、图像预处理模块、识别模块、通信接口和存储器通过总线相互连接;
所述图像采集模块用于采集模拟视频信号,并将其转换为数字信号并送入图像处理模块进行后续处理;
所述图像处理预模块用于手势图像的缓存、成帧、预处理,并将预处理的数据送入识别模块,所述预处理包括:确定手势是否为静态的手势,若为静态的手势,只传输一张图像给识别模块进行处理;
所述识别模块用于手势分割、手势特征提取和识别,并将识别结果进行输出,其中:
所述手势分割具体包括:
利用前N帧图像建立背景模型,取每一像素点的均值作为背景图像,并按照肤色的方法进行分割,将分割所得的二值图像白色区域的面积记为A,并将分割结果记做I;
对第N+1帧图像采用肤色方法来完成图像分割,将分割出来的区域的面积记为AAl,并将分割结果记做IA;
将分割后的背景图像和第N+1帧图像进行差值计算,将分割出来的部分面积记为AF,并将分割结果记做IF,计算两幅图像差值所导致的重合像素面积占图像总像素面积的比例M,若M大于预设阈值,利用新的肤色阈值范围重新分割;否则认为该图像已经完成分割,没有重叠部分,继续下一帧图像分割;
将IF图像的原彩色图像中H分量进行分析,取图像H分量矩阵的各行最大值的均值作为H分量新阈值的上限,同样将H分量的各行的非零最小值的均值作为新阈值的下限,按照此新阈值范围重新对第N+1帧图像进行分割,这一分割结果即为最终的结果;
进行完手势分割之后,要想对手势进行识别,先要把手势的特征从图像中提取出来。手势特征提取是指从原图像中提取出一部分数据,从而归纳出来可以描述手势的特征向量,例如形状、轮廓、位置、运动速率、方向角等等。手势识别系统中选择哪种特征向量非常重要,选取的特征必须要有概括性、代表性、鲁棒性,如果选取的特征不合适,那么很有可能出现错误的识别结果。
特征提取一般要遵循两个原则:一是提取出来的特征向量要能够描述手势的特点,以便后面可以准确的识别,二是提取的特征向量的维数要选取合适。这是因为经过手势分割后的手势图像,虽然已经变成了二值图像,但其仍然包含了大量像素点,这对于手势的识别判断是非常困难的。大量的像素数据是冗余的,而少量像素点又不足以判断出手势类别,因此必须将部分像素点结合起来才有可能识别出手势。也就是说,训练的手势样本处在高维空间,为了降低计算复杂度,必须把高维空间通过降维映射到低维空间,以便于反映出不同类别手势的本质特点,实现手势分类;
目前比较常见的手势特征提取方法有基于拓扑结构的特征提取、基于几何矩的特征提取和基于统计信息的特征提取等。主成分分析法(PCA)是一种降低大量相关的数据维度的方法,同时可以保持数据对方差贡献最大的特征。使用PCA对手势图像进行特征提取,可以很大程度减少样本图像的相关性和数据间的冗余性,因此本文采用基于PCA的方法进行手势的特征提取。
所述识别具体包括:
设置神经网络各层节点的数量、最大训练次数、学习率、目标误差精度等,并为各层权值赋随机的0~1内的初值;
选取训练样本手势图像,经分割后提取出各手势图像的特征向量,作为神经网络的输入向量;
根据训练样本进行网络训练,直到误差函数小于预设的误差精度或训练次数超过了预设的最大次数;
神经网络训练结束,将待测试的手势图像提出特征向量,作为输入向量,进行识别;
所述手势特征提取采用基于拓扑结构的特征提取、基于几何矩的特征提取和基于统计信息的特征提取中的一种。
本实施例中采集模拟视频信号具体包括:
通过摄像头采用PAL制式,采用隔行扫描,每一帧图像分为两场,每场图像的大小为200kb,每秒显示50场图像。
本实施例中训练样本手势图像具体包括:捏取手势、圆圈手势、正确手势、Okay手势、确认手势、锁定手势、瞄准手势、对焦手势。
本实施例还提供一种电子设备,包括:存储器,用于存储可执行指令;
以及处理器,用于与所述存储器通信以执行所述可执行指令从而完成前述手势识别系统的功能操作。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有手势识别程序,所述手势识别程序可被一个或者多个处理器执行,以实现如前述的手势识别系统的功能步骤。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (4)
1.一种手势识别系统,其特征在于,包括图像采集模块、图像预处理模块、识别模块;
所述图像采集模块用于采集模拟视频信号,并将其转换为数字信号并送入图像处理模块进行后续处理;
所述图像处理预模块用于手势图像的缓存、成帧、预处理,并将预处理的数据送入识别模块,所述预处理包括:确定手势是否为静态的手势,若为静态的手势,只传输一张图像给识别模块进行处理;
所述识别模块用于手势分割、手势特征提取和识别,并将识别结果进行输出,其中:
所述手势分割具体包括:
利用前 N 帧图像建立背景模型,取每一像素点的均值作为背景图像,并按照肤色的方法进行分割,将分割所得的二值图像白色区域的面积记为 A,并将分割结果记做 I;
对第 N+1 帧图像采用肤色方法来完成图像分割,将分割出来的区域的面积记为 AAl,并将分割结果记做 IA;
将分割后的背景图像和第 N+1 帧图像进行差值计算,将分割出来的部分面积记为AF,并将分割结果记做 IF,计算两幅图像差值所导致的重合像素面积占图像总像素面积的比例M,若 M 大于预设阈值,利用新的肤色阈值范围重新分割;否则认为该图像已经完成分割,没有重叠部分,继续下一帧图像分割;
将 IF图像的原彩色图像中 H 分量进行分析,取图像 H 分量矩阵的各行最大值的均值作为 H 分量新阈值的上限,同样将 H 分量的各行的非零最小值的均值作为新阈值的下限,按照此新阈值范围重新对第 N+1 帧图像进行分割,这一分割结果即为最终的结果;
所述识别具体包括:
设置神经网络各层节点的数量、最大训练次数、学习率、目标误差精度等,并为各层权值赋随机的 0~1 内的初值;
选取训练样本手势图像,经分割后提取出各手势图像的特征向量,作为神经网络的输入向量;
根据训练样本进行网络训练,直到误差函数小于预设的误差精度或训练次数超过了预设的最大次数;
神经网络训练结束,将待测试的手势图像提出特征向量,作为输入向量,进行识别;
所述手势特征提取采用基于拓扑结构的特征提取、基于几何矩的特征提取和基于统计信息的特征提取中的一种。
2.根据权利要求1所述的一种手势识别系统,其特征在于,还包括通信接口和存储器,所述图像采集模块、图像预处理模块、识别模块、通信接口和存储器通过总线相互连接。
3.根据权利要求1所述的一种手势识别系统,其特征在于,所述采集模拟视频信号具体包括:摄像头采用PAL制式,采用隔行扫描,每一帧图像分为两场,每场图像的大小为200kb,每秒显示 50 场图像。
4.根据权利要求1所述的一种手势识别系统,其特征在于,所述训练样本手势图像具体包括:捏取手势、圆圈手势、正确手势、Okay手势、确认手势、锁定手势、瞄准手势、对焦手势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112922.3A CN112232217B (zh) | 2020-10-16 | 2020-10-16 | 手势识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112922.3A CN112232217B (zh) | 2020-10-16 | 2020-10-16 | 手势识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232217A CN112232217A (zh) | 2021-01-15 |
CN112232217B true CN112232217B (zh) | 2022-08-02 |
Family
ID=74118607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011112922.3A Active CN112232217B (zh) | 2020-10-16 | 2020-10-16 | 手势识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232217B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114546106A (zh) * | 2021-12-27 | 2022-05-27 | 深圳市鸿合创新信息技术有限责任公司 | 一种隔空手势的识别方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009218A1 (en) * | 2001-07-18 | 2003-01-30 | Intel Zao | Dynamic gesture recognition from stereo sequences |
CN101853071A (zh) * | 2010-05-13 | 2010-10-06 | 重庆大学 | 基于视觉的手势识别方法及系统 |
CN102324019A (zh) * | 2011-08-12 | 2012-01-18 | 浙江大学 | 一种视频序列中自动提取手势候选区域的方法及系统 |
CN107133562A (zh) * | 2017-03-17 | 2017-09-05 | 华南理工大学 | 一种基于极限学习机的手势识别方法 |
CN109190496A (zh) * | 2018-08-09 | 2019-01-11 | 华南理工大学 | 一种基于多特征融合的单目静态手势识别方法 |
CN110826382A (zh) * | 2018-08-10 | 2020-02-21 | 纬创资通股份有限公司 | 手势识别方法、手势识别模块及手势识别系统 |
CN111027395A (zh) * | 2019-11-13 | 2020-04-17 | 珠海亿智电子科技有限公司 | 手势识别方法、装置、终端设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2204760A1 (en) * | 2008-12-30 | 2010-07-07 | Topseed Technology Corp. | Method for recognizing and tracing gesture |
CN109903291B (zh) * | 2017-12-11 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像处理方法及相关装置 |
-
2020
- 2020-10-16 CN CN202011112922.3A patent/CN112232217B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009218A1 (en) * | 2001-07-18 | 2003-01-30 | Intel Zao | Dynamic gesture recognition from stereo sequences |
CN101853071A (zh) * | 2010-05-13 | 2010-10-06 | 重庆大学 | 基于视觉的手势识别方法及系统 |
CN102324019A (zh) * | 2011-08-12 | 2012-01-18 | 浙江大学 | 一种视频序列中自动提取手势候选区域的方法及系统 |
CN107133562A (zh) * | 2017-03-17 | 2017-09-05 | 华南理工大学 | 一种基于极限学习机的手势识别方法 |
CN109190496A (zh) * | 2018-08-09 | 2019-01-11 | 华南理工大学 | 一种基于多特征融合的单目静态手势识别方法 |
CN110826382A (zh) * | 2018-08-10 | 2020-02-21 | 纬创资通股份有限公司 | 手势识别方法、手势识别模块及手势识别系统 |
CN111027395A (zh) * | 2019-11-13 | 2020-04-17 | 珠海亿智电子科技有限公司 | 手势识别方法、装置、终端设备及计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
基于手指几何特征的移动设备视觉手势识别研究;余问鼎等;《黄冈师范学院学报》;20151215;第35卷(第06期);79-84 * |
基于肤色模型和背景差分的手指区域分割方法;陈俊彦等;《河南科技大学学报(自然科学版)》;20150215;第36卷(第01期);6-7+49-52+57 * |
复杂背景下的手势识别方法;易靖国等;《数字技术与应用》;20160915(第09期);60-63 * |
面向人机交互的手势识别系统设计;杨丽梅等;《工业控制计算机》;20200325(第03期);21-23+25 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232217A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
CN109359538B (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
US10810409B2 (en) | Identifying facial expressions in acquired digital images | |
CN109472198B (zh) | 一种姿态鲁棒的视频笑脸识别方法 | |
Mitra et al. | Gesture recognition: A survey | |
Liwicki et al. | Automatic recognition of fingerspelled words in british sign language | |
CN112784763B (zh) | 基于局部与整体特征自适应融合的表情识别方法及系统 | |
CN110458059B (zh) | 一种基于计算机视觉的手势识别方法及识别装置 | |
KR101017936B1 (ko) | 사용자의 제스춰 정보 인식을 기반으로 하여 디스플레이장치의 동작을 제어하는 시스템 | |
CN112580617B (zh) | 自然场景下的表情识别方法和装置 | |
Agrawal et al. | A survey on manual and non-manual sign language recognition for isolated and continuous sign | |
Roy et al. | A CNN based framework for unistroke numeral recognition in air-writing | |
WO2010133661A1 (en) | Identifying facial expressions in acquired digital images | |
CN112001394A (zh) | 基于ai视觉下的听写交互方法、系统、装置 | |
Beg et al. | Text writing in the air | |
Soodtoetong et al. | The efficiency of sign language recognition using 3D convolutional neural networks | |
CN111428666A (zh) | 基于快速人脸检测的智能家庭陪伴机器人系统及方法 | |
CN114549557A (zh) | 一种人像分割网络训练方法、装置、设备及介质 | |
CN112257513A (zh) | 一种手语视频翻译模型的训练方法、翻译方法及系统 | |
CN112232217B (zh) | 手势识别系统 | |
Ni et al. | Diverse local facial behaviors learning from enhanced expression flow for microexpression recognition | |
CN115457620A (zh) | 用户表情识别方法、装置、计算机设备及存储介质 | |
Soni et al. | A Review of Recent Advances Methodologies for Face Detection | |
CN113642446A (zh) | 一种基于人脸动态情绪识别的检测方法和装置 | |
Joshi et al. | Computer Vision‐Oriented Gesture Recognition System for Real‐Time ISL Prediction |
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 |