CN112799547A - 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质 - Google Patents

红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN112799547A
CN112799547A CN202110105941.1A CN202110105941A CN112799547A CN 112799547 A CN112799547 A CN 112799547A CN 202110105941 A CN202110105941 A CN 202110105941A CN 112799547 A CN112799547 A CN 112799547A
Authority
CN
China
Prior art keywords
touch
infrared
data
neural network
touch point
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
CN202110105941.1A
Other languages
English (en)
Other versions
CN112799547B (zh
Inventor
陈玉香
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.)
Guangzhou Chuangzhi Technology Co ltd
Original Assignee
Guangzhou Chuangzhi 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 Guangzhou Chuangzhi Technology Co ltd filed Critical Guangzhou Chuangzhi Technology Co ltd
Priority to CN202110105941.1A priority Critical patent/CN112799547B/zh
Publication of CN112799547A publication Critical patent/CN112799547A/zh
Application granted granted Critical
Publication of CN112799547B publication Critical patent/CN112799547B/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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/042—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by opto-electronic means
    • G06F3/0428—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by opto-electronic means by sensing at the edges of the touch surface the interruption of optical paths, e.g. an illumination plane, parallel to the touch surface which may be virtual
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (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)
  • Position Input By Displaying (AREA)

Abstract

本发明公开了一种红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质。定位方法包括：获取当前帧数据各红外接收管反馈的光强信息，从光强信息中预测出当前帧数据的触摸点的第一位置，基于第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，基于第一位置和第二位置确定当前帧的数据的触摸点的位置。相对于仅使用当前帧数据的红外接收管的光强信息计算触摸点的位置的传统算法，能够得到精确度更高的当前帧数据的触摸点的位置，提高了触摸点的定位精度，且无需后期修正，提高了定位效率。

Description

红外触摸屏的触摸定位方法、模型训练方法、装置、设备及 介质
技术领域
本发明实施例涉及触摸技术，尤其涉及一种红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质。
背景技术
目前在各种会议、教育的大屏显示终端中，广泛采用了屏幕触摸技术，以提升交互体验。而大多数产品的触摸技术一般包括电容触摸屏和红外触摸屏。相对于电容屏，使用红外线技术的红外触摸屏可以大幅降低成本和制造工艺难度，且适用于部分无法安装电容屏的设备，因此得到广泛的应用。
红外触摸屏包括触摸框以及安装在触摸框的四边上的红外发射管和红外接收管。在没有触摸物的情况下，红外发射管和红外接收管之间的光线在触摸区域形成X、Y方向上的光网；当有触摸物时，触摸物会对光线造成遮挡，在被遮挡的区域，红外接收管接收不到红外光或者只能接收到很弱的红外光，根据X方向和Y方向的红外接收管的信号采样值可定位出触摸物的坐标。
目前大多数的红外触摸屏都是基于当前帧数据的红外接收管的光强信息进行计算+后期修正的方式对触摸点进行定位，但是该方法的缺点是定位的精度一般只能达到误差较低，只有0.5mm-2mm，且后期修正过程繁琐，定位效率较低。
发明内容
本发明提供一种红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质，以提高触摸点的定位精度，提高定位效率。
第一方面，本发明实施例提供了一种红外触摸屏的触摸定位方法，所述红外触摸屏的边框安装有红外发射器和红外接收管，方法包括：
获取当前帧数据各红外接收管反馈的光强信息；
从所述光强信息中预测出当前帧数据的触摸点的第一位置；
基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
第二方面，本发明实施例还提供了一种红外触摸屏的触摸定位模型的训练方法，该方法包括：
获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
基于多帧第一数据样本对所述卷积神经网络进行训练；
基于多帧连续的第二数据样本对所述循环神经网络进行训练。
第三方面，本发明实施例还提供了一种红外触摸屏的触摸定位装置，所述红外触摸屏的边框安装有红外发射器和红外接收管，装置包括：
光强信息获取模块，用于获取当前帧数据各红外接收管反馈的光强信息；
第一位置预测模块，用于从所述光强信息中预测出当前帧数据的触摸点的第一位置；
第二位置确定模块，用于基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
第三位置确定模块，用于基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
第四方面，本发明实施例还提供了一种红外触摸屏的触摸定位模型的训练装置，包括：
样本获取模块，用于获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
模型确定模块，用于确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
第一训练模块，用于基于多帧第一数据样本对所述卷积神经网络进行训练；
第二训练模块，用于基于多帧连续的第二数据样本对所述循环神经网络进行训练。
第五方面，本发明实施例还提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的红外触摸屏的触摸定位方法，或实现如本发明第二方面提供的红外触摸屏的触摸定位模型的训练方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的红外触摸屏的触摸定位方法，或实现如本发明第二方面提供的红外触摸屏的触摸定位模型的训练方法。
本发明实施例提供的红外触摸屏的触摸定位方法，包括：获取当前帧数据各红外接收管反馈的光强信息，从光强信息中提取出当前帧数据的触摸点的第一位置，基于第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，基于第一位置和第二位置确定当前帧的数据的触摸点的位置。在第一位置的基础上结合历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，然后，结合第一位置和第二位置对当前帧的数据的触摸点的位置进行调整，最终得到更精确的当前帧数据的触摸点的位置。相对于仅使用当前帧数据的红外接收管的光强信息计算触摸点的位置的传统算法，能够得到精确度更高的当前帧数据的触摸点的位置，提高了触摸点的定位精度，且无需后期修正，提高了定位效率。
附图说明
图1A为本发明实施例一提供的一种红外触摸屏的触摸定位方法的流程图；
图1B为红外触摸显示屏的结构示意图；
图2A为本发明实施例二提供的一种红外触摸屏的触摸定位方法的流程图；
图2B为本发明实施例二提供的一种红外触摸屏的触摸定位模型的网络架构图；
图2C为本发明实施例中倒残差网络的结构示意图；
图3为本发明实施例三提供的一种红外触摸屏的触摸定位模型的训练方法的流程图；
图4为本发明实施例四提供的一种红外触摸屏的触摸定位装置的结构示意图；
图5为本发明实施例四提供的一种红外触摸屏的触摸定位模型的训练装置的结构示意图；
图6为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种红外触摸屏的触摸定位方法的流程图，本实施例可适用于红外触摸屏触摸点的定位，该方法可以由本发明实施例提供的红外触摸屏的触摸定位装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图1A所示，该方法具体包括如下步骤：
S101、获取当前帧数据各红外接收管反馈的光强信息。
具体的，图1B为红外触摸显示屏的结构示意图，如图1B所述，红外触摸屏的上边框设置有一排红外发射阵列，相对应的，红外触摸屏的下边框设置有一排红外接收阵列。红外触摸屏的左边框设置有一排红外发射阵列，相对应的，红外触摸屏的右边框设置有一排红外接收阵列。红外发射阵列包括多个红外发射管T，红外接收阵列包括多个红外接收管R。红外发射管T用于发射红外光信号，红外接收管R用于接收红外光信号。需要说明的是，上述实施例中，红外发射阵列与红外接收阵列的具体位置关系为对本发明的示例性说明，在本发明实施例中，红外发射阵列和红外接收阵列只需相对设置即可，本发明实施例在此不做限定。
在一帧时间内，位于上边框的红外发射管T依次发射红外光信号，每一红外发射管T发射的红外光信号能够被下边框的至少一个红外接收管R接收。在一帧时间内，位于左边框的红外发射管T依次发射红外光信号，每一红外发射管T发射的红外光信号能够被右边框的至少一个红外接收管R接收。
如果在屏幕上进行触摸，触摸点的触摸笔或手指等会阻挡住红外光路，从而导致对应光路上的红外接收管接收光强发生变化。各红外接收管R将该帧内接收到的红外光的光强信息反馈给计算机设备，从而计算机设备获取到当前帧数据各红外接收管反馈的光强信息。本发明实施例中，计算机设备可以是与红外触摸屏分离的上位机，也可以集成在红外触摸屏内部，本发明实施例在此不做限定。
S102、从光强信息中提预测当前帧数据的触摸点的第一位置。
具体的，从光强信息中预测出当前帧数据的触摸点的第一位置。示例性的，在本发明的一些实施例中，将各红外接收管反馈的光强信息输入预置的卷积神经网络中进行处理，通过卷积神经网络预测出当前帧数据的触摸点的第一位置。示例性的，卷积神经网络，可以包括CNN、AlexNet、VGGNet、ResNet、MobileNet和LeNet等，本发明实施例在此不做限定。
S103、基于第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置。
具体的，历史帧数据可以是前一帧数据或前几帧数据，本发明实施例在此不做限定。结合历史帧数据的触摸点的位置和当前帧数据的触摸点的第一位置预测当前帧数据的触摸点的第二位置。
示例性的，在本发明的一些实施例中，可以将第一位置输入预置的循环神经网络中，循环神经网络结合历史帧数据的触摸点的位置，预测当前帧数据的触摸点的第二位置。示例性的，在本发明的一些实施例中，循环神经网络可以包括RNN和长短期记忆网络(LongShort-Term Memory，LSTM)等，本发明实施例在此不做限定。
S104、基于第一位置和第二位置确定当前帧的数据的触摸点的位置。
具体的，对第一位置和第二位置进行一定的运算，例如求均值、加权求和等，得到当前帧的数据的触摸点的位置。在本发明实施例中，第一位置和第二位置的运算方式不做限定。
本发明实施例中，在第一位置的基础上结合历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，然后，结合第一位置和第二位置对当前帧的数据的触摸点的位置进行调整，最终得到更精确的当前帧数据的触摸点的位置。相对于仅使用当前帧数据的红外接收管的光强信息计算触摸点的位置的传统算法，能够得到精确度更高的当前帧数据的触摸点的位置。
本发明实施例提供的红外触摸屏的触摸定位方法，包括：获取当前帧数据各红外接收管反馈的光强信息，从光强信息中预测出当前帧数据的触摸点的第一位置，基于第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，基于第一位置和第二位置确定当前帧的数据的触摸点的位置。在第一位置的基础上结合历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，然后，结合第一位置和第二位置对当前帧的数据的触摸点的位置进行调整，最终得到更精确的当前帧数据的触摸点的位置。相对于仅使用当前帧数据的红外接收管的光强信息计算触摸点的位置的传统算法，能够得到精确度更高的当前帧数据的触摸点的位置，提高了触摸点的定位精度，且无需后期修正，提高了定位效率。
实施例二
图2A为本发明实施例二提供的一种红外触摸屏的触摸定位方法的流程图，图2B为本发明实施例二提供的一种红外触摸屏的触摸定位模型的网络架构图，本实施例在上述实施例一的基础上进一步细化，详细描述了第一位置和第二位置的确定过程，如图2A所示，该方法包括：
S201、获取当前帧数据各红外接收管反馈的光强信息。
具体的，在本发明的一些实施例中，在获取当前帧数据各红外接收管反馈的光强信息后，可以对光强信息进行预处理，例如，去噪，消除噪声信号对定位结果的影响。在本发明实施例中，当前帧数据各红外接收管反馈的光强信息构成一个包括两列数据的矩阵，示例性的，该矩阵的第一列数据中的元素为下边框上各红外接收管反馈的光强信息，该矩阵的第二列数据中的元素为右边框上各红外接收管反馈的光强信息。
S202、将光强信息输入预置的卷积神经网络中进行处理，得到第一位置特征。
具体的，将上述包括光强信息的矩阵输入预先训练好的卷积神经网络中进行处理，由卷积神经网络输出第一位置特征。该第一位置特征为一个二维向量，该向量中的两个分量分别为触摸点在触摸屏上的第一位置的X1坐标和Y1坐标。
具体的，卷积神经网络包括倒残差网络，在一具体实施例中，卷积神经网络为MobileNet，MobileNet的结构基于倒残差网络(Inverted Residual)。图2C为本发明实施例中倒残差网络的结构示意图，如图2C所示，倒残差网络包括第一残差块(也可以称之为Pointwise Convolution)、第二残差块(也可以称之为Depthwise Convolution)和第三残差块(也可以称之为Pointwise Convolution)，第二残差块的通道数大于第一残差块的通道(Chanel)数和第三残差块的通道数。
由于第二残差块的卷积核的数量取决于上一层的通道数，第二残差块自身没有改变通道数的能力。通过在第二残差块之前设置第一残差块，可以对输入的矩阵进行升维，增加输入第二残差块的数据的通道数，增加了第二残差块提取的特征维度，提高了定位准确度。基于倒残差网络的MobileNet相比于传统的CNN网络，在准确率小幅降低的前提下，大大减小模型参数和运算量，提升了速度。
具体的，倒残差网络的处理过程如下：
1、将光强信息输入第一残差块中进行处理，得到第一特征。
具体的，将上述包括光强信息的矩阵输入第一残差块，得到第一特征。示例性的，第一残差块可以包括卷积层、批归一化层和激活函数层，卷积层用于对输入的包括光强信息的矩阵进行卷积操作处理，并将卷积操作后得到的特征输入批归一化层。批归一化层用于对各通道输入的数据进行归一化处理，并将归一化处理后的数据输入激活函数层，所谓激活函数就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，得到第一特征。引入激活函数是为了增加神经网络模型的非线性，使得神经网络可以任意逼近任何非线性函数。示例性的，在本发明实施例中，激活函数层的激活函数为ReLU函数：
f(x)＝max(0,x)
当输入为负数时，则完全不激活，ReLU函数死掉。ReLU函数输出要么是0，要么是正数。ReLU可以克服梯度消失的问题，加快训练速度。需要说明的是，在本发明的其他实施例中，该实施例中的激活函数层中的激活函数也可以是其他激活函数，例如，Sigmoid函数或Tanh函数，本发明实施例在此不做限定。
2、将第一特征输入第二残差块中进行处理，得到第二特征。
具体的，将上述第一残差块输出的第一特征输入第二残差块中进行处理，得到第二特征。示例性的，第二残差块同样可以包括卷积层、批归一化层和激活函数层，第二残差块中卷积层、批归一化层和激活函数层的处理过程可以参考第一残差块中卷积层、批归一化层和激活函数层的处理过程，本发明实施例在此不再赘述。
3、将第二特征输入第三残差块中进行处理，得到第一位置特征。
具体的，将第二残差块输出的第二特征输入第三残差块中进行处理，得到第一位置特征。示例性的，第三残差块可以包括卷积层和批归一化层，第三残差块中卷积层和批归一化层的处理过程可以参考第一残差块中卷积层和批归一化层的处理过程，本发明实施例在此不再赘述。对第三残差块的输出与包括光强信息的矩阵进行加权处理，得到第一位置特征。
S203、将第一位置特征和历史帧数据的触摸点的位置特征输入循环神经网络中进行处理，得到当前帧数据的触摸点的第二位置特征。
具体的，将上述卷积神经网络输出的第一位置特征输入预先训练好的循环神经网络中进行处理，循环神经网络结合历史帧数据的触摸点的位置特征，预测当前帧数据的触摸点的第二位置特征。具体的，第二位置特征为一个二维向量，该向量中的两个分量分别为触摸点在触摸屏上的第二位置的X2坐标和Y2坐标。在触摸操作过程中，每一帧的状态实际上和前一帧有较强的关联性，而单纯使用CNN无法利用该关联，而一般会采用循环神经网络来根据历史信息和当前状态进行预测。
在本发明的一示例性实施例中，循环神经网络可以是长短期记忆网络(LSTM)，LSTM是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。LSTM通过门控状态来控制传输状态，记住历史帧数据的触摸点的位置特征中需要长时间记忆的信息，忘记不重要的信息，从而可以较好地利用多个历史帧的信息，从而提升预测的效果。
S204、分别为第一位置和第二位置配置第一权值和第二权值。
具体的，分别为第一位置和第二位置配置第一权值和第二权值。示例性的，为第一位置配置第一权值W1，为第二位置配置第二权值W2，第一权值W1和第二权值W2可以相同，也可以不同，本发明实施例在此不做限定。在一具体实施例中，第一权值W1为0.4，第二权值为0.6。
S205、对配置第一权值的第一位置与配置第二权值的第二位置求和，得到当前帧数据的触摸点的位置。
具体的，对配置第一权值的第一位置与配置第二权值的第二位置求和，如以下公式所示：
(x,y)＝W1(x1,y1)+W2(x2,y2)
(x,y)即为最终得到的当前帧数据的触摸点的位置。
本发明实施例提供的红外触摸屏的触摸定位方法，通过卷积神经网络从光强信息中预测出当前帧数据的触摸点的第一位置，并通过循环神经网络结合第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，然后对第一位置和第二位置加权求和，得到当前帧的数据的触摸点的位置。通过卷积神经网络与循环神经网络的结合，能够得到精确度更高的当前帧数据的触摸点的位置，提高了触摸点的定位精度，且无需后期修正，提高了定位效率。此外，基于倒残差网络的MobileNet相比于传统的CNN网络，在准确率小幅降低的前提下，大大减小模型参数和运算量，提升了速度。LSTM可以较好地利用多个历史帧数据的信息，从而提升预测的效果。
实施例三
图3为本发明实施例三提供的一种红外触摸屏的触摸定位模型的训练方法的流程图，本实施例可用于本发明上述实施例提供的红外触摸屏的触摸定位模型的训练，该方法可以由本发明实施例提供的红外触摸屏的触摸定位模型的训练装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图3所示，该方法具体包括如下步骤：
S301、获取多帧第一数据样本和多帧连续的第二数据样本。
具体的，第一数据样本可以是离散的，不带时序的数据，第二数据样本为带时序的数据。在模型训练过程中，首先需要采集训练所需的大量数据，并进行标注。在一具体实施例中，可使用机械臂等方式进行无人值守式的采集极高精度的数据。采集的方式为机械臂在屏幕上绘制连续的线条，并在每个时间间隔内记录下该时刻的各红外接收管反馈的光强信息以及机械臂的坐标位置(即触摸点的实际位置)。将该时刻的各红外接收管反馈的光强信息与该时刻下的机械臂的坐标位置关联，即对该时刻的各红外接收管反馈的光强信息进行标注。
通过采集大量不同设备的数据，模型可以学习到更加通用的特征，从而具备更强的适应性。
在本发明的一些实施例中，在采集训练所需的原始数据样本后，可以对原始数据样本进行预处理，例如，去除原始数据样本中的底噪数据，得到数据样本。由于每台设备的底噪不同，故在闲置状态下，红外接收管接收到的红外光强度不同，故需要将所有原始数据与底噪数据相减，获取到变化量，并将其作为训练数据，以保证训练出的模型可适用于其它设备，提高模型的适应能力。
S302、确定触摸定位模型。
示例性的，如图2B所示，触摸定位模型包括卷积神经网络和循环神经网络，本发明实施例中对卷积神经网络和循环神经网络的种类和参数不做限定。
S303、基于多帧第一数据样本对卷积神经网络进行训练。
具体的，将第一数据样本输入卷积神经网络中，卷积神经网络从第一数据样本中提取出该帧数据样本的触摸点的第三位置特征。根据第三位置特征可以确定该帧第一数据样本的触摸点的第三位置。示例性的，卷积神经网络的具体结构及处理过程可以参考本申请前述实施例二记载的内容，本发明实施例在此不再赘述。
根据第三位置与该帧第一数据样本的触摸点的实际位置的误差，更新卷积神经网络的参数，并返回执行获取第一数据样本的步骤，或者根据第一位置与该帧第一数据样本的触摸点的实际位置的误差，确定卷积神经网络训练完成。
示例性的，步骤S303包括如下子步骤：
S3031、计算卷积神经网络输出的第一数据样本的触摸点的第三位置特征对应的第三位置与实际位置的第一误差值。
具体的，根据卷积神经网络输出的第一数据样本的触摸点的第三位置特征确定第三位置后，计算第三位置与该帧第一数据样本的触摸点的实际位置的误差值，称之为第一误差值。
S3032、计算多个第一数据样本的第一误差值的平均误差值。
S3033、在平均误差值大于第一阈值时，更新卷积神经网络的参数，返回执行获取多帧第一数据样本的步骤。
S3034、在平均误差值小于或等于第一阈值时，确定卷积神经网络训练完成。
S304、基于多帧连续的第二数据样本对循环神经网络进行训练。
具体的，以多帧连续的第二数据样本为样本，对循环神经网络进行训练。示例性的，步骤S304包括如下子步骤：
S3041、基于目标帧数据样本及该目标帧数据样本的历史帧数据样本预测目标帧数据样本的触摸点的第四位置。
具体的，将多帧连续的第二数据样本输入循环神经网络中，循环神经网络的具体结构及处理过程可以参考本申请前述实施例二记载的内容，本发明实施例在此不再赘述。循环神经网络基于目标帧数据样本及该目标帧数据样本的历史帧数据样本预测目标帧数据样本的触摸点的第四位置，其中，目标帧数据样本为连续的多帧第二数据样本中任意一帧。
S3042、计算第四位置与目标帧数据样本的实际位置的第二误差值。
S3043、从多个连续的第二数据样本的第二误差值中确定最大误差值。
S3044、在最大误差值大于第二阈值时，更新循环神经网络的参数，返回执行获取多帧连续的第二数据样本的步骤。
S3045、在最大误差值小于或等于第二阈值时，确定循环神经网络训练完成。
本发明实施例中，由于标注数据的域不同，卷积神经网络负责的触摸点的定位，循环神经网络需要结合当前数据样本和历史数据样本预测触摸点的位置。因此，卷积神经网络所需的训练数据的采集相对容易，可以采集的量也比较大。而循环神经网络所需的训练数据需要采集时序信息，因此，数据采集相对困难，所以数据量较少。因此，将卷积神经网络与循环神经网络分开进行训练，可以优化训练数据，降低训练数据的采集成本。
本发明实施例提供的红外触摸屏的触摸定位模型的训练方法，包括：获取多帧第一数据样本和多帧连续的第二数据样本，确定触摸定位模型，触摸定位模型包括卷积神经网络和循环神经网络，基于多帧第一数据样本对卷积神经网络进行训练，基于多帧连续的第二数据样本对循环神经网络进行训练。通过该方法预先训练出红外触摸屏的触摸定位模型，在应用过程中，只需向该模型输入当前帧数据各红外接收管反馈的光强信息，即可得到当前帧数据的触摸点的准确位置，能够得到精确度更高的当前帧数据的触摸点的位置，提高了触摸点的定位精度，且无需后期修正，提高了定位效率。此外，将卷积神经网络与循环神经网络分开进行训练，可以优化训练数据，降低训练数据的采集成本。
实施例四
图4为本发明实施例四提供的一种红外触摸屏的触摸定位装置的结构示意图，红外触摸屏的边框安装有红外发射器和红外接收管，如图4所示，该红外触摸屏的触摸定位装置包括：
光强信息获取模块401，用于获取当前帧数据各红外接收管反馈的光强信息；
第一位置预测模块402，用于从所述光强信息中预测出当前帧数据的触摸点的第一位置；
第二位置确定模块403，用于基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
第三位置确定模块404，用于基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
在本发明的一些实施例中，第一位置预测模块402可以包括：
第一位置特征提取子模块，用于将所述光强信息输入预置的卷积神经网络中进行处理，得到第一位置特征，所述第一位置特征为二维向量；
第一位置确定子模块，用于将所述第一位置特征的两个分量作为第一位置的坐标。
在本发明的一些实施例中，所述卷积神经网络包括倒残差网络，所述倒残差网络包括第一残差块、第二残差块和第三残差块，所述第二残差块的通道数大于所述第一残差块的通道数和所述第三残差块的通道数；
第一位置特征提取子模块可以包括：
第一特征提取单元，用于将所述光强信息输入第一残差块中进行处理，得到第一特征；
第二特征提取单元，用于将所述第一特征输入所述第二残差块中进行处理，得到第二特征；
第一位置特征提取单元，用于将所述第二特征输入所述第三残差块中进行处理，得到第一位置特征。
在本发明的一些实施例中，第二位置确定模块403可以包括：
第二位置特征确定子模块，用于将所述第一位置特征和所述历史帧数据的触摸点的位置特征输入循环神经网络中进行处理，得到当前帧数据的触摸点的第二位置特征，所述第二位置特征为二维向量；
第二位置确定子模块，用于将所述第二位置特征的两个分量作为第二位置的坐标。
在本发明的一些实施例中，第三位置确定模块404可以包括：
权值配置子模块，用于分别为所述第一位置和所述第二位置配置第一权值和第二权值；
求和子模块，用于对配置第一权值的第一位置与配置第二权值的第二位置求和，得到当前帧数据的触摸点的位置。
上述产品可执行本发明实施例一、二所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例四提供的一种红外触摸屏的触摸定位模型的训练装置的结构示意图，如图5所示，该装置包括：
样本获取模块501，用于获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
模型确定模块502，用于确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
第一训练模块503，用于基于多帧第一数据样本对所述卷积神经网络进行训练；
第二训练模块504，用于基于多帧连续的第二数据样本对所述循环神经网络进行训练。
在本发明的一些实施例中，第一训练模块503可以包括：
第一误差值计算子模块，用于计算所述卷积神经网络预测的数据样本的触摸点的第三位置与实际位置的第一误差值；
平均误差值计算子模块，用于计算多个第一数据样本的第一误差值的平均误差值；
第一更新子模块，用于在所述平均误差值大于第一阈值时，更新所述卷积神经网络的参数，返回执行获取多帧第一数据样本的步骤；
第一训练完成确定子模块，用于在所述平均误差值小于或等于第一阈值时，确定所述卷积神经网络训练完成。
在本发明的一些实施例中，第二训练模块504可以包括：
第四位置确定子模块，用于基于目标帧数据样本及该目标帧数据样本的历史帧数据样本预测所述目标帧数据样本的触摸点的第四位置，所述目标帧数据样本为连续的多帧第二数据样本中任意一帧；
第二误差值计算子模块，用于计算所述第四位置与所述目标帧数据样本的实际位置的第二误差值；
最大误差值确定子模块，用于从多个连续的第二数据样本的第二误差值中确定最大误差值；
第二更新子模块，用于在所述最大误差值大于第二阈值时，更新所述循环神经网络的参数，返回执行获取多帧连续的第二数据样本的步骤；
第二训练完成确定子模块，用于在所述最大误差值小于或等于第二阈值时，确定所述循环神经网络训练完成。
在本发明的一些实施例中，样本获取模块501可以包括：
原始数据样本获取子模块，用于获取多帧原始数据样本；
底噪数据去除子模块，用于去除所述原始数据样本中的底噪数据，得到第一数据样本和第二数据样本。
上述产品可执行本发明实施例三所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例六
本发明实施例六提供了一种计算机设备，图6为本发明实施例六提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括处理器601、存储器602、通信模块603、输入装置604和输出装置605；计算机设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；计算机设备中的处理器601、存储器602、通信模块603、输入装置604和输出装置605可以通过总线或其他方式连接，图6中以通过总线连接为例。上述处理器601、存储器602、通信模块603、输入装置604和输出装置605可以集成在计算机设备的控制主板上。
存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法对应的模块。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法。
存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块603，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置604可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法，具体相应的功能和有益效果。
实施例七
本发明实施例七提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法。
红外触摸屏的触摸定位方法包括：
获取当前帧数据各红外接收管反馈的光强信息；
从所述光强信息中预测出当前帧数据的触摸点的第一位置；
基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
红外触摸屏的触摸定位模型的训练方法包括：
获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
基于多帧第一数据样本对所述卷积神经网络进行训练；
基于多帧连续的第二数据样本对所述循环神经网络进行训练。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法中的相关操作。
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的红外触摸屏的触摸定位方法或红外触摸屏的触摸定位模型的训练方法。
值得注意的是，上述装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种红外触摸屏的触摸定位方法，其特征在于，所述红外触摸屏的边框安装有红外发射阵列和红外接收阵列，所述红外发射阵列包括多个红外发射管，所述红外接收阵列包括多个红外接收管，方法包括：
获取当前帧数据各红外接收管反馈的光强信息；
从所述光强信息中预测出当前帧数据的触摸点的第一位置；
基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
2.根据权利要求1所述的红外触摸屏的触摸定位方法，其特征在于，从所述光强信息中预测出当前帧数据的触摸点的第一位置，包括：
将所述光强信息输入预置的卷积神经网络中进行处理，得到第一位置特征，所述第一位置特征为二维向量；
将所述第一位置特征的两个分量作为第一位置的坐标。
3.根据权利要求2所述的红外触摸屏的触摸定位方法，其特征在于，所述卷积神经网络包括倒残差网络，所述倒残差网络包括第一残差块、第二残差块和第三残差块，所述第二残差块的通道数大于所述第一残差块的通道数和所述第三残差块的通道数；
将所述光强信息输入预置的卷积神经网络中进行处理，得到第一位置特征，包括：
将所述光强信息输入第一残差块中进行处理，得到第一特征；
将所述第一特征输入所述第二残差块中进行处理，得到第二特征；
将所述第二特征输入所述第三残差块中进行处理，得到第一位置特征。
4.根据权利要求2或3所述的红外触摸屏的触摸定位方法，其特征在于，基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置，包括：
将所述第一位置特征和所述历史帧数据的触摸点的位置特征输入循环神经网络中进行处理，得到当前帧数据的触摸点的第二位置特征，所述第二位置特征为二维向量；
将所述第二位置特征的两个分量作为第二位置的坐标。
5.根据权利要求1-3任一所述的红外触摸屏的触摸定位方法，其特征在于，基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置，包括：
分别为所述第一位置和所述第二位置配置第一权值和第二权值；
对配置第一权值的第一位置与配置第二权值的第二位置求和，得到当前帧数据的触摸点的位置。
6.一种红外触摸屏的触摸定位模型的训练方法，其特征在于，包括：
获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
基于多帧第一数据样本对所述卷积神经网络进行训练；
基于多帧连续的第二数据样本对所述循环神经网络进行训练。
7.根据权利要求6所述的红外触摸屏的触摸定位模型的训练方法，其特征在于，基于多帧数据样本对所述卷积神经网络进行训练，包括：
计算所述卷积神经网络预测的数据样本的触摸点的第三位置与实际位置的第一误差值；
计算多个第一数据样本的第一误差值的平均误差值；
在所述平均误差值大于第一阈值时，更新所述卷积神经网络的参数，返回执行获取多帧第一数据样本的步骤；
在所述平均误差值小于或等于第一阈值时，确定所述卷积神经网络训练完成。
8.根据权利要求6所述的红外触摸屏的触摸定位模型的训练方法，其特征在于，基于连续的多帧第二数据样本对所述循环神经网络进行训练，包括：
基于目标帧数据样本及该目标帧数据样本的历史帧数据样本预测所述目标帧数据样本的触摸点的第四位置，所述目标帧数据样本为连续的多帧第二数据样本中任意一帧；
计算所述第四位置与所述目标帧数据样本的实际位置的第二误差值；
从多个连续的第二数据样本的第二误差值中确定最大误差值；
在所述最大误差值大于第二阈值时，更新所述循环神经网络的参数，返回执行获取多帧连续的第二数据样本的步骤；
在所述最大误差值小于或等于第二阈值时，确定所述循环神经网络训练完成。
9.根据权利要求6-8任一所述的红外触摸屏的触摸定位模型的训练方法，其特征在于，获取多帧第一数据样本和多帧连续的第二数据样本，包括：
获取多帧原始数据样本；
去除所述原始数据样本中的底噪数据，得到第一数据样本和第二数据样本。
10.一种红外触摸屏的触摸定位装置，其特征在于，所述红外触摸屏的边框安装有红外发射器和红外接收管，装置包括：
光强信息获取模块，用于获取当前帧数据各红外接收管反馈的光强信息；
第一位置预测模块，用于从所述光强信息中预测出当前帧数据的触摸点的第一位置；
第二位置确定模块，用于基于所述第一位置和历史帧数据的触摸点的位置预测当前帧数据的触摸点的第二位置；
第三位置确定模块，用于基于所述第一位置和所述第二位置确定当前帧的数据的触摸点的位置。
11.一种红外触摸屏的触摸定位模型的训练装置，其特征在于，包括：
样本获取模块，用于获取多帧第一数据样本和多帧连续的第二数据样本，每一帧所述第一数据样本和第二数据样本均包括各红外接收管反馈的光强信息，每一帧所述第一数据样本和第二数据样本均关联触摸点的实际位置；
模型确定模块，用于确定触摸定位模型，所述触摸定位模型包括卷积神经网络和循环神经网络；
第一训练模块，用于基于多帧第一数据样本对所述卷积神经网络进行训练；
第二训练模块，用于基于多帧连续的第二数据样本对所述循环神经网络进行训练。
12.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的红外触摸屏的触摸定位方法，或实现如权利要求6-9中任一所述的红外触摸屏的触摸定位模型的训练方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的红外触摸屏的触摸定位方法，或实现如权利要求6-9中任一所述的红外触摸屏的触摸定位模型的训练方法。
CN202110105941.1A 2021-01-26 2021-01-26 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质 Active CN112799547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110105941.1A CN112799547B (zh) 2021-01-26 2021-01-26 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110105941.1A CN112799547B (zh) 2021-01-26 2021-01-26 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112799547A true CN112799547A (zh) 2021-05-14
CN112799547B CN112799547B (zh) 2023-04-07

Family

ID=75811974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110105941.1A Active CN112799547B (zh) 2021-01-26 2021-01-26 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112799547B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024041508A1 (zh) * 2022-08-22 2024-02-29 广州众远智慧科技有限公司 红外触控状态数据采集方法、装置、计算机设备以及介质
EP4321977A4 (en) * 2021-12-08 2024-09-18 Shenzhen Hitevision Tech Co Ltd METHOD AND APPARATUS FOR DETERMINING POSITION OF TOUCH POINT, AND ELECTRONIC DEVICE AND NON-TRANSITORY COMPUTER READABLE STORAGE MEDIUM

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331873A (zh) * 2011-06-01 2012-01-25 广州视睿电子科技有限公司 一种触摸点跟踪定位校正方法及其系统
US20140139462A1 (en) * 2012-11-21 2014-05-22 Asustek Computer Inc. Method for correcting touch position
US20150324084A1 (en) * 2014-05-09 2015-11-12 Htc Corporation Electronic apparatus and drawing method using the same
CN105808023A (zh) * 2016-03-14 2016-07-27 青岛海信电器股份有限公司 一种触摸点的识别方法及红外触控装置
CN106066745A (zh) * 2016-06-14 2016-11-02 广州华欣电子科技有限公司 一种红外触摸框扫描方法及装置
CN110070067A (zh) * 2019-04-29 2019-07-30 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN111401472A (zh) * 2020-04-09 2020-07-10 中国人民解放军国防科技大学 基于深度卷积神经网络的红外目标分类方法和装置
US20200388012A1 (en) * 2018-04-19 2020-12-10 Shenzhen GOODIX Technology Co., Ltd. Method for smoothing coordinates, touch chip, and electronic terminal

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331873A (zh) * 2011-06-01 2012-01-25 广州视睿电子科技有限公司 一种触摸点跟踪定位校正方法及其系统
US20140139462A1 (en) * 2012-11-21 2014-05-22 Asustek Computer Inc. Method for correcting touch position
US20150324084A1 (en) * 2014-05-09 2015-11-12 Htc Corporation Electronic apparatus and drawing method using the same
CN105808023A (zh) * 2016-03-14 2016-07-27 青岛海信电器股份有限公司 一种触摸点的识别方法及红外触控装置
CN106066745A (zh) * 2016-06-14 2016-11-02 广州华欣电子科技有限公司 一种红外触摸框扫描方法及装置
US20200388012A1 (en) * 2018-04-19 2020-12-10 Shenzhen GOODIX Technology Co., Ltd. Method for smoothing coordinates, touch chip, and electronic terminal
CN110070067A (zh) * 2019-04-29 2019-07-30 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN111401472A (zh) * 2020-04-09 2020-07-10 中国人民解放军国防科技大学 基于深度卷积神经网络的红外目标分类方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4321977A4 (en) * 2021-12-08 2024-09-18 Shenzhen Hitevision Tech Co Ltd METHOD AND APPARATUS FOR DETERMINING POSITION OF TOUCH POINT, AND ELECTRONIC DEVICE AND NON-TRANSITORY COMPUTER READABLE STORAGE MEDIUM
WO2024041508A1 (zh) * 2022-08-22 2024-02-29 广州众远智慧科技有限公司 红外触控状态数据采集方法、装置、计算机设备以及介质

Also Published As

Publication number Publication date
CN112799547B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US12087069B2 (en) Artificial intelligence-based action recognition method and related apparatus
CN112799547B (zh) 红外触摸屏的触摸定位方法、模型训练方法、装置、设备及介质
CN110837842B (zh) 一种无参考视频质量评估的方法、模型训练的方法及装置
EP3660629B1 (en) Data processing apparatus and method
CN111105852B (zh) 一种电子病历推荐方法、装置、终端及存储介质
CN109918684B (zh) 模型训练方法、翻译方法、相关装置、设备及存储介质
US20220343689A1 (en) Detection of hand gestures using gesture language discrete values
EP3805982B1 (en) Gesture recognition method, apparatus and device
CN117499658A (zh) 使用神经网络生成视频帧
CN111209215B (zh) 应用程序的测试方法、装置、计算机设备及存储介质
CN110197183B (zh) 一种图像盲去噪的方法、装置、计算机设备和存储介质
WO2022105692A1 (zh) 一种手势识别方法及装置
CN113988357B (zh) 基于深度学习的高层建筑风致响应预测方法及装置
CN110138480A (zh) 训练频谱感知模型的方法及系统、频谱感知方法及系统
CN108805035A (zh) 基于手势识别的教学互动方法以及装置
CN111062261A (zh) 一种图像处理方法及装置
CN115935238A (zh) 基于轻量级卷积网络的手势识别分类方法及装置
CN114469132A (zh) 模型训练方法、装置、电子设备及存储介质
CN115511186A (zh) 一种深度学习训练时长的预测管理方法、装置及设备
CN114581535A (zh) 图像中用户骨关键点标注方法、装置、存储介质及设备
CN111158577B (zh) 远程操作处理方法及装置
CN115690544B (zh) 多任务学习方法及装置、电子设备和介质
CN107783867A (zh) 手势测试方法、装置、计算机设备和存储介质
CN110275639A (zh) 触摸数据处理方法、装置、终端及存储介质
CN113894779B (zh) 一种应用于机器人交互的多模态数据处理方法

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