CN113033256A - 一种指尖检测模型的训练方法和设备 - Google Patents
一种指尖检测模型的训练方法和设备 Download PDFInfo
- Publication number
- CN113033256A CN113033256A CN201911347283.6A CN201911347283A CN113033256A CN 113033256 A CN113033256 A CN 113033256A CN 201911347283 A CN201911347283 A CN 201911347283A CN 113033256 A CN113033256 A CN 113033256A
- Authority
- CN
- China
- Prior art keywords
- image
- confidence
- fingertip
- training
- sample
- 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.)
- Pending
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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
一种指尖检测模型的训练方法包括:获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;将训练样本图像输入指尖检测模型,得到检测置信数据;根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。由于采用根据指尖位置所确定的置信数据进行训练,相对于仅标定指尖位置的训练方式,使得指尖检测模型可以快速的收敛,有利于提高模型的训练效率。
Description
技术领域
本申请属于图像识别领域,尤其涉及一种指尖检测模型的训练方法和设备。
背景技术
随着计算机视觉技术的发展,基于视觉的手部识别方法已成为人机交互领域的研究热点。基于指尖内容的检测技术,在虚拟控制等领域具有十分广泛的应用前景。
基于计算机视觉的指尖检测流程,首先利用肤色信息进行手部分割,得到图像中的手部区域,然后从所述手部区域中提取出手部轮廓,根据所提取的手部轮廓,采用曲率的变化信息,对类指尖的点进行检测,提取手部轮廓中包括的类指尖的点,最后通过过滤算法,过滤掉误判的手臂点。
通过计算机视觉的指尖检测方法,特别是基于神经网络学习模型进行指尖检测,大大的提高了指尖检测的便利性,但是目前所使用的模型收敛速度较慢,检测效率较低。
发明内容
有鉴于此,本申请实施例提供了一种指尖检测模型的训练方法和设备,以解决现有技术中进行指尖检测时,所使用的模型收敛速度较慢,检测效率较低的问题。
本申请实施例的第一方面提供了一种指尖检测模型的训练方法,所述指尖检测模型训练方法包括:
获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;
根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;
将训练样本图像输入指尖检测模型,得到检测置信数据;
根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。
结合第一方面,在第一方面的第一种可能实现方式中,所述样本置信数据包括样本置信图,所述根据训练样本图像以及训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据的步骤包括:
将所述训练样本图像中的像素点映射至样本置信图,并根据训练样本图像中的指尖位置在所述样本置信图中的映射点与所述样本置信图中的像素点的距离,确定所述样本置信图中的像素点的置信值,所述置信值表示所述像素点为指尖位置的可信度。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述根据训练样本图像中的指尖位置在样本置信图中的映射点与样本置信图中的像素点的距离,确定所述样本置信图中的像素点的置信值的步骤包括:
根据训练样本图像的指尖位置在样本置信图中的映射点与所述样本置信图中的像素点的距离,以及所述样本置信图的尺寸,确定所述样本置信图中的像素点的置信值。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述根据训练样本图像的指尖位置在样本置信图中的映射点与样本置信图中的像素点的距离,以及所述样本置信图的尺寸,确定所述样本置信图中的像素点的置信值的步骤包括:
根据置信值计算公式计算所述样本置信图中的像素点的置信值,所述置信值计算公式为:其中,(i,j)为样本置信图中的任意像素点的坐标,(x,y)为训练样本图像中的指尖位置的中心点映射到样本置信图中的坐标,gama=-1/(output_size*α),其中output_size为所述指尖检测模型输出的图像的尺寸,α为置信值计算系数,P为样本置信图中的像素点的置信值。
结合第一方面,在第一方面的第四种可能实现方式中,所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤包括:
通过特征提取网络提取所述训练样本图像的特征,输出第一特征图像,所述第一特征图像尺寸与训练样本图像尺寸的比值为预定值;
通过感受野自适应网络提取所述第一特征图像中的图像特征;
将所提取的图像特征输入全连接网络,得到训练样本图像对应的检测置信数据。
结合第一方面的第四种可能实现方式,在第一方面的第五种可能实现方式中,所述通过感受野自适应网络提取所述第一特征图像中的图像特征的步骤包括:
通过第一感受野自适应网络从所述第一特征图像提取第二特征图像;
将所述第一特征图像和所述第二特征图像连接生成第三特征图像,通过第二感受野自适应网络从所述第三特征图像提取得到所述图像特征。
结合第一方面,在第一方面的第六种可能实现方式中,在所述获取包括指尖图像的训练样本图像的步骤包括:
获取原始样本图像;
对所述原始样本图像进行数据增广处理,得到增广图像;
根据所述增广图像和原始样本图像生成训练样本图像。
结合第一方面的第六种可能实现方式,在第一方面的第七种可能实现方式中,所述数据增广处理包括:水平翻转处理、垂直翻转处理、旋转处理、缩放处理、平移处理、裁剪处理、添加噪声处理中的一种或者多种。
结合第一方面,在第一方面的第八种可能实现方式中,所述训练样本图像集包括多种手势的训练样本图像,和/或,多种手势视角的训练样本图像,和/或,多种背景的训练样本图像。
本申请实施例的第二方面提供了一种指尖检测方法,所述指尖检测方法包括:
获取待检测图像;
将所述待检测图像输入已训练的指尖检测模型,获取所述指尖检测模型输出的所述待检测图像对应的置信数据,所述置信数据中的置信值表示该置信数据对应的像素点为指尖位置的可信度,所述已训练的指尖检测模型为第一方面任一项指尖检测模型的训练方法所训练的指尖检测模型;
根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置。
结合第二方面,在第二方面的第一种可能实现方式中,所述根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置的步骤包括:
将所述置信数据中的置信值与预设的置信阈值进行比较,查找所述置信数据中的置信值大于预设的置信阈值的像素点;
根据置信数据与待检测图像的位置映射关系,确定所查找的像素点在待检测图像中对应的指尖位置。
结合第二方面,在第二方面的第二种可能实现方式中,所述获取待检测图像的步骤包括:
获取待处理视频,在所述待处理视频提取视频帧;
根据所述置信数据与所述待检测图像的位置映射关系,将所查找的像素点在所述待检测图像中的位置作为所述待检测图像中的指尖位置。
本申请实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,使得计算机设备实现如第一方面任一项所述指尖检测模型的训练方法,或者实现如第二方面任一项所述指尖检测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,使得计算机设备实现如第一方面任一项所述指尖检测模型的训练方法,或者实现如第二方面任一项所述指尖检测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请通过训练样本图像及训练样本中的指尖位置,根据所述训练样本图像和所述训练样本图像的指尖位置确定所述训练样本图像对应的样本置信数据,将所述训练样本图像输入指尖检测模型,得到检测置信数据,根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,经过多次训练修正,在检测置信数据和样本置信数据满足预设条件时,得到已训练的指尖检测模型。由于采用根据指尖位置所确定的置信数据进行训练,相对于仅标定指尖位置的训练方式,使得指尖检测模型可以快速的收敛,有利于提高模型的训练效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种指尖检测模型的训练方法的实现流程示意图;
图2是本申请实施例提供的一种对所述指尖检测模型进行监督学习的实现流程示意图;
图3是本申请实施例提供的一种指尖检测方法的实现流程示意图;
图4是本申请实施例提供的指尖检测模型的训练装置的示意图;
图5是本申请实施例提供的计算机设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种指尖检测模型的训练方法实现流程示意图,详述如下:
在步骤S101中,获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;
所述训练样本图像集中包括多个训练样本图像。
为了提高所述指尖检测模型的鲁棒性,可以通过提高训练样本图像的样式的多样性,或者通过数据增广的方式来扩充训练样本图像。
其中,所述训练样本图像的样式的多样性,可以根据训练样本图像中的手势的多样性、训练样本图像中的手势视角的多样性以及训练样本图像中的背景的多样性中的一种或者多种,来提高所述训练样本图像的多样性,使得训练样本图像集中包括多种手势的训练样本图像,和/或,多种手势视角的训练样本图像,和/或,多种背景的训练样本图像。
其中,可以通过采集包括不同手势的图片或者视频的方式,提高训练样本图像的手势的多样性。比如,所采集的训练样本图像可以包括握拳手势、伸出一个、两个、三个、四个或者伸出全部手指的手势等。或者还可以在同一图片中包括不同数量的手势,不同手势之间可能相隔一定距离,也可能部分重叠或者全部重叠等。
可以在不同手势的基础上,进一步改变每一种手势的视角,即对于同一手势,可以通过不同的视角采集多个训练样本图像。比如,对于任一手势,可以从上侧、下侧、左侧、右侧、前侧或后侧中的任意角度进行拍摄,在不同手势的基础上,进一步得到不同手势的不同视角的训练样本图像的图像。
所述背景的改变,可以包括背景内容的改变、背景颜色信息的改变。所述背景内容的改变,可以所采集的不同手势和/或不同视角的手势图像,结合预先设定的包括不同背景内容的背景图像,生成所需要的训练样本图像。或者也可以直接采集得到不同背景内容的训练样本图像。
所述背景颜色的改变,可以基于所采集的训练样本图像进行背景区域提取,对所提取的背景区域进行颜色的改变,包括改变背景区域的亮度、改变背景区域的色调和/或改变背景区域的饱和度等。
当然,所述背景的改变,也可以通过采集的训练样本图像所包括的背景的不同来提高训练样本图像的背景的多样性。
在采集到所述训练样本图像后,在本申请的实施方式中,还可以包括对所述训练样本图像集中的训练样本图像进行数据增广处理,得到增广图像。所述数据增广处理具体可以包括水平翻转处理、垂直翻转处理、旋转处理、缩放处理、平移处理、裁剪处理、添加噪声处理中的一种或者多种方式。
其中,对训练样本图像进行旋转处理时,旋转后的图像尺寸可能与旋转前的图像的尺寸不同。如果旋转的图像是正方形,则以直角的角度依次旋转图像时,旋转后的图像将保留原来的图像大小。如果旋转的图像是一个矩形,在旋转180度后,旋转后的图像将保持原来图像的大小。以其它非直角的角度旋转图像时,会改变最终的图像尺寸。
缩放图像时,可以包括向外缩放和向内缩放。如果向外缩放(scaling outward)图像时,放大后的图像尺寸将大于原始图像尺寸,可以通过图像框架从放大的新图像中剪切出一个部分,剪切部分的大小可以等于原始图像。向内缩放会缩小图像大小,可以对超出边界的内容做出假设或填充。
在图像中添加噪声时,可以在图像中添加高斯噪声、椒盐噪声等。具有零均值的高斯噪声在所有频率中具有数据点(data points),可以有效地使高频特征失真(distorting)。通过在训练样本图像的图像中添加噪声可以增强模型的学习能力。
在对所述训练样本图像进行增广处理时,可以得到不同尺寸的图像,或者也可以直接获取不同尺寸的训练样本图像。可以通过输入不同尺寸的训练样本图像,对所述指尖检测模型进行多尺度训练,从而提高所述指尖检测模型的泛化能力。
所述训练样本图像的指尖位置的确定,可以通过模型训练的工作人员指定。比如,可以由工作人员在训练样本图像中设置指尖位置的标识,比如可以为特定形状的图像,或者也可以为特定颜色(与训练样本图像的颜色相区别)的点。根据设置有指尖位置的标识的图像,自动识别所述训练样本图像中的指尖位置。
在步骤S102中,根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;
其中,所述置信数据为表示图像中的每个像素点为指尖位置的可能性的数值构成,例如,所述置信数据可以包括置信图。其中,样本置信数据可以包括样本置信图,检测置信数据可以包括检测置信图。所述置信图可以为根据预设的映射关系,将图像中的像素点的位置关系映射至置信图,并以像素点的置信值为该映射点的置信值的图像。所述置信值,即用于表示图像中的某个像素点为指尖位置的可能性的数值。
所述置信数据可以通过置信图表示,也可以通过数据表或其它数据形式表示。为了简化说明,下面以置信图为例,具体说明置信数据的获取过程。
其中,所述样本置信图的尺寸可以与所述训练样本图像的尺寸一致;或者所述样本置信图的尺寸可以训练样本图像的尺寸为预定的比例关系,比如,所述样本训练图像与样本置信图的尺寸比例为n比1,即将训练样本图像中的n个像素点,映射至样本置信图中的一个像素点。所述样本置信图的内容,可以为每个像素点的置信值,所述置信值为所述样本置信图中的像素点为指尖位置的映射点的可信度。
在确定所述训练样本图像对应的样本置信图时,可以根据预设的映射关系,将所述训练样本图像中的一个或者多个像素点映射至样本置信图中一个像素点,并可以根据预设的样本置信图中像素点的置信值的计算方式,确定所述样本置信图中的像素点的映射值。
所述样本置信图中的映射点的置信值的计算方式,可以根据指尖位置在所述样本置信图中的映射点与所述样本置信图中的像素点的距离(为描述方便,下面简称为第一距离),确定所述样本置信图中的像素点的置信值。比如,可以设定随着所述第一距离的增加,所述样本置信图中的像素点的置信值逐渐减小的对应关系,确定所述样本置信图中的像素点的置信值。
在一种实施方式中,可以根据所述训练样本图像的指尖位置在样本置信图中的映射点与所述样本置信图中的像素点的距离,以及所述样本置信图的尺寸,确定所述样本置信图中的像素点的置信值。
比如,可以根据样本置信图中的像素点的置信值计算公式:
计算所述样本置信图中的像素点的置信值。
其中,(i,j)为样本置信图中的任意像素点的坐标,(x,y)为训练样本图像中的指尖位置的中心点映射到样本置信图中的坐标,gama=-1/(output_size*α),其中output_size为所述指尖检测模型输出的图像的尺寸,α为置信值计算系数,P为样本置信图中的像素点的置信值。
可以理解的是,所述计算公式不局限于此,还可以包括其它包括所述距离和置信图尺寸等参数的计算方式,比如调整距离的幂值大小等,可以根据具体的模型识别效果对其进行调整。
通过采集随着所述第一距离的增加而逐渐减小置信值的变化关系,生成样本置信图,可以有效的提高指尖检测模型的收敛速度,并且,由于通过该变化关系所计算的置信值,随着指尖位置所对应的置信图中的像素点为中心向四周逐渐增加降低置信值,因而使得所生成的置信图中的指尖位置置信值最高,可以在根据所述指尖检测模型进行指尖位置识别时,获取更为准确的指尖位置
在步骤S103中,将训练样本图像输入指尖检测模型,得到检测置信数据;
其中,所述指尖检测模型为待更新参数的指尖检测模型。在对所述指尖检测模型训练之前,可以通过参数初始化的方式,将所述指尖检测模型中的参数初始化,比如可以初始化为与检测场景对应的预定的数值,通过确定不同场景所对应的初始化值,可以优化所述指尖检测模型的训练速度。
其中,将训练样本图像输入指尖检测模型,得到检测置信数据的过程可以具体如图2所示,包括:
在步骤S201中,通过特征提取网络提取所述训练样本图像的特征,输出第一特征图像,所述第一特征图像尺寸与训练样本图像尺寸的比值为预定值;
可以根据mobilenet网络或者其它卷积神经网络等特征提取网络,对所述训练样本图像进行特征计算,并输出预定大小的第一特征图像。作为本申请可选的一种实施方式,所述第一特征图像的大小与训练样本图像的大小的比值,可以为比值区间[1/8,1/32]中的任意一个或者多个比值,从而可以得到一个或者多个不同尺寸的第一特征图像,通过特征提取网络得到该比值所对应的第一特征图像,可以避免过大的下采样次数使得网络损失部分空间信息,即可以避免下采样次数过大时,所得到的第一特征图像的空间信息就会越少,则在后续的感受野自适应网络无法提取更为准确的图像特征的问题;也能够避免过小的下采样次数,使得后续的感受自适应网络计算数据过大,收敛速度较慢,不利于提高模型训练效率的问题。
当所述第一特征图像包括多个不同尺寸时,可以根据多个不同尺寸的第一特征图像进一步处理,包括如感受野自适应网络提取第一特征图像中的图像特征,再进一步将所提取的图像特征输入全连接网络,得到训练样本图像对应的多个检测置信数据。通过一个训练样本图所对应的多个检测置信图与所述样本置信图进行比较,可以使得指尖检测模型能够更有效的训练学习。
在步骤S202中,通过感受野自适应网络提取所述第一特征图像中的图像特征;
所述感受野自适应网络可以包括多个不同的卷积核,比如可以包括1*1的卷积核、3*3大小的普通卷积核或3*3的空洞卷积核等。根据所生成的不同的第一特征图像,自适应匹配不同的卷积核进行特征提取处理。
作为本申请可选的一种实施方式,所述通过感受野自适应网络提取所述第一特征图像中的图像特征可以包括:
A1,通过第一感受野自适应网络从所述第一特征图像提取第二特征图像;
对于特征提取网络所输出的第一特征图像,可以通过第一感受野自适应网络对其进行特征提取,通过感受野自适应网络从所述第一特征图像中提取第二特征图像。
A2,将所述第一特征图像和第二特征图像连接生成第三特征图像,通过第二感受野自适应网络从所述第三特征图像提取得到图像特征。
通过将所述第一特征图像和第二特征图像进行连接,得到第三特征图像,对所述第三特征图像进一步进行采用感受野自适应网络进行特征提取,得到图像特征。
通过感受野自适应网络对特征提取网络所输出的第一特征图像进行特征提取,可以有效的适应不同尺寸的特征的提取,从而能够增加对图像检测的鲁棒性,从而能够获得更为精确的指尖位置识别和定位。
在步骤S203中,将所提取的图像特征输入全连接网络,得到训练样本图像对应的检测置信数据;
可以对所述指尖检测模型中的参数初始化为非零值后,对所述图像特征进行置信值的计算,即可根据所提取的图像特征进行全连接处理,计算所述训练样本图像所对应的检测置信数据。
在步骤S104中,根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。
获取所述全连接网络得到的检测置信数据与所述样本置信数据之间差异,逐步调整所述指尖检测模型的参数,并返回至步骤S103重新将所述训练样本图像输入指尖检测模型,得到检测置信数据再与样本置信数据比较,直到所述检测置信数据与所述样本置信数据满足预设条件,即所述指尖检测模型收敛,从而完成对所述指尖检测模型的训练。
在一种实施方式中,可以通过按组训练的方式,完成对所述指尖检测模型的训练。比如,假设所述指尖检测模型的模型参数为W1,将所述指尖检测模型输出的检测置信数据与第一组中的训练样本图像对应的样本置信数据进行比较,根据比较结果更新所述指尖检测模型为W2。在修改参数之后,再继续执行对训练样本图像的训练处理,即可以对下一组的训练样本图像进行训练处理,计算得到与该训练样本图像对应的检测置信数据,根据检测置信数据与样本置信数据的差异,对所述模型参数W2进行调整,得到修改后的参数W3,……,以此类推,不断重复以上过程,每次训练过程均可以针对一组新的样本训练图像进行训练,并对模型参数进行修改,直至满足预设的的训练条件。比如,所述训练条件可以为训练次数达到预设的次数阈值,所述次数阈值可以为100000次;所述训练条件也可以为所述指尖检测模型收敛。
在一些实施方式中,可能会存在训练次数还未达到所述次数阈值,所述指尖检测模型已经收敛,可能导致重复不必要的工作;或者,训练次数超过所述次数阈值,仍然无法收敛,可能导致无限循环,无法结束训练过程,基于上述这两种情况,所述训练条件可以是训练次数达到所述次数阈值,或所述指尖检测模型收敛。当满足所述训练条件时,即可得到已训练的方言识别模型。
图3为本申请实施例提供的一种指尖检测方法的实现流程示意图,详述如下:
在步骤S301中,获取待检测图像;
所述待检测图像可以为照片,也可以为视频中的视频图像。当所述待检测图像为视频中的视频图像时,可以先提取视频中的视频帧,检测所述视频帧中是否包括手指图像,如果包括手指图像,则将包括手指图像的所述视频帧作为待检测图像。通过对视频帧中的内容进行初步筛选,可以避免对无效图像进行指尖位置检测,从而提高指尖检测效率。
在步骤S302中,将所述待检测图像输入已训练的指尖检测模型,获取所述指尖检测模型输出的所述待检测图像对应的置信数据;
其中,所述指尖检测模型对待检测图像进行处理的过程,与图1中的步骤S103中描述的指尖检测模型对训练样本图像的处理方式基本一致。比如,可以包括将所述待检测图像输入已训练的指尖检测模型时,可以通过特征提取网络提取所述待检测图像的特征,输出第一特征图像,所述第一特征图像的尺寸与待检测图像尺寸的比值为预定值。可以通过感受野自适应网络提取所述第一特征图像中的图像特征。比如,可以通过第一感受野自适应网络从所述第一特征图像提取第二特征图像,并将所述第一特征图像和第二特征图像连接生成第三特征图像,通过第二感受野自适应网络从所述第三特征图像提取得到所述图像特征。将所提取的图像特征输入全连接网络,得到待检测图像的置信数据。
所述置信数据中的置信值表示该像素点为指尖位置的可信度,所述已训练的指尖检测模型根据图1对应的实施例中的指尖检测模型训练方法训练得到。
所获取的置信数据中,包括图像中的任意像素点的置信值。根据预先设定的置信图与待检测图像的映射关系,可以确定置信图中的任意像素点所映射在待检测图像中的位置。
在步骤S303中,根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置。
根据所述指尖检测模型生成所述待检测图像对应的置信数据后,可以根据置信数据中的置信值与预设的置信阈值的比较结果,确定检测图像中的指尖位置,比如,当置信数据中的置信值大于预设的置信阈值时,则该置信数据在检测图像中对应的位置为指尖位置。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图4为本申请实施例提供的一种指尖检测模型的训练装置的结构示意图,详述如下:
所述指尖检测模型的训练装置包括:
训练样本获取单元401,用于获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;
样本置信数据获取单元402,用于根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;
检测置信数据获取单元403,用于将训练样本图像输入指尖检测模型,得到检测置信数据;
训练单元404,用于根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。
所述指尖检测模型的训练装置,与图1所述的指尖检测模型的训练方法对应。
另外,本申请还提供了一种指尖检测装置,所述指尖检测装置包括:
待检测图像获取单元,用于获取待检测图像;
模型计算单元,用于将所述待检测图像输入已训练的指尖检测模型,获取所述指尖检测模型输出的所述待检测图像对应的置信数据,所述已训练的指尖检测模型为图1所述训练方法所训练的指尖检测模型;
指尖位置确定单元,用于根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置。
所述指尖检测装置,与图3所述的指尖检测方法对应。
图5是本申请一实施例提供的计算机设备的示意图。如图5所示,该实施例的计算机设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52,例如指尖检测程序。所述处理器50执行所述计算机程序52时实现上述各个指尖检测方法实施例中的步骤。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述计算机设备5中的执行过程。例如,所述计算机程序52可以被分割成:
训练样本获取单元,用于获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;
样本置信数据获取单元,用于根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;
检测置信数据获取单元,用于将训练样本图像输入指尖检测模型,得到检测置信数据;
训练单元,用于根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。
或者被分割为:
待检测图像获取单元,用于获取待检测图像;
模型计算单元,用于将所述待检测图像输入已训练的指尖检测模型,获取所述指尖检测模型输出的所述待检测图像对应的置信数据,所述已训练的指尖检测模型为图1所述训练方法所训练的指尖检测模型;
指尖位置确定单元,用于根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置。
所述计算机设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是计算机设备5的示例,并不构成对计算机设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述计算机设备5的内部存储单元,例如计算机设备5的硬盘或内存。所述存储器51也可以是所述计算机设备5的外部存储设备,例如所述计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (14)
1.一种指尖检测模型的训练方法,其特征在于,所述指尖检测模型训练方法包括:
获取训练样本图像集中的训练样本图像,以及所述训练样本图像中的指尖位置;
根据训练样本图像以及所述训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据;
将训练样本图像输入指尖检测模型,得到检测置信数据;
根据所述检测置信数据和所述样本置信数据,对所述指尖检测模型的参数进行修正,并返回执行所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤,直至所述检测置信数据与所述样本置信数据满足预设条件,得到已训练的指尖检测模型。
2.根据权利要求1所述的指尖检测模型的训练方法,其特征在于,所述置信数据包括置信图,所述根据训练样本图像以及训练样本图像的指尖位置,确定所述训练样本图像对应的样本置信数据的步骤包括:
将所述训练样本图像中的像素点映射至样本置信图,并根据训练样本图像中的指尖位置在所述样本置信图中的映射点与所述样本置信图中的像素点的距离,确定所述样本置信图中的像素点的置信值,所述置信值表示所述像素点为指尖位置的可信度。
3.根据权利要求2所述的指尖检测模型的训练方法,其特征在于,所述根据训练样本图像中的指尖位置在样本置信图中的映射点与样本置信图中的像素点的距离,确定所述样本置信图中的像素点的置信值的步骤包括:
根据训练样本图像的指尖位置在样本置信图中的映射点与所述样本置信图中的像素点的距离,以及所述样本置信图的尺寸,确定所述样本置信图中的像素点的置信值。
5.根据权利要求1所述的指尖检测模型的训练方法,其特征在于,所述将训练样本图像输入指尖检测模型,得到检测置信数据的步骤包括:
通过特征提取网络提取所述训练样本图像的特征,输出第一特征图像,所述第一特征图像尺寸与训练样本图像尺寸的比值为预定值;
通过感受野自适应网络提取所述第一特征图像中的图像特征;
将所提取的图像特征输入全连接网络,得到训练样本图像对应的检测置信数据。
6.根据权利要求5所述的指尖检测模型的训练方法,其特征在于,所述通过感受野自适应网络提取所述第一特征图像中的图像特征的步骤包括:
通过第一感受野自适应网络从所述第一特征图像提取第二特征图像;
将所述第一特征图像和所述第二特征图像连接生成第三特征图像,通过第二感受野自适应网络从所述第三特征图像提取得到所述图像特征。
7.根据权利要求1所述的指尖检测模型的训练方法,其特征在于,在所述获取包括指尖图像的训练样本图像的步骤包括:
获取原始样本图像;
对所述原始样本图像进行数据增广处理,得到增广图像;
根据所述增广图像和原始样本图像生成训练样本图像。
8.根据权利要求7所述的指尖检测模型的训练方法,其特征在于,所述数据增广处理包括:水平翻转处理、垂直翻转处理、旋转处理、缩放处理、平移处理、裁剪处理、添加噪声处理中的一种或者多种。
9.根据权利要求1所述的指尖检测模型的训练方法,其特征在于,所述训练样本图像集包括多种手势的训练样本图像,和/或,多种手势视角的训练样本图像,和/或,多种背景的训练样本图像。
10.一种指尖检测方法,其特征在于,所述指尖检测方法包括:
获取待检测图像;
将所述待检测图像输入已训练的指尖检测模型,获取所述指尖检测模型输出的所述待检测图像对应的置信数据,所述置信数据的置信值表示该置信数据对应的像素点置信数据为指尖位置的可信度,所述已训练的指尖检测模型为权利要求1-9任一项指尖检测模型的训练方法所训练的指尖检测模型;
根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置。
11.根据权利要求10所述的指尖检测方法,其特征在于,所述根据所述置信数据中的置信值与预设的置信阈值的比较结果确定所述待检测图像中的指尖位置的步骤包括:
将所述置信数据中的置信值与预设的置信阈值进行比较,查找所述置信数据中的置信值大于预设的置信阈值的像素点;
根据所述置信数据与所述待检测图像的位置映射关系,将所查找的像素点在所述待检测图像中的位置作为所述待检测图像中的指尖位置。
12.根据权利要求10所述的指尖检测方法,其特征在于,所述获取待检测图像的步骤包括:
获取待处理视频,在所述待处理视频提取视频帧;
检测到所提取的视频帧包括手指图像时,将所述视频帧作为待检测图像。
13.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,使得计算机设备实现如权利要求1至9任一项所述指尖检测模型的训练方法,或者实现如权利要求10-12任一项所述指尖检测方法的步骤。
14.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得计算机设备实现如权利要求1-9任一项所述指尖检测模型的训练方法,或者实现如权利要求10-12任一项所述指尖检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347283.6A CN113033256A (zh) | 2019-12-24 | 2019-12-24 | 一种指尖检测模型的训练方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347283.6A CN113033256A (zh) | 2019-12-24 | 2019-12-24 | 一种指尖检测模型的训练方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033256A true CN113033256A (zh) | 2021-06-25 |
Family
ID=76451695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347283.6A Pending CN113033256A (zh) | 2019-12-24 | 2019-12-24 | 一种指尖检测模型的训练方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867540A (zh) * | 2021-10-19 | 2021-12-31 | 科大讯飞股份有限公司 | 指尖点击位置检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593679A (zh) * | 2012-08-16 | 2014-02-19 | 北京大学深圳研究生院 | 一种基于在线机器学习的视觉人手跟踪方法 |
CN104834922A (zh) * | 2015-05-27 | 2015-08-12 | 电子科技大学 | 基于混合神经网络的手势识别方法 |
US20150253864A1 (en) * | 2014-03-06 | 2015-09-10 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Image Processor Comprising Gesture Recognition System with Finger Detection and Tracking Functionality |
CN107563494A (zh) * | 2017-08-01 | 2018-01-09 | 华南理工大学 | 一种基于卷积神经网络和热图的第一视角指尖检测方法 |
WO2018033154A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 手势控制方法、装置和电子设备 |
CN108898063A (zh) * | 2018-06-04 | 2018-11-27 | 大连大学 | 一种基于全卷积神经网络的人体姿态识别装置及方法 |
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN110163048A (zh) * | 2018-07-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
CN110348337A (zh) * | 2019-06-26 | 2019-10-18 | 西安理工大学 | 基于卷积神经网络的舞蹈视频人体骨架检测与提取方法 |
-
2019
- 2019-12-24 CN CN201911347283.6A patent/CN113033256A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593679A (zh) * | 2012-08-16 | 2014-02-19 | 北京大学深圳研究生院 | 一种基于在线机器学习的视觉人手跟踪方法 |
US20150253864A1 (en) * | 2014-03-06 | 2015-09-10 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Image Processor Comprising Gesture Recognition System with Finger Detection and Tracking Functionality |
CN104834922A (zh) * | 2015-05-27 | 2015-08-12 | 电子科技大学 | 基于混合神经网络的手势识别方法 |
WO2018033154A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 手势控制方法、装置和电子设备 |
CN107563494A (zh) * | 2017-08-01 | 2018-01-09 | 华南理工大学 | 一种基于卷积神经网络和热图的第一视角指尖检测方法 |
CN108898063A (zh) * | 2018-06-04 | 2018-11-27 | 大连大学 | 一种基于全卷积神经网络的人体姿态识别装置及方法 |
CN110163048A (zh) * | 2018-07-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
CN109214282A (zh) * | 2018-08-01 | 2019-01-15 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
CN110348337A (zh) * | 2019-06-26 | 2019-10-18 | 西安理工大学 | 基于卷积神经网络的舞蹈视频人体骨架检测与提取方法 |
Non-Patent Citations (2)
Title |
---|
卢艺帆;张松海;: "基于卷积神经网络的光学遥感图像目标检测", 中国科技论文, no. 14 * |
李文生;解梅;邓春健;: "一种快速的动态手势学习和识别方法", 南京大学学报(自然科学版), no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867540A (zh) * | 2021-10-19 | 2021-12-31 | 科大讯飞股份有限公司 | 指尖点击位置检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581629B (zh) | 增强现实显示方法、装置、电子设备及存储介质 | |
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
WO2020119527A1 (zh) | 人体动作识别方法、装置、终端设备及存储介质 | |
JP2022534337A (ja) | ビデオターゲット追跡方法と装置、コンピュータ装置、プログラム | |
CN110378837B (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
US11170528B2 (en) | Object pose tracking method and apparatus | |
CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
US20100194679A1 (en) | Gesture recognition system and method thereof | |
CN111402170B (zh) | 图像增强方法、装置、终端及计算机可读存储介质 | |
CN110930411B (zh) | 一种基于深度相机的人体分割方法及系统 | |
CN111860398A (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN112651380A (zh) | 人脸识别方法、人脸识别装置、终端设备及存储介质 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
WO2023279584A1 (zh) | 一种目标检测方法、目标检测装置及机器人 | |
WO2022199395A1 (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN111161348A (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN113033256A (zh) | 一种指尖检测模型的训练方法和设备 | |
CN109785367B (zh) | 三维模型追踪中外点滤除方法和装置 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
CN113256484B (zh) | 一种对图像进行风格化处理的方法及装置 | |
Kang et al. | An adaptive fusion panoramic image mosaic algorithm based on circular LBP feature and HSV color system | |
CN114219831A (zh) | 目标跟踪方法、装置、终端设备及计算机可读存储介质 | |
CN116228850A (zh) | 物体姿态估计方法、装置、电子设备及可读存储介质 |
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 |