CN113378772B - 一种基于多特征融合的手指灵活检测方法 - Google Patents
一种基于多特征融合的手指灵活检测方法 Download PDFInfo
- Publication number
- CN113378772B CN113378772B CN202110722226.2A CN202110722226A CN113378772B CN 113378772 B CN113378772 B CN 113378772B CN 202110722226 A CN202110722226 A CN 202110722226A CN 113378772 B CN113378772 B CN 113378772B
- Authority
- CN
- China
- Prior art keywords
- finger
- keyboard
- video frame
- calculating
- fingers
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 230000004064 dysfunction Effects 0.000 claims abstract description 18
- 230000005057 finger movement Effects 0.000 claims abstract description 11
- 210000003811 finger Anatomy 0.000 claims description 144
- 210000004932 little finger Anatomy 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 210000001145 finger joint Anatomy 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 210000002478 hand joint Anatomy 0.000 claims description 8
- 101800000535 3C-like proteinase Proteins 0.000 claims description 4
- 101800002396 3C-like proteinase nsp5 Proteins 0.000 claims description 4
- 101800000268 Leader protease Proteins 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 210000004247 hand Anatomy 0.000 claims description 4
- 210000000811 metacarpophalangeal joint Anatomy 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000000691 measurement method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于多特征融合的手指灵活性检测方法，首先利用置于手部运动垂直上方的RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频，然后再将视频提取成视频帧，经过OpenPose模型得到手部21个关节点的坐标，然后根据敲击键盘的时间序列得到手指敲击键盘前后瞬间的视频帧集合，然后计算手指运动的角度变化和角速度，然后计算正常人和有手部功能障碍人敲击键盘每个手指的准确率，最后将平均角速度和手指敲击键盘的准确率融合，通过SVM训练，判断并分类出手指灵活性较差的人群。本发明通过采集手部运动特征，得到手指灵活性检测模型，判断并分类出手指灵活性较差的人群，其分类的准确率在75％以上。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于多特征融合的手指灵活性的检测方法。
背景技术
随着社会的快速发展，生活水平的不断提高，手部运动能力在生活中扮演着极其重要的角色，手部运动能力严重的影响着我们正常的学习和生活。手指灵活性的好坏是衡量人体手部运动能力、保证人体正常运动的生理机能的重要指标。除此之外，手部运动能力的好坏也是反映国民身体素质的重要指标。通常手部功能障碍是帕金森综合征或者中风等疾病的表现之一，尽管现在的康复训练可以帮助患者恢复手部功能，但是康复训练之后如何测试手指灵活性是一个很难攻克的难题。
评估手部运动能力一般分为观察法、量表测量法，其他方法以及基于计算机视觉的方法，其中观测方法其主观性比较强；量表测量法存在许多不确定性，受外界影响大，用打分评估手部功能，说服力不大；随着计算机硬件的发展许多研究人员将数据手套、传感器等专用设备与传统的量表和机器学习方法结合起来用于评估手部功能。它的缺点是需要专用设备，其费用之高。基于视觉的方法使用深度学习获取手部运动信息，不需要使用专用设备获取手部运动信息，以上的这些方法都都有一个共同的缺点就是只能提供手部功能的总体测量方法，而不能全面评估手指的灵活性。
不管是传统的方法还是利用计算机技术来进行评估手部运动能力，获取手部运动数据一般分为利用专用设备获取数据和利用图像处理技术来获取数据，专用设备费用昂贵，不易操作，容易受到设备的影响。但是随着图像处理技术和深度学习的发展，计算机视觉也可以用来获取部分手部运动数据，应用于手部运动迟缓评估。
发明的内容
本发明的目的是提供一种手指灵活性检测的方法，解决了现存方法中只能提供手指灵活性的总体测量方法的缺点。
本发明所采用的技术方案是，一种基于多特征融合的手指灵活性的检测方法，包括以下步骤：
步骤1、利用RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频；
步骤2、在手指运动的同时记录下手指敲击键盘的时间序列并根据时间序列得到手指敲击键盘前后瞬间的视频帧集合；
步骤3、将采集到的视频分别提取成图像，将提取的图像作为输入输入到OpenPose中得到手部关节的坐标点集合；
步骤4、根据步骤2和步骤3得到的结果，计算正常人和有手部功能障碍人的手部手指运动的角速度；
步骤5、计算正常人和有手部功能障碍人敲击键盘每个手指的准确率；
步骤6、将步骤4得到的角速度和步骤5得到的准确率融合，通过SVM训练，得到手指灵活性检测模型，判断并分别出手部功能障碍的人群；
本发明的特点还在于：
步骤2具体包括以下步骤：
步骤2.1、利用程序记录RGB相机拍摄视频开始的时间TS和每个手指正确敲击键盘瞬间的时间序列TI、TM、TR、TL，并存储到MYSQL数据库中；
步骤2.2、利用公式Tspan＝TI-TS计算四个手指所对应的时间间隔；
步骤2.3、计算每个视频帧相对于第一帧所对应的的时间间隔
步骤2.4、根据判断和Tspan是否相等，若相等，则将所对应的视频帧加入到视频帧集合I中；
步骤2.5、根据步骤2.4的方法求出食指、中指、无名指、小指敲击键盘瞬间的视频帧序列集合II、IM、IR、IL；
步骤2.6、根据步骤2.5得到的视频帧集合，从提取的视频帧集合IC中得到视频帧Ii中每一帧所对应的前n帧,基于帧间差分的平均强度最大值的方法的到差分结果最大的视频帧，作为敲击键盘瞬间的前一时刻的视频帧；
步骤2.7、重复步骤2.6得到四个手指的敲击键盘瞬间的前一时刻的视频帧IIPro、IMPro、IRPro、ILPro；
步骤3具体包括以下步骤：
步骤3.1、将所有拍摄的视频提取成视频帧集合IC；
步骤3.2、将视频帧集合IC输入到OpenPose中得到IC中每一帧的手部关节点坐标，得到一个坐标点集合C；
步骤4具体包括以下步骤：
步骤4.1、根据II、IIPro以及食指关节标记从集合C中得到食指关节的坐标点，并存在Excel中；
步骤4.2、重复步骤4.1得到中指、无名指、小指的坐标点；
步骤4.3、根据如下公式计算食指运动前后的角度变化；
其中θ为角度变化，(x1,y1)、(x3,y3)为掌指骨关节的坐标，(x2,y2)、(x4,y4)为远端指骨关节坐标，π为圆周率。
步骤4.4、重复步骤4.3计算其他三个手指运动前后的角度变化；
步骤4.5、根据以下公式计算食指运动的角速度；
其中ω为角速度，θ为角度变化,i∈IIPro、j∈II，表示前后两帧图片的时间间隔。
步骤4.6、重复步骤4.5计算其他三个手指的角速度；
步骤4.7、计算食指、中指、无名指、小指角速度的平均值；
步骤5具体包括以下步骤：
步骤5.1、根据对敲击键盘时所作的规定让4个手指敲击键盘的指定区域，记录下手指敲击键盘时每个区域中按键被按下的按键集合并存入MySql中；
步骤5.2、手指正确按下的按键从游戏环境中得到，并存入MySql中；
步骤5.3、从MySql中取出每个手指按下按键的集合以及手指正确按下按键的集合并分别统计其个数M和N；
步骤5.4、根据如下公式计算食指敲击键盘的准确率A；
其中，M表示每个手指正确敲击键盘的次数、N表示每个手指敲击键盘的总次数。
步骤5.5、重复步骤5.1-5.4计算其他三个手指敲击键盘的准确率A；
步骤6具体包括以下步骤：
步骤6.1、将步骤4和步骤5得到的手指运动角速度平均值和敲击键盘的准确率进行融合，作为新的特征向量；
步骤6.2、加载训练数据集和测试数据集，其中，包含了训练数据和训练标签以及测试数据和测试标签，将其分为训练数据和测试数据两部分，通过寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过SVMtrain函数训练数据，得到训练完的模型，最后使用SVMpredict函数进行测试，得到带有标记“1”和“-1”的分类标签；
步骤6.3、将融合后的得到的新向量作为SVM的输入，训练SVM模型，若输出的手指灵活性标记为“1”，则被区分为正常人，说明灵活性好，若输出的手指灵活性标记为“-1”，则被区分为非正常人，说明手指灵活性不好。
本发明的有益效果是：
基于多特征融合的手指灵活性检测方法，解决了现有方法只能提供手指灵活性的总体测量方法的缺点。通过对采集的正常人和非正常人手部运动的图像处理技术得到手指运动的特征向量，不需要借助任何专业的测量设备，利用手指运动的特征就可以区分出手指灵活性不好的人群，使得对自己或他人的手指灵活性产生客观的判断，通过提取图像中手指运动的角速度、手指敲击键盘的准确率，将两个特征数据融合后，通过支持向量机(SVM)模型训练，得到手指灵活性检测模型，判断并分类出手指灵活性差的人群，最终评估的准确率在75％以上。
附图说明
图1是本发明的基于多特征融合的手指灵活性检测方法的操作流程图；
图2是本发明的基于多特征融合的手指灵活性检测方法的整体过程流程图；
图3是本发明的视频帧经过OpenPose得到的手指关节标记图以及手部关节骨架图:其中(a)为右手手指关节标记图、(b)为右手手部关节骨架图、(c)为左手手指关节标记图、(d)为左手手部关节骨架图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的基于多特征融合的手指灵活性检测方法，如图1和图2所示，具体步骤有以下几步：
步骤1、利用置于手部运动垂直上方的RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频；
步骤2、在手指运动的同时记录下手指敲击键盘的时间序列并根据时间序列得到手指敲击键盘前后瞬间的视频帧集合；
步骤2.1、利用程序记录RGB相机拍摄视频开始的时间TS和每个手指正确敲击键盘瞬间的时间序列TI、TM、TR、TL，并存储到MYSQL数据库中；
步骤2.2、利用公式Tspan＝TI-TS计算食指敲击按键时每个按键所对应的时间间隔TISpan然后重复上面的步骤计算其他三个手指所对应的的时间间隔TMSpan、TRSpan、TLSpan；
步骤2.3、利用公式计算每个视频帧相对于第一帧所对应的的时间间隔
步骤2.4、根据判断和Tspan是否相等，若相等，则将所对应的视频帧加入到视频帧集合I中；
步骤2.5、根据步骤2.4的方法求出食指、中指、无名指、小指敲击键盘瞬间的视频帧序列集合II、IM、IR、IL；
步骤2.6、根据步骤2.5得到的视频帧集合，从提取的视频帧集合IC中得到视频帧Ii中每一帧所对应的前5帧,基于帧间差分的平均强度最大值的方法的到差分结果最大的视频帧，作为敲击键盘瞬间的前一时刻的视频帧；
步骤2.7、重复步骤2.6得到四个手指的敲击键盘瞬间的前一时刻的视频帧IIPro、IMPro、IRPro、ILPro；
步骤3、将采集到的视频提取成图像，将提取的图像作为输入输入到OpenPose中得到手部关节的坐标点集合；
步骤3.1、将所有拍摄的视频提取按照每秒8帧提取成视频帧集合IC；
步骤3.2、将视频帧集合IC作为输入，输入到OpenPose中得到IC中每一帧的手部21个坐标点，最终的到一个坐标点集合其中i表示第i帧、n表示视频分割后的总帧数、k表示手部关节点的序号；
步骤4、根据步骤2和步骤3得到的结果，计算正常人和有手部功能障碍人的手部手指运动的角速度；
步骤4.1、根据II、IIPro以及食指关节标记(5,6,7,8)从集合C中的到5和7关节的坐标点，并存在Excel中；
步骤4.2、重复步骤4.1提取中指、无名指、小指的坐标点；
步骤4.3、根据如下公式计算食指运动前后的角度变化；
其中θ为角度变化，(x1,y1)、(x3,y3)为掌指骨关节的坐标，(x2,y2)、(x4,y4)为远端指骨关节坐标，π为圆周率。
步骤4.4、重复步骤4.3计算其他三个手指运动前后的角度变化；
步骤4.5、根据以下公式计算食指运动的角速度；
其中ω为角速度，θ为角度变化,i∈IIPro、j∈II，表示前后两帧图片的时间间隔。
步骤4.6、重复步骤4.5计算其他三个手指的角速度；
步骤4.7、计算食指、中指、无名指、小指角速度的平均值；
步骤5、计算正常人和有手部功能障碍人敲击键盘每个手指的准确率；
步骤5.1、将普通键盘上的26个英文字母按键分为4个部分I、II、III、IV，每个部分都由7个按键组成，让每个手指敲击某一部分的按键；
步骤5.2、根据步骤5.1对敲击键盘时所作的规定让食指敲击I中的按键、中指敲击II中的按键、无名指敲击III中的按键、小指敲击IV中的按键，并且记录下手指敲击键盘时每个区域中按键被按下的按键集合并存入MySql中；
步骤5.3、手指正确按下的按键从游戏环境中得到，并存入MySql中；
步骤5.4、从MySql中取出每个手指按下按键的集合以及手指正确按下按键的集合并分别统计其个数M和N；
步骤5.5、根据如下公式计算食指敲击键盘的准确率A；
其中，M表示每个手指正确敲击键盘的次数、N表示每个手指敲击键盘的总次数。
步骤5.6、重复步骤5.4-5.5计算其他三个手指敲击键盘的准确率A；
步骤6、将步骤4得到的角速度和步骤5得到的准确率融合，通过SVM训练，得到手指灵活性检测模型，判断并分别出手部功能障碍的人群；
步骤6.1、将步骤4和步骤5得到的手指运动角速度平均值和敲击键盘的准确率进行融合，作为新的特征向量；
步骤6.2、加载训练数据集和测试数据集，其中，包含了训练数据和训练标签以及测试数据和测试标签，将其分为训练数据和测试数据两部分，通过寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过SVMfit函数训练数据，得到训练完的模型；最后使用SVMpredict函数进行测试，得到带有标记“1”和“-1”的分类标签；
步骤6.3、将融合后的得到的新向量作为SVM的输入，训练SVM模型，若输出的手指灵活性标记为“1”，则被区分为正常人，说明灵活性好；若输出的手指灵活性标记为“-1”，则被区分为非正常人，说明手指灵活性较差。
实施例
步骤1、利用置于手部运动垂直上方的RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频；
步骤2、利用程序记录RGB相机拍摄视频开始的时间TS和每个手指正确敲击键盘瞬间的时间序列TI、TM、TR、TL，利用公式Tspan＝TI-TS计算食指敲击按键时每个按键所对应的时间间隔TISpan然后重复上面的步骤计算其他三个手指所对应的的时间间隔TMSpan、TRSpan、TLSpan，利用公式计算每个视频帧相对于第一帧所对应的的时间间隔/>根据判断/>和Tspan是否相等，若相等，则将所对应的视频帧加入到视频帧集合I中，然后再求出食指、中指、无名指、小指敲击键盘瞬间的视频帧序列集合II、IM、IR、IL，根据步骤2.5得到的视频帧集合，从提取的视频帧集合IC中得到视频帧Ii中每一帧所对应的前5帧,基于帧间差分的平均强度最大值的方法的到差分结果最大的视频帧，作为敲击键盘瞬间的前一时刻的视频帧，重复步骤2.6得到四个手指的敲击键盘瞬间的前一时刻的视频帧IIPro、IMPro、IRPro、ILPro；
步骤3、将所有拍摄的视频提取按照每秒8帧提取成视频帧集合IC，将视频帧集合IC作为输入，输入到OpenPose中得到IC中每一帧的手部21个坐标点，结果如图3所示，最终的到一个坐标点集合其中i表示第i帧、n表示视频分割后的总帧数、k表示手部关节点的序号；
步骤4、根据II、IIPro以及食指关节标记(5,6,7,8)从集合C中的到5和7关节的坐标点，重复上面步骤提取中指、无名指、小指的坐标点，然后计算食指、中指、无名指、小指运动前后的角度变化，最后计算食指运动的角速度平均角速度，
步骤5、从MySql中取出每个手指按下按键的集合以及手指正确按下按键的集合并分别统计其个数M和N，根据如下公式计算食指敲击键盘的准确率A，最后计算其他三个手指敲击键盘的准确率A；
步骤6、将步骤4得到的角速度和步骤5得到的准确率融合，通过SVM训练，得到手指灵活性检测模型，判断并分别出手部功能障碍的人群，最终的结果如表1所示：
表1手指灵活性检测准确率结果
Claims (1)
1.一种基于多特征融合的手指灵活性的检测方法，其特征在于，包括以下步骤：
步骤1、利用RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频；
步骤2、在手指运动的同时记录下手指敲击键盘的时间序列并根据时间序列得到手指敲击键盘前后瞬间的视频帧集合；
步骤3、将采集到的视频分别提取成图像，将提取的图像作为输入数据输入到OpenPose中得到手部关节的坐标点集合；
步骤4、根据步骤2和步骤3得到的结果，计算正常人和有手部功能障碍人的手部手指运动的角速度；
步骤5、计算正常人和有手部功能障碍人敲击键盘每个手指的准确率；
步骤6、将步骤4得到的角速度和步骤5得到的准确率融合，通过SVM训练，得到手指灵活性检测模型，判断并分别出手部功能障碍的人群；
所述步骤2具体包括以下步骤：
步骤2.1、利用程序记录RGB相机拍摄视频开始的时间TS和食指、中指、无名指、小指正确敲击键盘瞬间的时间序列TI、TM、TR、TL，并存储到MYSQL数据库中；
步骤2.2、利用公式Tspan＝TI-TS计算四个手指所对应的时间间隔；
步骤2.3、计算每个视频帧相对于第一帧所对应的的时间间隔
步骤2.4、根据判断和Tspan是否相等，若相等，则将所对应的视频帧加入到视频帧集合I中；
步骤2.5、根据步骤2.4的方法求出食指、中指、无名指、小指敲击键盘瞬间的视频帧序列集合II、IM、IR、IL；
步骤2.6、根据步骤2.5得到的视频帧集合，从提取的视频帧集合IC中得到视频帧Ii中每一帧所对应的前n帧,基于帧间差分的平均强度最大值的方法的到差分结果最大的视频帧，作为敲击键盘瞬间的前一时刻的视频帧；
步骤2.7、重复步骤2.6得到食指、中指、无名指、小指的敲击键盘瞬间的前一时刻的视频帧IIPro、IMPro、IRPro、ILPro；
所述步骤3具体包括以下步骤：
步骤3.1、将所有拍摄的视频提取成视频帧集合IC；
步骤3.2、将视频帧集合IC输入到OpenPose中得到IC中每一帧的手部关节点坐标，得到一个坐标点集合C；
所述步骤4具体包括以下步骤：
步骤4.1、根据II、IIPro以及食指关节标记从集合C中得到食指关节的坐标点，并存在Excel中；
步骤4.2、重复步骤4.1得到中指、无名指、小指的坐标点；
步骤4.3、根据如下公式计算食指运动前后的角度变化；
其中θ为角度变化，(x1,y1)、(x3,y3)为掌指骨关节的坐标，(x2,y2)、(x4,y4)为远端指骨关节坐标，π为圆周率；
步骤4.4、重复步骤4.3计算中指、无名指、小指运动前后的角度变化；
步骤4.5、根据以下公式计算食指运动的角速度；
其中ω为角速度，θ为角度变化,i∈IIPro、j∈II；
步骤4.6、重复步骤4.5计算中指、无名指、小指的角速度；
步骤4.7、计算食指、中指、无名指、小指角速度的平均值；
所述步骤5具体包括以下步骤：
步骤5.1、根据对敲击键盘时所作的规定让4个手指敲击键盘的指定区域，记录下手指敲击键盘时每个区域中按键被按下的按键集合并存入MySql中；
步骤5.2、手指正确按下的按键从游戏环境中得到，并存入MySql中；
步骤5.3、从MySql中取出每个手指按下按键的集合以及手指正确按下按键的集合并分别统计其个数M和N；
步骤5.4、根据如下公式计算食指敲击键盘的准确率A；
其中，M表示每个手指正确敲击键盘的次数、N表示每个手指敲击键盘的总次数；
步骤5.5、重复步骤5.1-5.4计算中指、无名指、小指敲击键盘的准确率A；
所述步骤6具体包括以下步骤：
步骤6.1、将步骤4和步骤5得到的手指运动角速度平均值和敲击键盘的准确率进行融合，作为新的特征向量；
步骤6.2、将得到的正常受试者和手部功能障碍受试者的特征向量分别标记为”1”和“-1”，然后将数据集划分为训练集和测试集进行训练，其中，包含了训练数据和训练标签以及测试数据和测试标签，将其分为训练数据和测试数据两部分，通过寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过SVMtrain函数训练数据，得到训练完的模型，最后使用SVMpredict函数进行测试，得到带有标记“1”和“-1”的分类标签；
步骤6.3、将融合后的得到的新向量作为SVM的输入，训练SVM模型，若输出的手指灵活性标记为“1”，则被区分为正常人，说明灵活性好，若输出的手指灵活性标记为“-1”，则被区分为非正常人，说明手指灵活性不好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722226.2A CN113378772B (zh) | 2021-06-28 | 2021-06-28 | 一种基于多特征融合的手指灵活检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722226.2A CN113378772B (zh) | 2021-06-28 | 2021-06-28 | 一种基于多特征融合的手指灵活检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378772A CN113378772A (zh) | 2021-09-10 |
| CN113378772B true CN113378772B (zh) | 2024-03-29 |
Family
ID=77579643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722226.2A Active CN113378772B (zh) | 2021-06-28 | 2021-06-28 | 一种基于多特征融合的手指灵活检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378772B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008102951A (ja) * | 2007-11-26 | 2008-05-01 | Olympus Corp | 操作入力装置 |
| KR101631025B1 (ko) * | 2015-04-03 | 2016-06-16 | 충북대학교 산학협력단 | 깊이 카메라를 이용한 손 관절 데이터 추출 방법 및 이를 기록한 기록매체 |
| CN111191627A (zh) * | 2020-01-06 | 2020-05-22 | 浙江工业大学 | 一种多视点下提高动态手势动作识别准确率的方法 |
| CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
| KR20200073031A (ko) * | 2018-12-13 | 2020-06-23 | 주식회사 유엑스팩토리 | 높은 정확도를 갖는 손 동작 추적을 위한 3차원 손 모델 제작 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140363796A1 (en) * | 2013-06-11 | 2014-12-11 | Sync-Think, Inc. | Gesture-based cognitive testing |
-
2021
- 2021-06-28 CN CN202110722226.2A patent/CN113378772B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008102951A (ja) * | 2007-11-26 | 2008-05-01 | Olympus Corp | 操作入力装置 |
| KR101631025B1 (ko) * | 2015-04-03 | 2016-06-16 | 충북대학교 산학협력단 | 깊이 카메라를 이용한 손 관절 데이터 추출 방법 및 이를 기록한 기록매체 |
| KR20200073031A (ko) * | 2018-12-13 | 2020-06-23 | 주식회사 유엑스팩토리 | 높은 정확도를 갖는 손 동작 추적을 위한 3차원 손 모델 제작 방법 |
| CN111191627A (zh) * | 2020-01-06 | 2020-05-22 | 浙江工业大学 | 一种多视点下提高动态手势动作识别准确率的方法 |
| CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 基于ARAT与视触融合的E手套康复评估与训练系统;李玉;赵翠莲;费森杰;罗林辉;;中国医疗器械杂志;20170730(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378772A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Ntu rgb+ d 120: A large-scale benchmark for 3d human activity understanding | |
| Hu et al. | Recognising human-object interaction via exemplar based modelling | |
| CN107103298A (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
| CN113762133A (zh) | 基于人体姿态识别的自重健身辅助教练系统、方法、终端 | |
| Park et al. | Imagery based parametric classification of correct and incorrect motion for push-up counter using OpenPose | |
| CN111833439B (zh) | 基于人工智能的弹药投掷分析及移动仿真训练方法 | |
| CN112488047A (zh) | 一种钢琴指法智能识别方法 | |
| Liao et al. | Ai golf: Golf swing analysis tool for self-training | |
| CN112116236A (zh) | 一种基于人工智能的蹦床危险行为检测提醒方法 | |
| Torigoe et al. | Strike Activity Detection and Recognition Using Inertial Measurement Unit towards Kendo Skill Improvement Support System. | |
| Zhang et al. | Intelligent sports performance scoring and analysis system based on deep learning network | |
| CN111046715A (zh) | 一种基于图像检索的人体动作对比分析方法 | |
| CN114998986A (zh) | 基于计算机视觉的引体向上动作规范智能识别方法及系统 | |
| CN113378772B (zh) | 一种基于多特征融合的手指灵活检测方法 | |
| CN117133057A (zh) | 基于人体姿态识别的体育运动计数和违规动作判别方法 | |
| Parashar et al. | Improved Yoga Pose Detection Using MediaPipe and MoveNet in a Deep Learning Model. | |
| CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 | |
| Ferlinghetti et al. | Algorithm development for contact identification during wheelchair tennis propulsion using marker-less vision system | |
| Liu et al. | Abnormal behavior recognition in an examination based on pose spatio-temporal features | |
| Xie | Intelligent Analysis Method of Sports Training Posture Based on Artificial Intelligence | |
| Tsatiris et al. | Variance-based shape descriptors for determining the level of expertise of tennis players | |
| CN116630551B (zh) | 运动捕捉和评估装置及其方法 | |
| Fikih et al. | Face mask detection utilizing “You only look one (YOLOV3)” for Covid-19 response | |
| Chen et al. | Research on Table Tennis Swing Recognition Based on Lightweight OpenPose | |
| Shen | Learn from teachers: A teacher learner yoga pose classification and scoring network |
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 |