CN113642493B - 一种手势识别方法、装置、设备及介质 - Google Patents

一种手势识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN113642493B
CN113642493B CN202110962932.4A CN202110962932A CN113642493B CN 113642493 B CN113642493 B CN 113642493B CN 202110962932 A CN202110962932 A CN 202110962932A CN 113642493 B CN113642493 B CN 113642493B
Authority
CN
China
Prior art keywords
target
hand
target hand
gesture recognition
preset
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
Application number
CN202110962932.4A
Other languages
English (en)
Other versions
CN113642493A (zh
Inventor
李海洋
安龙飞
赵晓旭
颜世秦
侯俊杰
聂超
熊巧奇
张新田
王伟
杨文瀚
李进进
王照顺
刘高强
王鹏飞
慕岳衷
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110962932.4A priority Critical patent/CN113642493B/zh
Publication of CN113642493A publication Critical patent/CN113642493A/zh
Priority to PCT/CN2022/109467 priority patent/WO2023020268A1/zh
Application granted granted Critical
Publication of CN113642493B publication Critical patent/CN113642493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例涉及一种手势识别方法、装置、设备及介质，其中该方法包括：获取目标图像；通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据；确定目标手部与预设平面的垂直距离；当基于水平运动稳定数据确定目标手部在水平方向稳定，并且基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，则对目标图像的目标手部进行手势识别。采用上述技术方案，通过在手势识别之前对水平方向和垂直方向的稳定判断，在手部稳定之后再进行手势识别，避免相关技术中因手部在水平和/或垂直方向的运动干扰而造成的较大误差，进而提升了手势识别的准确率。

Description

一种手势识别方法、装置、设备及介质
技术领域
本公开涉及图像识别技术领域，尤其涉及一种手势识别方法、装置、设备及介质。
背景技术
手势识别作为人机交互的一个重要部分，在越来越多的领域引起了广泛关注。
目前，手势识别的方法通常是使用传感器对手部特征进行提取，从而获得手势对应的位置信息，但是实际识别过程中，存在因不同运动状态的干扰，导致无法对用户手势进行准确定位和识别。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种手势识别方法、装置、设备及介质。
本公开实施例提供了一种手势识别方法，所述方法包括：
获取目标图像；
通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；
确定所述目标手部与预设平面的垂直距离；
当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
本公开实施例还提供了一种手势识别装置，所述装置包括：
图像获取模块，用于获取目标图像；
水平数据模块，用于通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；
垂直数据模块，用于确定所述目标手部与预设平面的垂直距离；
手势识别模块，用于当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的手势识别方法。
本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的手势识别方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例提供的手势识别方案，获取目标图像，通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据，确定目标手部与预设平面的垂直距离；当基于水平运动稳定数据确定目标手部在水平方向稳定，并且基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，则对目标图像的目标手部进行手势识别。采用上述技术方案，通过在手势识别之前对水平方向和垂直方向的稳定判断，在手部稳定之后再进行手势识别，避免相关技术中因手部在水平和/或垂直方向的运动干扰而造成的较大误差，进而提升了手势识别的准确率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种手势识别方法的流程示意图；
图2为本公开实施例提供的另一种手势识别方法的流程示意图；
图3为本公开实施例提供的一种手势识别的示意图；
图4为本公开实施例提供的一种手势识别装置的结构示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例提供的一种手势识别方法的流程示意图，该方法可以由手势识别装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。本公开实施例中的手势识别方法可以应用于任意一种需要进行手势识别的电子设备中，例如电子设备可以是移动电话、平板电脑、台式计算机、笔记本电脑、车载终端、可穿戴设备、一体机、智能家居设备等具有通信功能的设备。
如图1所示，该方法包括：
步骤101、获取目标图像。
其中，目标图像可以是预设的图像采集器采集得到的包括当前用户的手部的图像，或者视频中提取的包括当前用户的手部的图像帧。目标图像可以包括视频中提取的RGB图像帧和深度图像。本公开实施例对具体的图像采集器不限，分别采用不同类型的图像采集器件采集对应的图像，例如采用深度图像采集器采集上述深度图像。
步骤102、通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据。
其中，运动识别可以是对目标图像中手部的运动状态的识别，具体是对水平运动状态的稳定性的识别，水平运动稳定数据可以是识别得到的结果。
在一些实施例中，目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据，包括：基于当前RGB图像帧和上一RGB图像帧，采用光流算法计算当前RGB图像帧的光流场，并对光流场进行阈值分割，得到包括目标手部的前景区域和背景区域；将前景区域的速度矢量和背景区域的速度矢量确定为目标手部的水平运动稳定数据。
光流(optical flow)是空间运动物体在观察成像平面上的像素运动的瞬时速度，在时间间隔很小时，约等同于目标点的位移。通常将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。光流中包含了物体运动的相关信息。
光流场是一个二维矢量场，它反映了图像上每一点灰度的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场。它包含的信息即是各像素点的瞬时运动速度矢量信息。在理想情况下，光流场对应于运动场。
具体的，手势识别装置可以采用光流算法进行运动识别，具体可以对当前RGB图像帧和上一RGB图像帧进行重采样和去噪预处理后，利用光流法计算出当前RGB图像帧各点的光流值，得到各点的光流场，然后对光流场进行阈值分割，区分出前景区域与背景区域，前景区域中包括目标手部，之后可以将前景区域的速度矢量和背景区域的速度矢量确定为目标手部的水平运动稳定数据。
在另一种实施例中，手势识别装置还可以使用连续自适应的MeanShift(Continuously Adaptive Mean-SHIFT，CamShift)算法或主动轮廓的跟踪算法来对目标图像进行运动识别，具体过程在此不进行赘述。
步骤103、确定目标手部与预设平面的垂直距离。
其中，预设平面可以是当前进行手势识别的电子设备所在的平面，预设平面可以为水平平面或竖直平面，具体根据实际场景确定。例如当电子设备放置于水平桌面，需要对上方用户进行手势识别，则预设平面为电子设备所在水平平面；或者，当电子设备竖直放置，需要对前方用户进行手势识别，则预设平面为电子设备所在竖直平面，例如竖直墙面。
本公开实施例，可以通过多种方式确定目标手部与预设平面的垂直距离，例如可以通过深度图像提取或者基于距离传感器确定，仅为示例，而非限定。
在一些实施例中，目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，确定目标手部与预设平面的垂直距离，包括：基于第一深度图像和第二深度图像，分别提取第一时刻和第二时刻目标手部与预设平面的第一垂直距离和第二垂直距离，第一深度图像和第二深度图像中均包括目标手部和预设平面。第二时刻在第一时刻之后，第一时刻和第二时刻之间间隔预设时间，例如可以检测30秒。
深度图像也被称为距离图像，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了物体可见表面的几何形状。手势识别装置可以通过深度传感器获取包括目标手部和预设平面的第一深度图像和第二深度图像，第一深度图像对应于第一时刻，第二深度图像对应于第二时刻。之后可以从第一深度图像和第二深度图像中，分别提取第一时刻和第二时刻目标手部中预设点与预设平面的第一垂直距离和第二垂直距离。预设点可以设置为目标手部中的一个位置点，例如预设点可以为目标手部任意一个手指的指尖或手掌中心等。
在另一些实施例中，确定目标手部与预设平面的垂直距离，可以包括：采用距离传感器分别确定第一时刻和第二时刻目标手部与预设平面的第一垂直距离和第二垂直距离。
距离传感器可以是用于感应其与某物体间的距离的传感器，本公开实施例中的距离传感器可以设置于上述电子设备中。本公开实施例中手势识别装置还可以获取通过距离传感器采集的在第一时刻和第二时刻的目标手部与预设平面的垂直距离。
步骤104、当基于水平运动稳定数据确定目标手部在水平方向稳定，并且基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，则对目标图像的目标手部进行手势识别。
目标手部在水平方向或在垂直方向稳定可以理解为目标手部在水平方向或垂直方向没有较大的运动幅度。当手部运动幅度较大时，会造成手势识别的干扰，对手势识别的准确率的影响较大，因此本公开实施例中当确定手部在水平方向和垂直方向均稳定时进行手势识别。
本公开实施例中，基于水平运动稳定数据确定目标手部在水平方向稳定，可以包括：如果前景区域的速度矢量和背景区域的速度矢量的差值小于预设阈值，则确定目标手部在水平方向稳定。
获取前景区域的速度矢量和背景区域的速度矢量之后，当图像中有运动物体时，前景区域和背景区域存在相对运动，本公开实施例中可以确定前景区域和背景区域之间的速度矢量的差值，并将差值与预设阈值进行比对，如果差值小于预设阈值，则确定目标手部在水平方向的运动幅度很小，视为稳定。
本公开实施例中，基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，包括：如果目标手部与预设平面的第一垂直距离和第二垂直距离之间的差值小于第一预设差值，则确定目标手部在垂直方向稳定。
第一预设差值可以根据实际情况设置，例如预设差值可以为1cm。本公开实施例中，在确定目标手部与预设平面之间分别在预设时间之前和之后的第一垂直距离和第二垂直距离之后，可以将确定第一垂直距离和第二垂直距离之间的差值，并将差值与第一预设差值进行对比，如果差值小于第一预设差值，则说明目标手部在垂直方向稳定在一个小的距离范围内，进而确定目标手部在垂直方向稳定。
具体的，手势识别装置在确定目标手部的水平运动稳定数据以及目标手部与预设平面的垂直距离之后，可以分别根据目标手部的水平运动稳定数据判断目标手部在水平方向是否稳定，以及根据目标手部与预设平面的垂直距离判断目标手部在垂直方向是否稳定，若确定目标手部在水平方向以及垂直方向均稳定，则可以对目标图像的目标手部进行手势识别，具体采用的手势识别的方式可以为多种，本公开实施例中对此不作限定。
在本公开实施例中，在对目标图像的目标手部进行手势识别之前，还包括：判断目标手部与预设平面的垂直距离与预设距离的差值是否小于第二预设差值；当目标手部与预设平面的垂直距离与预设距离的差值小于第二预设差值，则执行对目标图像的目标手部进行手势识别。
其中，预设距离可以是预先设置的一个手部与预设平面之间的识别距离，可以根据实际使用场景来设置，例如在对悬停下的手部进行手势识别时，该预设距离可以较远，例如预设距离可以为10cm；而在对手指点读场景下的手势识别时，该预设距离可以较近。
本公开实施例中，在确定目标手部与预设平面之间的垂直距离之后，可以确定该垂直距离与预设距离之间的差值，并将差值与第二预设差值进行对比，如果差值小于第二预设差值，则说明目标手部满足手势识别的一个距离要求，之后可以对目标图像进行手势识别。第二预设差值可以与上述第一预设差值相同，也可以不同。
可选的，对目标图像的目标手部进行手势识别，可以包括：对目标图像进行手势分割、特征提取之后，基于提取的特征采用手势识别算法进行手势识别。
上述预设手势识别算法可以包括模版匹配算法、统计分析算法以及神经网络算法等，具体不限。具体的，手势识别装置可以对目标图像进行手势分割，具体可以采用阈值法、边缘检测法或物理特征法等分割方式进行手势分割；然后可以对分割出的手势区域进行特征提取，具体提取的特征可以包括轮廓、边缘、图像矩、图像特征向量以及区域直方图特征等等，具体不限；之后可以基于提取的特征采用预设手势识别算法进行手势识别，得到最终的识别结果。
本公开实施例提供的手势识别方案，获取目标图像，通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据，确定目标手部与预设平面的垂直距离；当基于水平运动稳定数据确定目标手部在水平方向稳定，并且基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，则对目标图像的目标手部进行手势识别。采用上述技术方案，通过在手势识别之前对水平方向和垂直方向的稳定判断，在手部稳定之后再进行手势识别，避免相关技术中因手部在水平和/或垂直方向的运动干扰而造成的较大误差，进而提升了手势识别的准确率。
图2为本公开实施例提供的另一种手势识别方法的流程示意图，本实施例在上述实施例的基础上，进一步对上述手势识别方法进行具体说明。如图2所示，该方法包括：
步骤201、获取目标图像。
其中，目标图像可以包括RGB图像帧与深度图像。
步骤201之后，可以如图2所示，先执行步骤202-步骤203，再执行步骤204-步骤205；也可以先执行步骤204-步骤205；再执行步骤202-步骤203；还可以先执行步骤202和步骤204(先后顺序不限)，再执行步骤203和步骤205(先后顺序不限)，具体根据实际情况确定。图2中的执行顺序仅为示例。
步骤202、通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据。
可选的，目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据，包括：基于当前RGB图像帧和上一RGB图像帧，采用光流算法计算当前RGB图像帧的光流场，并对光流场进行阈值分割，得到包括目标手部的前景区域和背景区域；将前景区域的速度矢量和背景区域的速度矢量确定为目标手部的水平运动稳定数据。
步骤203、基于水平运动稳定数据确定目标手部在水平方向是否稳定，若是，则执行步骤204；否则，返回执行步骤201。
具体的，如果前景区域的速度矢量和背景区域的速度矢量的差值小于预设阈值，则确定目标手部在水平方向稳定，执行步骤204；如果前景区域的速度矢量和背景区域的速度矢量的差值大于或等于预设阈值，则确定目标手部在水平方向不稳定，返回执行步骤201。
步骤204、确定目标手部与预设平面的垂直距离。
其中，预设平面为水平平面或竖直平面。
可选的，目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，确定目标手部与预设平面的垂直距离，包括：基于第一深度图像和第二深度图像，分别提取第一时刻和第二时刻目标手部与预设平面的第一垂直距离和第二垂直距离，第一深度图像和第二深度图像中均包括目标手部和预设平面。
可选的，确定目标手部与预设平面的垂直距离，包括：采用距离传感器分别确定第一时刻和第二时刻目标手部与预设平面的第一垂直距离和第二垂直距离。
步骤205、基于目标手部与预设平面的垂直距离确定目标手部在垂直方向是否稳定，若是，则执行步骤206；否则返回执行步骤201。
具体的，如果目标手部与预设平面的第一垂直距离和第二垂直距离之间的差值小于第一预设差值，则确定目标手部在垂直方向稳定，之后可以执行步骤206；如果目标手部与预设平面的第一垂直距离和第二垂直距离之间的差值大于或等于第一预设差值，则确定目标手部在垂直方向不稳定，之后可以返回执行步骤201。
步骤206、判断目标手部与预设平面的垂直距离与预设距离的差值是否小于第二预设差值，若是，则执行步骤207；否则，返回执行步骤201。
步骤207、对目标图像的目标手部进行手势识别。
具体的，对目标图像的目标手部进行手势识别，可以包括：对目标图像进行手势分割、特征提取之后，基于提取的特征采用预设手势识别算法进行手势识别。
示例的，图3为本公开实施例提供的一种手势识别的示意图，如图3所示，手势识别的过程可以包括：步骤21、开始。步骤22、获取视频中的RGB图像帧和深度图像。也即获取上述目标图像，目标图像中包括RGB图像帧和深度图像。步骤23、基于当前RGB图像帧和上一RGB图像帧，采用光流算法对当前RGB图像帧进行运动识别，确定目标手部的水平运动稳定数据。步骤24、基于水平运动稳定数据确定目标手部在水平方向是否稳定，若是，则执行步骤25；否则返回执行步骤22。步骤25、基于深度图像确定目标手部与预设平面的垂直距离。步骤26、基于目标手部与预设平面的垂直距离确定目标手部在垂直方向是否稳定，若是，则执行步骤27；否则，返回执行步骤22。步骤27、目标手部与预设平面的垂直距离是否达到预设距离，若是，则执行步骤28；否则，返回执行步骤22。当目标手部与预设平面的垂直距离与预设距离的差值小于第二预设差值，则执行步骤28；否则返回执行步骤22。步骤28、手势识别。当目标手部在水平方向和垂直方向均达到稳定，并且目标手部与预设平面也达到预设距离后，启动手势识别。步骤29、后续处理。具体可以为将实时识别的手势与预设手势匹配，如果匹配成功，则完成手势识别。步骤30、结束。
本方案中，通过光流算法进行手部的水平运动识别，并基于深度信息确定手部与被测平面的垂直距离，进而当目标手部在水平方向和垂直方向均达到稳定时，再进行手势识别，可以得到准确率更高的手势识别结果。
本公开实施例提供的手势识别方案，获取目标图像，通过对目标图像进行运动识别，确定目标手部的水平运动稳定数据，确定目标手部与预设平面的垂直距离；当基于水平运动稳定数据确定目标手部在水平方向稳定，并且基于目标手部与预设平面的垂直距离确定目标手部在垂直方向稳定，则对目标图像的目标手部进行手势识别。采用上述技术方案，通过在手势识别之前对水平方向和垂直方向的稳定判断，在手部稳定之后再进行手势识别，避免相关技术中因手部在水平和/或垂直方向的运动干扰而造成的较大误差，进而提升了手势识别的准确率。
图4为本公开实施例提供的一种手势识别装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图4所示，该装置包括：
图像获取模块301，用于获取目标图像；
水平数据模块302，用于通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；
垂直数据模块303，用于确定所述目标手部与预设平面的垂直距离；
手势识别模块304，用于当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
可选的，所述目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，所述水平数据模块302具体用于：
基于所述当前RGB图像帧和所述上一RGB图像帧，采用光流算法计算所述当前RGB图像帧的光流场，并对所述光流场进行阈值分割，得到包括所述目标手部的前景区域和背景区域；
将所述前景区域的速度矢量和所述背景区域的速度矢量确定为所述目标手部的水平运动稳定数据。
可选的，所述手势识别模块304具体用于：
如果所述前景区域的速度矢量和所述背景区域的速度矢量的差值小于预设阈值，则确定所述目标手部在水平方向稳定。
可选的，所述目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，所述垂直数据模块303具体用于：
基于所述第一深度图像和所述第二深度图像，分别提取第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离，所述第一深度图像和所述第二深度图像中均包括所述目标手部和所述预设平面。
可选的，所述垂直数据模块303具体用于：
采用距离传感器分别确定第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离。
可选的，所述手势识别模块304具体用于：
如果所述目标手部与所述预设平面的所述第一垂直距离和所述第二垂直距离之间的差值小于第一预设差值，则确定所述目标手部在垂直方向稳定。
可选的，所述预设平面为水平平面或竖直平面。
可选的，所述装置还包括垂直判断模块，用于：在对所述目标图像的所述目标手部进行手势识别之前，
判断所述目标手部与所述预设平面的垂直距离与预设距离的差值是否小于第二预设差值；
当所述目标手部与所述预设平面的垂直距离与所述预设距离的差值小于所述第二预设差值，则执行所述对所述目标图像的所述目标手部进行手势识别。
可选的，所述手势识别模块304具体用于：
对所述目标图像进行手势分割、特征提取之后，基于提取的特征采用预设手势识别算法进行手势识别。
本公开实施例所提供的手势识别装置可执行本公开任意实施例所提供的手势识别方法，具备执行方法相应的功能模块和有益效果。
本公开实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的手势识别方法。
图5为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图5，其示出了适于用来实现本公开实施例中的电子设备400的结构示意图。本公开实施例中的电子设备400可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的手势识别方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标图像；通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；确定所述目标手部与预设平面的垂直距离；当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，本公开提供了一种手势识别方法，包括：
获取目标图像；
通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；
确定所述目标手部与预设平面的垂直距离；
当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，所述目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据，包括：
基于所述当前RGB图像帧和所述上一RGB图像帧，采用光流算法计算所述当前RGB图像帧的光流场，并对所述光流场进行阈值分割，得到包括所述目标手部的前景区域和背景区域；
将所述前景区域的速度矢量和所述背景区域的速度矢量确定为所述目标手部的水平运动稳定数据。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，包括：
如果所述前景区域的速度矢量和所述背景区域的速度矢量的差值小于预设阈值，则确定所述目标手部在水平方向稳定。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，所述目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，确定所述目标手部与预设平面的垂直距离，包括：
基于所述第一深度图像和所述第二深度图像，分别提取第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离，所述第一深度图像和所述第二深度图像中均包括所述目标手部和所述预设平面。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，确定所述目标手部与预设平面的垂直距离，包括：
采用距离传感器分别确定第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，包括：
如果所述目标手部与所述预设平面的所述第一垂直距离和所述第二垂直距离之间的差值小于第一预设差值，则确定所述目标手部在垂直方向稳定。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，所述预设平面为水平平面或竖直平面。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，在对所述目标图像的所述目标手部进行手势识别之前，还包括：
判断所述目标手部与所述预设平面的垂直距离与预设距离的差值是否小于第二预设差值；
当所述目标手部与所述预设平面的垂直距离与所述预设距离的差值小于所述第二预设差值，则执行所述对所述目标图像的所述目标手部进行手势识别。
根据本公开的一个或多个实施例，本公开提供的手势识别方法中，对所述目标图像的所述目标手部进行手势识别，包括：
对所述目标图像进行手势分割、特征提取之后，基于提取的特征采用预设手势识别算法进行手势识别。
根据本公开的一个或多个实施例，本公开提供了一种手势识别装置，包括：
图像获取模块，用于获取目标图像；
水平数据模块，用于通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据；
垂直数据模块，用于确定所述目标手部与预设平面的垂直距离；
手势识别模块，用于当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，所述水平数据模块具体用于：
基于所述当前RGB图像帧和所述上一RGB图像帧，采用光流算法计算所述当前RGB图像帧的光流场，并对所述光流场进行阈值分割，得到包括所述目标手部的前景区域和背景区域；
将所述前景区域的速度矢量和所述背景区域的速度矢量确定为所述目标手部的水平运动稳定数据。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述手势识别模块具体用于：
如果所述前景区域的速度矢量和所述背景区域的速度矢量的差值小于预设阈值，则确定所述目标手部在水平方向稳定。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，所述垂直数据模块具体用于：
基于所述第一深度图像和所述第二深度图像，分别提取第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离，所述第一深度图像和所述第二深度图像中均包括所述目标手部和所述预设平面。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述垂直数据模块具体用于：
采用距离传感器分别确定第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述手势识别模块具体用于：
如果所述目标手部与所述预设平面的所述第一垂直距离和所述第二垂直距离之间的差值小于第一预设差值，则确定所述目标手部在垂直方向稳定。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述预设平面为水平平面或竖直平面。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述装置还包括垂直判断模块，用于：在对所述目标图像的所述目标手部进行手势识别之前，
判断所述目标手部与所述预设平面的垂直距离与预设距离的差值是否小于第二预设差值；
当所述目标手部与所述预设平面的垂直距离与所述预设距离的差值小于所述第二预设差值，则执行所述对所述目标图像的所述目标手部进行手势识别。
根据本公开的一个或多个实施例，本公开提供的手势识别装置中，所述手势识别模块具体用于：
对所述目标图像进行手势分割、特征提取之后，基于提取的特征采用预设手势识别算法进行手势识别。
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开提供的任一所述的手势识别方法。
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开提供的任一所述的手势识别方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种手势识别方法，其特征在于，包括：
获取目标图像；
通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据，所述水平运动稳定数据包括前景区域的速度矢量和背景区域的速度矢量；
确定所述目标手部与预设平面的距离；
当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别；
所述目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据，包括：
基于所述当前RGB图像帧和所述上一RGB图像帧，采用光流算法计算所述当前RGB图像帧的光流场，并对所述光流场进行阈值分割，得到包括所述目标手部的前景区域和背景区域；
将所述前景区域的速度矢量和所述背景区域的速度矢量确定为所述目标手部的水平运动稳定数据。
2.根据权利要求1所述的方法，其特征在于，基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，包括：
如果所述前景区域的速度矢量和所述背景区域的速度矢量的差值小于预设阈值，则确定所述目标手部在水平方向稳定。
3.根据权利要求1所述的方法，其特征在于，所述目标图像包括第一时刻的第一深度图像和第二时刻的第二深度图像，确定所述目标手部与预设平面的垂直距离，包括：
基于所述第一深度图像和所述第二深度图像，分别提取第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离，所述第一深度图像和所述第二深度图像中均包括所述目标手部和所述预设平面。
4.根据权利要求1所述的方法，其特征在于，确定所述目标手部与预设平面的垂直距离，包括：
采用距离传感器分别确定第一时刻和第二时刻所述目标手部与所述预设平面的第一垂直距离和第二垂直距离。
5.根据权利要求3或4所述的方法，其特征在于，基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，包括：
如果所述目标手部与所述预设平面的所述第一垂直距离和所述第二垂直距离之间的差值小于第一预设差值，则确定所述目标手部在垂直方向稳定。
6.根据权利要求1所述的方法，其特征在于，所述预设平面为水平平面或竖直平面。
7.根据权利要求1所述的方法，其特征在于，在对所述目标图像的所述目标手部进行手势识别之前，还包括：
判断所述目标手部与所述预设平面的垂直距离与预设距离的差值是否小于第二预设差值；
当所述目标手部与所述预设平面的垂直距离与所述预设距离的差值小于所述第二预设差值，则执行所述对所述目标图像的所述目标手部进行手势识别。
8.根据权利要求1所述的方法，其特征在于，对所述目标图像的所述目标手部进行手势识别，包括：
对所述目标图像进行手势分割、特征提取之后，基于提取的特征采用预设手势识别算法进行手势识别。
9.一种手势识别装置，其特征在于，包括：
图像获取模块，用于获取目标图像；
水平数据模块，用于通过对所述目标图像进行运动识别，确定目标手部的水平运动稳定数据，所述水平运动稳定数据包括前景区域的速度矢量和背景区域的速度矢量；
垂直数据模块，用于确定所述目标手部与预设平面的垂直距离；
手势识别模块，用于当基于所述水平运动稳定数据确定所述目标手部在水平方向稳定，并且基于所述目标手部与预设平面的垂直距离确定所述目标手部在垂直方向稳定，则对所述目标图像的所述目标手部进行手势识别；
所述目标图像包括视频中提取的当前RGB图像帧和上一RGB图像帧，所述水平数据模块具体用于：
基于所述当前RGB图像帧和所述上一RGB图像帧，采用光流算法计算所述当前RGB图像帧的光流场，并对所述光流场进行阈值分割，得到包括所述目标手部的前景区域和背景区域；
将所述前景区域的速度矢量和所述背景区域的速度矢量确定为所述目标手部的水平运动稳定数据。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-8中任一所述的手势识别方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-8中任一所述的手势识别方法。
CN202110962932.4A 2021-08-20 2021-08-20 一种手势识别方法、装置、设备及介质 Active CN113642493B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110962932.4A CN113642493B (zh) 2021-08-20 2021-08-20 一种手势识别方法、装置、设备及介质
PCT/CN2022/109467 WO2023020268A1 (zh) 2021-08-20 2022-08-01 一种手势识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962932.4A CN113642493B (zh) 2021-08-20 2021-08-20 一种手势识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113642493A CN113642493A (zh) 2021-11-12
CN113642493B true CN113642493B (zh) 2024-02-09

Family

ID=78423231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962932.4A Active CN113642493B (zh) 2021-08-20 2021-08-20 一种手势识别方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN113642493B (zh)
WO (1) WO2023020268A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642493B (zh) * 2021-08-20 2024-02-09 北京有竹居网络技术有限公司 一种手势识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007075037A1 (en) * 2005-12-27 2007-07-05 Mtekvision Co., Ltd. Apparatus for detecting and correcting motion by hand in moving pictures
CN102779268A (zh) * 2012-02-06 2012-11-14 西南科技大学 基于方向运动历史图及竞争机制的手挥运动方向判定方法
KR20150136833A (ko) * 2014-05-28 2015-12-08 숭실대학교산학협력단 손동작 기반의 인터페이스 장치 및 이를 이용한 포인팅 방법
CN112464833A (zh) * 2020-12-01 2021-03-09 平安科技（深圳）有限公司 基于光流的动态手势识别方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970701A (zh) * 2016-01-14 2017-07-21 芋头科技（杭州）有限公司 一种手势变化识别方法
EP3203412A1 (en) * 2016-02-05 2017-08-09 Delphi Technologies, Inc. System and method for detecting hand gestures in a 3d space
CN107589850A (zh) * 2017-09-26 2018-01-16 深圳睛灵科技有限公司 一种手势移动方向的识别方法及系统
CN112306235B (zh) * 2020-09-25 2023-12-29 北京字节跳动网络技术有限公司 一种手势操作方法、装置、设备和存储介质
CN113642493B (zh) * 2021-08-20 2024-02-09 北京有竹居网络技术有限公司 一种手势识别方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007075037A1 (en) * 2005-12-27 2007-07-05 Mtekvision Co., Ltd. Apparatus for detecting and correcting motion by hand in moving pictures
CN102779268A (zh) * 2012-02-06 2012-11-14 西南科技大学 基于方向运动历史图及竞争机制的手挥运动方向判定方法
KR20150136833A (ko) * 2014-05-28 2015-12-08 숭실대학교산학협력단 손동작 기반의 인터페이스 장치 및 이를 이용한 포인팅 방법
CN112464833A (zh) * 2020-12-01 2021-03-09 平安科技（深圳）有限公司 基于光流的动态手势识别方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep-Learning-Based Human Intention Prediction Using RGB Images and Optical Flow;Shengchao Li et al.;《Journal of Intelligent & Robotic Systems》;第95-107页 *

Also Published As

Publication number Publication date
WO2023020268A1 (zh) 2023-02-23
CN113642493A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN109584276B (zh) 关键点检测方法、装置、设备及可读介质
CN108198044B (zh) 商品信息的展示方法、装置、介质及电子设备
JP7181375B2 (ja) 目標対象の動作認識方法、装置及び電子機器
CN110163171B (zh) 用于识别人脸属性的方法和装置
CN110059623B (zh) 用于生成信息的方法和装置
CN110660102B (zh) 基于人工智能的说话人识别方法及装置、系统
CN111222509B (zh) 目标检测方法、装置及电子设备
CN111783626A (zh) 图像识别方法、装置、电子设备及存储介质
CN112306235B (zh) 一种手势操作方法、装置、设备和存储介质
CN111783777B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN112488095A (zh) 印章图像识别方法、装置和电子设备
CN111199169A (zh) 图像处理方法和装置
CN113642493B (zh) 一种手势识别方法、装置、设备及介质
CN111601129B (zh) 控制方法、装置、终端及存储介质
CN111310595B (zh) 用于生成信息的方法和装置
CN115086541B (zh) 一种拍摄位置确定方法、装置、设备及介质
CN113703704B (zh) 界面显示方法、头戴式显示设备和计算机可读介质
CN115086538B (zh) 一种拍摄位置确定方法、装置、设备及介质
CN110263743B (zh) 用于识别图像的方法和装置
US11340706B2 (en) Gesture recognition based on depth information and computer vision
CN113362260A (zh) 图像优化方法及装置、存储介质及电子设备
CN111860209B (zh) 手部识别方法、装置、电子设备及存储介质
WO2022194157A1 (zh) 一种目标跟踪方法、装置、设备及介质
CN111209050A (zh) 用于切换电子设备的工作模式的方法和装置
CN115937010B (zh) 一种图像处理方法、装置、设备及介质

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