CN111563401A - 一种车载手势识别方法、***、存储介质及电子设备 - Google Patents
一种车载手势识别方法、***、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111563401A CN111563401A CN201910114654.XA CN201910114654A CN111563401A CN 111563401 A CN111563401 A CN 111563401A CN 201910114654 A CN201910114654 A CN 201910114654A CN 111563401 A CN111563401 A CN 111563401A
- Authority
- CN
- China
- Prior art keywords
- gesture
- target
- dimensional
- dimensional gesture
- recognition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000000126 substance Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车载手势识别方法,包括:在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。上述的方法,对三维手势图像进行处理后得到三维手势轨迹图,将三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,采用三维手势估计图进行识别,提高了识别的准确率。
Description
技术领域
本发明涉及智能汽车技术领域,尤其涉及一种车载手势识别方法、***、存储介质及电子设备。
背景技术
驾驶员在驾驶车辆过程中,经常需要与车辆内的多媒体设备进行交互,交互过程中会转移驾驶员的注意力,存在安全隐患,为了减低安全隐患,现有技术中提供了一种手势识别方法,驾驶员只要作出不同的手势就可以对车内的相关功能进行控制,不需要与设备进行交互。
发明人对现有的手势识别方法进行研究发现,现有技术中利用手势图像进行识别时,提取的是手势图像中二维特征进行手势建模,导致手势识别的准确率低。
发明内容
有鉴于此,本发明提供了一种车载手势识别方法及***、存储介质及电子设备,用以解决现有技术中迭代过程中利用手势图像进行识别时,提取的是手势图像中二维特征进行手势建模,导致手势识别的准确率低的问题。具体方案如下:
一种车载手势识别方法,包括:
在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
上述的方法,可选的,还包括:
获取所述目标手势的目标置信度;
判断所述置信度是否大于预设的置信度阈值;
若是,判定所述目标手势识别成功。
上述的方法,可选的,还包括:
在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行所述目标控制指令,完成对应的目标功能的控制。
上述的方法,可选的,还包括:
对所述目标三维手势图像进行预处理。
一种车载手势识别***,包括:
选取模块,用于在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪模块,用于裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
构建模块,用于对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
识别模块,用于将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
上述的***,可选的,还包括:
获取模块,用于获取所述目标手势的目标置信度;
判断模块,用于判断所述置信度是否大于预设的置信度阈值;
判定模块,用于若是,判定所述目标手势识别成功。
上述的***,可选的,还包括:
查找模块,用于在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行模块,用于执行所述目标控制指令,完成对应的目标功能的控制。
上述的***,可选的,还包括:
预处理模块,用于对所述目标三维手势图像进行预处理。
一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行上述的一种车载手势识别方法。
一种电子设备,包括存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的一种车载手势识别方法。
与现有技术相比,本发明包括以下优点:
本发明公开了一种车载手势识别方法、***、存储介质及电子设备,该方法包括:在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。上述的识别方法中,对三维手势图像进行处理后得到三维手势轨迹图,将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,采用三维手势估计图进行识别,提高了识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种车载手势识别方法流程图;
图2为本发明实施例公开的一种车载手势识别方法又一流程图;
图3为本发明提供的一种车载手势识别***结构框图;
图4为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种车载手势识别方法、***、存储介质及电子设备,应用在车载手势识别过程中,所述方法的执行流程如图1所示,包括步骤:
S101、在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
本发明实施例中,所述三维手势图像可以采用TOF((Time of Flight))相机作为三维图像传感器采集三维手势图像,实时采集驾驶员或者乘客的手势图像信息和距离信息,得到连续多帧的三维手势图像,其中,选取目标手势图像的过程中,可以连续的选取多帧数据也可以依据一定的间隔选取或者其它的选取方式,确定所述连续多帧的三维手势图像中的开始帧和结束帧,将所述开始帧和所述结束帧之间的三维手势图像作为目标三维手势图像。其中,所述预设的数量可以依据经验值进行设定,也可以依据实际情况进行设定,所述开始帧的选取可以依据经验或者随机进行选取,所述结束帧的选取与所述预设数量相关联。
S102、裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
本发明实施例中,由于所述目标手势图像由手势区域和背景区域两部分组成,为了提高识别的准确度,利用图像分割算法可以将目标三维手势图像中的背景区域裁剪掉。其中,所述三维手势区域图像中包含的手势可以为滑动、翻页、切换、开始播放、停止播放、退出等动作或者自定义动作,支持单一动作识别和组合动作识别。
S103、对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
本发明实施例中,由于三维手势区域图像中包含的数据点较多,为了保证识别的实时性,选取所述三维手势区域图像中的关键点构建三维手势模型,其中所述关键点可以为手指、手腕和手背或者其它部位的关键点坐标。将得到的三维手势模型采用跟踪算法进行跟踪,其中,所述跟踪算法可以准确的跟踪每一个三维手势模型,最终跟踪得到三维手势轨迹图。
S104、将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
本发明实施例中,将所述三维手势轨迹图传递给预设的手势识别模型进行识别,其中,所述识别过程采用二值网络,通过量化及剪枝处理,再通过主成分分析PCA(Principal Component Analysis)降维,减少了神经网络的连接,更加突出了有效神经元之间的链接权重,提升了识别效果的同时减少了运算的工作量,得到目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
其中,所述预设的手势识别模型的训练过程为将三维手势图像与其对应的手势建立对应关系,获取各种手势的对应关系数据,依据所述三维时空卷积网络构建所述预设的手势识别模型,将所述三维手势图像进行处理后传递给所述预设的手势识别模型进行预测,若预测的准确度满足预设的准确度阈值时,完成训练。其中,所述预设的准确度阈值可以依据经验值进行设定,也可以依据实际情况进行设定。
本发明公开了一种车载手势识别方法,包括:在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。上述的识别方法中,对三维手势图像进行处理后得到三维手势轨迹图,将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,采用三维手势估计图进行识别,提高了识别的准确率。
本发明实施例中,为了保证识别的准确度,可以对所述预设的数量的三维手势图像进行预处理,所述预处理方法可以为对比度增强、图像双边滤波和自适应白平衡技术中的一种或者几种。
本发明实施例中,由于目标三维手势图像中开始帧的选取具有一定的随机性,因此通过所述预设的手势识别模型得到的目标手势的准确度不确定,优选的,所述预设的手势识别模型可以实现对目标手势的准确性进行判断,获取所述预设的手势识别模型输出的目标置信度,判断所述目标置信度是否大于预设的置信度阈值,其中,所述预设的置信度阈值的选取可以依据经验值设定也可以依据实际情况设定。若所述置信度大于所述预设的置信度阈值,所述目标手势识别成功,反之,识别失败,重新选取目标手势图像进行识别。
本发明实施例中,还包括如图2所示的执行过程,包括步骤:
S201、在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
本发明实施例中,所述预设的指令数据库是预先建立的,其中包含手势与目标控制指令的对应的关系,每一个对应关系包含相同的标识,其中,所述标识可以为数字、名称、字母或者其它优选的标识,获取所述目标手势的标识,依据所述标识,在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令。
S202、执行所述目标控制指令,完成对应的目标功能的控制。
本发明实施例中,执行所述目标控制指令,完成与所述目标控制指令对应的目标功能的控制,其中,所述目标功能可以为打开导航、关闭导航、打开多媒体设备、关闭多媒体设备,调高音量、调低音量或者其它优选的目标功能。
本发明基于TOF作为3D图像传感器,实时采集到驾驶员或者乘客的手势图像及距离信息,通过图像分割算法提取出三维手势区域图像,利用跟踪算法实时准确的跟踪手势的每一个动作,对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图,最终构造基于3D时空卷积网络的预设的手势识别模型对所述手势轨迹图进行识别,能够准确、快速的识别出驾驶员或者乘客的手势动作。
本发明实施例中,基于上述的车载手势识别方法,还提供了一种车载手势识别体统,其中,所述车载手势识别***的结构框图如图3所示,包括:
选取模块301、裁剪模块302、构建模块303和识别模块304。
其中,
所述选取模块301,用于在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
所述裁剪模块302,用于裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
所述构建模块303,用于对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
所述识别模块304,用于将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
本发明公开了一种车载手势识别***,包括:在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。上述的识别***中,对三维手势图像进行处理后得到三维手势轨迹图,将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,采用三维手势估计图进行识别,提高了识别的准确率。
本发明实施例中,所述识别***还包括:
获取模块305、判断模块306和判定模块307。
其中,
所述获取模块305,用于获取所述目标手势的目标置信度;
所述判断模块306,用于判断所述置信度是否大于预设的置信度阈值;
所述判定模块307,用于若是,判定所述目标手势识别成功;
本发明实施例中,所述识别***还包括:
查找模块308和执行模块309。
其中,
所述查找模块308,用于在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
所述执行模块309,用于执行所述目标控制指令,完成对应的目标功能的控制。
本发明实施例中,所述识别***还包括:预处理模块310.
其中,
所述预处理模块310,用于对所述目标三维手势图像进行预处理。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行上述一种车载手势识别方法,所述方法具体包括:
在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
上述的方法,可选的,还包括:
获取所述目标手势的目标置信度;
判断所述置信度是否大于预设的置信度阈值;
若是,判定所述目标手势识别成功;
上述的方法,可选的,还包括:
在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行所述目标控制指令,完成对应的目标功能的控制。
上述的方法,可选的,还包括:
对所述目标三维手势图像进行预处理。
本发明实施例还提供了一种电子设备,其结构示意图如图4所示,具体包括存储器401,以及一个或者一个以上的程序402,其中一个或者一个以上程序402存储于存储器401中,且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上程序402包含用于进行以下操作的指令:
在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
上述的方法,可选的,还包括:
获取所述目标手势的目标置信度;
判断所述置信度是否大于预设的置信度阈值;
若是,判定所述目标手势识别成功;
上述的方法,可选的,还包括:
在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行所述目标控制指令,完成对应的目标功能的控制。
上述的方法,可选的,还包括:
对所述目标三维手势图像进行预处理。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种车载手势识别方法、***、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种车载手势识别方法,其特征在于,包括:
在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述目标手势的目标置信度;
判断所述置信度是否大于预设的置信度阈值;
若是,判定所述目标手势识别成功。
3.根据权利要求1所述的方法,其特征在于,还包括:
在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行所述目标控制指令,完成对应的目标功能的控制。
4.根据权利要求1所述的方法,其特征在于,还包括:
对所述目标三维手势图像进行预处理。
5.一种车载手势识别***,其特征在于,包括:
选取模块,用于在连续多帧的三维手势图像中选取预设数量的目标三维手势图像,其中,所述目标三维手势图像由三维手势区域图像和背景区域组成;
裁剪模块,用于裁剪掉目标三维手势图像中的背景区域,得到三维手势区域图像;
构建模块,用于对三维手势区域图像构建三维手势模型,依据三维手势模型构建三维手势轨迹图;
识别模块,用于将所述三维手势轨迹图传递给预设的手势识别模型进行识别,确定目标手势,其中,所述预设的手势识别模型采用三维时空卷积网络进行构建并训练得到的。
6.根据权利要求5所述的***,其特征在于,还包括:
获取模块,用于获取所述目标手势的目标置信度;
判断模块,用于判断所述置信度是否大于预设的置信度阈值;
判定模块,用于若是,判定所述目标手势识别成功。
7.根据权利要求5所述的***,其特征在于,还包括:
查找模块,用于在预设的控制指令数据库中查找与所述目标手势对应的目标控制指令;
执行模块,用于执行所述目标控制指令,完成对应的目标功能的控制。
8.根据权利要求5所述的***,其特征在于,还包括:
预处理模块,用于对所述目标三维手势图像进行预处理。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行如权利要求1~4任意一项所述的一种车载手势识别方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~4任意一项所述的一种车载手势识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114654.XA CN111563401A (zh) | 2019-02-14 | 2019-02-14 | 一种车载手势识别方法、***、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114654.XA CN111563401A (zh) | 2019-02-14 | 2019-02-14 | 一种车载手势识别方法、***、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563401A true CN111563401A (zh) | 2020-08-21 |
Family
ID=72071343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114654.XA Pending CN111563401A (zh) | 2019-02-14 | 2019-02-14 | 一种车载手势识别方法、***、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563401A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158912A (zh) * | 2021-04-25 | 2021-07-23 | 北京华捷艾米科技有限公司 | 手势识别方法及装置、存储介质及电子设备 |
CN115631553A (zh) * | 2022-10-11 | 2023-01-20 | 中国第一汽车股份有限公司 | 车辆开锁的方法、车辆开锁的装置及车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130261871A1 (en) * | 2012-04-02 | 2013-10-03 | Google Inc. | Gesture-Based Automotive Controls |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
CN105740823A (zh) * | 2016-02-01 | 2016-07-06 | 北京高科中天技术股份有限公司 | 基于深度卷积神经网络的动态手势轨迹识别方法 |
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 |
CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
CN107697069A (zh) * | 2017-10-31 | 2018-02-16 | 上海汽车集团股份有限公司 | 汽车驾驶员疲劳驾驶智能控制方法 |
CN108256421A (zh) * | 2017-12-05 | 2018-07-06 | 盈盛资讯科技有限公司 | 一种动态手势序列实时识别方法、***及装置 |
-
2019
- 2019-02-14 CN CN201910114654.XA patent/CN111563401A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130261871A1 (en) * | 2012-04-02 | 2013-10-03 | Google Inc. | Gesture-Based Automotive Controls |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
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 |
CN105740823A (zh) * | 2016-02-01 | 2016-07-06 | 北京高科中天技术股份有限公司 | 基于深度卷积神经网络的动态手势轨迹识别方法 |
CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
CN107697069A (zh) * | 2017-10-31 | 2018-02-16 | 上海汽车集团股份有限公司 | 汽车驾驶员疲劳驾驶智能控制方法 |
CN108256421A (zh) * | 2017-12-05 | 2018-07-06 | 盈盛资讯科技有限公司 | 一种动态手势序列实时识别方法、***及装置 |
Non-Patent Citations (4)
Title |
---|
CHUNYONG MA 等: "Traffic Command Gesture Recognition for Virtual Urban Scenes Based on a Spatiotemporal Convolution Neural Network", pages 1 * |
欧阳宁 等: "浅谈基于深度相机的手势识别***", vol. 15, no. 4, pages 10 - 12 * |
潘文平 等: "基于动态手势控制的交互式体三维显示", vol. 37, no. 12, pages 88 - 95 * |
邸韡 等: "深度学习基础教程", 31 October 2018, 机械工业出版社, pages: 149 - 152 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158912A (zh) * | 2021-04-25 | 2021-07-23 | 北京华捷艾米科技有限公司 | 手势识别方法及装置、存储介质及电子设备 |
CN113158912B (zh) * | 2021-04-25 | 2023-12-26 | 北京华捷艾米科技有限公司 | 手势识别方法及装置、存储介质及电子设备 |
CN115631553A (zh) * | 2022-10-11 | 2023-01-20 | 中国第一汽车股份有限公司 | 车辆开锁的方法、车辆开锁的装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
CN107697070B (zh) | 驾驶行为预测方法和装置、无人车 | |
US11040719B2 (en) | Vehicle system for recognizing objects | |
CN106652515B (zh) | 车辆自动控制方法、装置和*** | |
CN109409354B (zh) | 无人机智能跟随目标确定方法、无人机和遥控器 | |
KR102480416B1 (ko) | 차선 정보를 추정하는 방법 및 전자 장치 | |
CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
CN114549369B (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN111563401A (zh) | 一种车载手势识别方法、***、存储介质及电子设备 | |
US20230331250A1 (en) | Method and apparatus for configuring deep learning algorithm for autonomous driving | |
CN111523489A (zh) | 年龄分类网络的生成方法、车载人员检测方法、装置 | |
CN115716476A (zh) | 自动驾驶变道方法、装置、电子设备及存储介质 | |
Nejad et al. | Vehicle trajectory prediction in top-view image sequences based on deep learning method | |
EP4190657A1 (en) | School zone alert | |
CN113269008B (zh) | 一种行人轨迹预测方法、装置、电子设备及存储介质 | |
CN105760822B (zh) | 一种车辆驾驶控制方法及*** | |
CN112179359A (zh) | 一种地图匹配方法、装置、电子设备和存储介质 | |
CN111210411A (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
JP7450754B2 (ja) | 画像解析から得られたフィンガープリントを用いた、画像フレーム全体に亘る脆弱な道路利用者の追跡 | |
US20220292376A1 (en) | Methods for Compressing a Neural Network | |
CN110659384B (zh) | 视频结构化分析方法及装置 | |
US20230331215A1 (en) | Method of Determining Parking Area Layout | |
US11741698B2 (en) | Confidence-estimated domain adaptation for training machine learning models | |
CN113963027B (zh) | 不确定性检测模型的训练、不确定性的检测方法及装置 | |
CN118107550B (zh) | 一种驾驶者制动操作习惯分析***及方法 |
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 |