CN111860346A - 动态手势识别方法、装置、电子设备及存储介质 - Google Patents
动态手势识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111860346A CN111860346A CN202010713910.XA CN202010713910A CN111860346A CN 111860346 A CN111860346 A CN 111860346A CN 202010713910 A CN202010713910 A CN 202010713910A CN 111860346 A CN111860346 A CN 111860346A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- gesture recognition
- hand
- images
- 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 82
- 238000003062 neural network model Methods 0.000 claims description 34
- 210000001364 upper extremity Anatomy 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 20
- 230000003068 static effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供一种动态手势识别方法、装置、电子设备及存储介质,动态手势识别方法包括:获取实时拍摄图像;从所述实时拍摄图像中确定第一目标手势识别图像;根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像;将所述第一目标手势识别图像及多个所述第二目标手势识别图像组合为目标动态手势视频;根据预设的动态手势识别网络模型对所述目标动态手势视频进行识别,得到动态手势识别结果。本申请动态手势识别方法、装置、电子设备及存储介质,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
Description
技术领域
本申请涉及手势识别技术领域,具体而言,涉及一种动态手势识别方法、装置、电子设备及存储介质。
背景技术
随着科学技术的不断发展与进步,手势识别技术已逐渐应用于人机交互的场景,用以通过手势实现对电子设备的操控。
目前,在人机交互的场景中,手势识别大多采用的是基于静态图像的手势识别方式,然而,此种基于静态图像的手势识别方式只能辨别静态图像中是否出现手势,在用户不经意地摆放了一个与某个操作手势相符或相似的手势画面时,此种基于静态图像的手势识别方式会容易造成手势的误检测,其限制了人机交互的场景中用户的行为。
发明内容
本申请实施例的目的在于提供一种动态手势识别方法、装置、电子设备及存储介质,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
第一方面,本申请实施例提供了一种动态手势识别方法,包括:
获取实时拍摄图像;
从所述实时拍摄图像中确定第一目标手势识别图像;
根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像;
将所述第一目标手势识别图像及多个所述第二目标手势识别图像组合为目标动态手势视频;
根据预设的动态手势识别网络模型对所述目标动态手势视频进行识别,得到动态手势识别结果。
在上述实现过程中,本申请实施例的动态手势识别方法,将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频,通过预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果,与上述现有技术相比,目标动态手势视频中的用户手势是动态的,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
进一步地,在所述获取实时拍摄图像之前,所述方法还包括:
获取初始拍摄图像;
根据所述初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使所述目标拍摄对象处于拍摄画面的主***置。
在上述实现过程中,该方法可通过初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使目标拍摄对象处于拍摄画面的主***置,对于远距离的手势识别,该方法尤为适用,通过此种方式,可使得获取的实时拍摄图像的目标拍摄对象处于拍摄画面的主***置,目标拍摄对象处于拍摄画面的主***置可以提高远距离手势识别的检测准确率。
进一步地,所述从所述实时拍摄图像中确定第一目标手势识别图像,包括:
根据所述实时拍摄图像中目标拍摄对象的所在区域,从所述实时拍摄图像中截取含有所述目标拍摄对象的第一局部拍摄图像;
根据预设的神经网络模型对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像;
将所述第一目标手部图像确定为第一目标手势识别图像。
在上述实现过程中,该方法将含有目标拍摄对象的第一局部拍摄图像中的第一目标手部图像作为第一目标手势识别图像,使得第一目标手势识别图像主要为目标拍摄对象的手部图像,加大了目标拍摄对象的手部画面的占比,并使得目标拍摄对象的手部特征更为明显,从而可以有利于多个第二目标手势识别图像的确定以及对目标动态手势视频的手势识别,提高手势识别的检测准确率。
进一步地,所述根据预设的神经网络模型对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像,包括:
通过预设的神经网络模型分析得到所述第一局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过所述预设的神经网络模型以所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像。
在上述实现过程中,该方法结合了目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对含有目标拍摄对象的第一局部拍摄图像进行图像截取,得到第一目标手部图像,可以使得截取得到的第一目标手部图像更为完整、准确及可靠。
进一步地,所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像,包括:
根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个目标拍摄图像;
根据每个所述目标拍摄图像中目标拍摄对象的所在区域,从每个所述目标拍摄图像中对应截取多个含有所述目标拍摄对象的第二局部拍摄图像;
根据所述预设的神经网络模型对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像;
将多个所述第二目标手部图像确定为多个第二目标手势识别图像。
在上述实现过程中,该方法将含有目标拍摄对象的第二局部拍摄图像中的第二目标手部图像作为第二目标手势识别图像,使得第二目标手势识别图像主要为目标拍摄对象的手部图像,加大了目标拍摄对象的手部画面的占比,并使得目标拍摄对象的手部特征更为明显,同时,第一目标手势识别图像与第二目标手势识别图像均以同样的方式确定目标拍摄对象的手部图像为目标手势识别图像,更好地保证了第一目标手势识别图像与第二目标手势识别图像的一致性,因而可使得组合成的目标动态手势视频的效果更佳,从而可以便于对动态手势视频的手势识别,进一步提高手势识别的检测准确率。
进一步地,所述根据所述预设的神经网络模型对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像,包括:
通过所述预设的神经网络模型分析得到每个所述第二局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过所述预设的神经网络模型以每个所述第二局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对应地对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像。
在上述实现过程中,该方法结合了目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对含有目标拍摄对象的第二局部拍摄图像进行图像截取,得到第二目标手部图像,可以使得截取得到的第二目标手部图像更为完整、准确及可靠。
进一步地,在所述将所述第一目标手部图像确定为第一目标手势识别图像之后,所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像之前,所述方法还包括:
判断所述第一目标手势识别图像中是否存在有操作手势;
若是,则执行所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像的步骤。
在上述实现过程中,该方法可在判断了第一目标手势识别图像中存在有操作手势时,才从实时拍摄图像中确定多个第二目标手势识别图像,避免了在第一目标手势识别图像中不存在有操作手势时对用户的手势进行动态识别,减少不必要的手势动态识别,进而可以提高手势识别的效率。
第二方面,本申请实施例提供了一种动态手势识别装置,包括:
获取模块,用于获取实时拍摄图像;
第一确定模块,用于从所述实时拍摄图像中确定第一目标手势识别图像;
第二确定模块,用于根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像;
组合模块,用于将所述第一目标手势识别图像及多个所述第二目标手势识别图像组合为目标动态手势视频;
手势识别模块,用于根据预设的动态手势识别网络模型对所述目标动态手势视频进行识别,得到动态手势识别结果。
在上述实现过程中,本申请实施例的动态手势识别装置,将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频,通过预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果,与现有技术相比,目标动态手势视频中的用户手势是动态的,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的动态手势识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的动态手势识别方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例一提供的动态手势识别方法的第一流程示意图;
图2为本申请实施例一提供的动态手势识别方法的第二流程示意图;
图3为本申请实施例一提供的步骤S140的流程示意图;
图4为本申请实施例二提供的动态手势识别装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,在人机交互的场景中,手势识别大多采用的是基于静态图像的手势识别方式,然而,此种基于静态图像的手势识别方式只能辨别静态图像中是否出现手势,在用户不经意地摆放了一个与某个操作手势相符或相似的手势画面时,此种基于静态图像的手势识别方式会容易造成手势的误检测,其限制了人机交互的场景中用户的行为。
针对上述现有技术中的问题,本申请提供了一种动态手势识别方法、装置、电子设备及存储介质,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
实施例一
参见图1,图1为本申请实施例提供的动态手势识别方法的第一流程示意图。本申请实施例中下述的动态手势识别方法可应用于人机交互设备,该人机交互设备可以是无人机、手机或平板电脑等等。
本申请实施例主要以动态手势识别方法应用于无人机进行相关解释说明,其中,无人机搭载有摄像部件。
本申请实施例的动态手势识别方法,包括如下步骤:
步骤S130,获取实时拍摄图像。
在本实施例中,实时拍摄图像为多张,多张实时拍摄图像通常为连续拍摄的图像。
多张实时拍摄图像可以通过无人机搭载的摄像部件获取。
步骤S140,从实时拍摄图像中确定第一目标手势识别图像。
在本实施例中,第一目标手势识别图像可以是多张实时拍摄图像中的一张实时拍摄图像,也可以是多张实时拍摄图像中的一张实时拍摄图像的局部图像。
可选地,在从实时拍摄图像中确定第一目标手势识别图像时,可根据多张实时拍摄图像中目标拍摄对象的手部动作进行确定,例如,可根据多张实时拍摄图像中目标拍摄对象的手部动作是否与某个预设的操作手势相似进行确定。
步骤S150,根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个第二目标手势识别图像。
在本实施例中,预设区间可以是以图像的帧数定义的区间,假设第一目标手势识别图像对应的实时拍摄图像的帧数为N,那么预设区间可以是帧数为N-t到N+t的图像中除开帧数为N的图像,也即多个第二目标手势识别图像对应帧数为N-t到N+t的实时拍摄图像。
除此之外,预设区间也可以是时间域,在确定多个第二目标手势识别图像时,可根据第一目标手势识别图像对应的实时拍摄图像的拍摄时间及预设时间域,从多张实时拍摄图像中确定多个第二目标手势识别图像。
步骤S160,将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频。
在本实施例中,目标动态手势视频即为包含有目标拍摄对象的手部动作的动态过程的视频。
通常,目标动态手势视频中目标拍摄对象的手部动作是一连贯的过程。
步骤S170,根据预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果。
在本实施例中,预设的动态手势识别网络模型是预先训练好的模型,预设的动态手势识别网络模型用于对目标动态手势视频进行识别,得到动态手势识别结果。
可以理解地,动态手势识别结果可以对应无人机的某一操作或动作,也可以是不存在对应的无人机的操作或动作,也即说明目标拍摄对象的手部动作不属于操作手势。
可选地,动态手势识别结果可以用于触发无人机的手势交互功能的开启与关闭。
本申请实施例的动态手势识别方法,将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频,通过预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果,与现有技术相比,目标动态手势视频中的用户手势是动态的,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
在用户与无人机的人机交互的场景中,无人机对用户的手势识别通常是远距离的手势识别,为了提高远距离手势识别的检测准确率,本申请实施例提供一种可能的实施方式,参见图2,图2为本申请实施例提供的动态手势识别方法的第二流程示意图,本申请实施例的动态手势识别方法,在步骤S130,获取实时拍摄图像之前,还可以包括如下步骤:
步骤S110,获取初始拍摄图像;
步骤S120,根据初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使目标拍摄对象处于拍摄画面的主***置。
初始拍摄图像可以是单张。目标拍摄对象即用户,目标拍摄对象可以是单个或多个,本申请实施例中主要以目标拍摄对象为单个进行相关解释说明。
摄像部件的拍摄参数可以是摄像部件的拍摄角度、拍摄焦距、拍摄画面的分辨率等常规拍摄参数中的至少一种。
可以理解地,目标拍摄对象处于拍摄画面的主***置即较初始拍摄图像而言,目标拍摄对象在拍摄画面中的占比较大。
可选地,目标拍摄对象在拍摄画面中的占比可以是预先设定的。
可选地,在根据初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使目标拍摄对象处于拍摄画面的主***置时,可以是根据初始拍摄图像中的目标拍摄对象的大小、分布位置对摄像部件的拍摄参数进行调整。
在上述过程中,该方法可通过初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使目标拍摄对象处于拍摄画面的主***置,对于远距离的手势识别,该方法尤为适用,通过此种方式,可使得获取的实时拍摄图像的目标拍摄对象处于拍摄画面的主***置,目标拍摄对象处于拍摄画面的主***置可以提高远距离手势识别的检测准确率。
需要说明的是,在本申请实施例的动态手势识别方法应用于手机或平板电脑时,可无需执行步骤S110及步骤S120。
为了可以加大目标拍摄对象的手部画面的占比,并使得目标拍摄对象的手部特征更为明显,本申请实施例提供一种可能的实施方式,参见图3,图3为本申请实施例提供的步骤S140的流程示意图,本申请实施例的动态手势识别方法,步骤S140,从实时拍摄图像中确定第一目标手势识别图像,可包括如下步骤:
步骤S141,根据实时拍摄图像中目标拍摄对象的所在区域,从实时拍摄图像中截取含有目标拍摄对象的第一局部拍摄图像;
步骤S142,根据预设的神经网络模型对第一局部拍摄图像进行图像截取,得到第一目标手部图像;
步骤S143,将第一目标手部图像确定为第一目标手势识别图像。
结合上述步骤S140部分的内容,步骤S141中的实时拍摄图像可以是可根据多张实时拍摄图像中目标拍摄对象的手部动作进行确定的一张实时拍摄图像。
预设的神经网络模型是预先训练好的模型,预设的神经网络模型可以是预先训练好的多尺度卷积神经网络模型。
可以理解地,第一目标手部图像主要为目标拍摄对象的手部图像。
在上述过程中,该方法将含有目标拍摄对象的第一局部拍摄图像中的第一目标手部图像作为第一目标手势识别图像,使得第一目标手势识别图像主要为目标拍摄对象的手部图像,加大了目标拍摄对象的手部画面的占比,并使得目标拍摄对象的手部特征更为明显,从而可以有利于多个第二目标手势识别图像的确定以及对目标动态手势视频的手势识别,提高手势识别的检测准确率。
可选地,步骤S142,根据预设的神经网络模型对第一局部拍摄图像进行图像截取,得到第一目标手部图像,可包括:
通过预设的神经网络模型分析得到第一局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过预设的神经网络模型以目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对第一局部拍摄图像进行图像截取,得到第一目标手部图像。
其中,上肢躯干即为目标拍摄对象的上肢躯干,上肢躯干信息可包括上肢躯干的位置、大小、画面占比。
在上述过程中,该方法结合了目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对含有目标拍摄对象的第一局部拍摄图像进行图像截取,得到第一目标手部图像,可以使得截取得到的第一目标手部图像更为完整、准确及可靠。
基于上述过程,为了更好地保证第一目标手势识别图像与第二目标手势识别图像的一致性,便于对动态手势视频的手势识别,本申请实施例提供一种可能的实施方式,本申请实施例的动态手势识别方法,步骤S150,根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个第二目标手势识别图像,可包括如下步骤:
根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个目标拍摄图像;
根据每个目标拍摄图像中目标拍摄对象的所在区域,从每个目标拍摄图像中对应截取多个含有目标拍摄对象的第二局部拍摄图像;
根据预设的神经网络模型对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像;
将多个第二目标手部图像确定为多个第二目标手势识别图像。
需要说明的是,此种实施方式下的相关解释说明可对应地参见上述内容,在此,不再进行赘述。
在上述过程中,该方法将含有目标拍摄对象的第二局部拍摄图像中的第二目标手部图像作为第二目标手势识别图像,使得第二目标手势识别图像主要为目标拍摄对象的手部图像,加大了目标拍摄对象的手部画面的占比,并使得目标拍摄对象的手部特征更为明显,同时,第一目标手势识别图像与第二目标手势识别图像均以同样的方式确定目标拍摄对象的手部图像为目标手势识别图像,更好地保证了第一目标手势识别图像与第二目标手势识别图像的一致性,因而可使得组合成的目标动态手势视频的效果更佳,从而可以便于对动态手势视频的手势识别,进一步提高手势识别的检测准确率。
可选地,在根据预设的神经网络模型对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像时,可:
通过预设的神经网络模型分析得到每个第二局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过预设的神经网络模型以每个第二局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对应地对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像。
在上述过程中,该方法结合了目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对含有目标拍摄对象的第二局部拍摄图像进行图像截取,得到第二目标手部图像,可以使得截取得到的第二目标手部图像更为完整、准确及可靠。
在用户与无人机的人机交互的场景中,为了可以减少不必要的手势动态识别,本申请实施例提供一种可能的实施方式,本申请实施例的动态手势识别方法,在将第一目标手部图像确定为第一目标手势识别图像之后,根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个第二目标手势识别图像之前,还可以包括如下步骤:
判断第一目标手势识别图像中是否存在有操作手势;
若是,则执行根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个第二目标手势识别图像的步骤。
在上述过程中,该方法可在判断了第一目标手势识别图像中存在有操作手势时,才从实时拍摄图像中确定多个第二目标手势识别图像,避免了在第一目标手势识别图像中不存在有操作手势时对用户的手势进行动态识别,减少不必要的手势动态识别,进而可以提高手势识别的效率。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种动态手势识别装置。
参见图4,图4为本申请实施例提供的动态手势识别装置的结构框图。
本申请实施例的动态手势识别装置,包括:
获取模块210,用于获取实时拍摄图像;
第一确定模块220,用于从实时拍摄图像中确定第一目标手势识别图像;
第二确定模块230,用于根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个第二目标手势识别图像;
组合模块240,用于将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频;
手势识别模块250,用于根据预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果。
本申请实施例的动态手势识别装置,将第一目标手势识别图像及多个第二目标手势识别图像组合为目标动态手势视频,通过预设的动态手势识别网络模型对目标动态手势视频进行识别,得到动态手势识别结果,与现有技术相比,目标动态手势视频中的用户手势是动态的,通过动态手势视频对用户的手势进行识别,可以大大地减少对用户手势的误检测,提高手势识别的检测准确率,进而减少在人机交互的场景中用户的行为所受的限制。
作为一种可选的实施方式,获取模块210,还可用于获取初始拍摄图像;
本申请实施例的动态手势识别装置还可包括拍摄调整模块,用于根据初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使目标拍摄对象处于拍摄画面的主***置。
作为一种可选的实施方式,第一确定模块220,可具体用于:
根据实时拍摄图像中目标拍摄对象的所在区域,从实时拍摄图像中截取含有目标拍摄对象的第一局部拍摄图像;
根据预设的神经网络模型对第一局部拍摄图像进行图像截取,得到第一目标手部图像;
将第一目标手部图像确定为第一目标手势识别图像。
可选地,第一确定模块220在根据预设的神经网络模型对第一局部拍摄图像进行图像截取,得到第一目标手部图像时,可:
通过预设的神经网络模型分析得到第一局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过预设的神经网络模型以目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对第一局部拍摄图像进行图像截取,得到第一目标手部图像。
作为一种可选的实施方式,第二确定模块230,可具体用于:
根据第一目标手势识别图像及预设区间,从实时拍摄图像中确定多个目标拍摄图像;
根据每个目标拍摄图像中目标拍摄对象的所在区域,从每个目标拍摄图像中对应截取多个含有目标拍摄对象的第二局部拍摄图像;
根据预设的神经网络模型对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像;
将多个第二目标手部图像确定为多个第二目标手势识别图像。
可选地,第二确定模块230在根据预设的神经网络模型对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像时,可:
通过预设的神经网络模型分析得到每个第二局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过预设的神经网络模型以每个第二局部拍摄图像中目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对应地对每个第二局部拍摄图像进行图像截取,得到多个第二目标手部图像。
作为一种可选的实施方式,本申请实施例的动态手势识别装置还可包括判断模块,用于判断第一目标手势识别图像中是否存在有操作手势。
上述的动态手势识别装置可实施上述实施例一的动态手势识别方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的动态手势识别方法。
可选地,上述电子设备可以是人机交互设备,该人机交互设备可以是无人机、手机或平板电脑等等。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的动态手势识别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
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。
Claims (10)
1.一种动态手势识别方法,其特征在于,包括:
获取实时拍摄图像;
从所述实时拍摄图像中确定第一目标手势识别图像;
根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像;
将所述第一目标手势识别图像及多个所述第二目标手势识别图像组合为目标动态手势视频;
根据预设的动态手势识别网络模型对所述目标动态手势视频进行识别,得到动态手势识别结果。
2.根据权利要求1所述的动态手势识别方法,其特征在于,在所述获取实时拍摄图像之前,所述方法还包括:
获取初始拍摄图像;
根据所述初始拍摄图像中的目标拍摄对象,对摄像部件的拍摄参数进行调整,以使所述目标拍摄对象处于拍摄画面的主***置。
3.根据权利要求1所述的动态手势识别方法,其特征在于,所述从所述实时拍摄图像中确定第一目标手势识别图像,包括:
根据所述实时拍摄图像中目标拍摄对象的所在区域,从所述实时拍摄图像中截取含有所述目标拍摄对象的第一局部拍摄图像;
根据预设的神经网络模型对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像;
将所述第一目标手部图像确定为第一目标手势识别图像。
4.根据权利要求3所述的动态手势识别方法,其特征在于,所述根据预设的神经网络模型对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像,包括:
通过预设的神经网络模型分析得到所述第一局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过所述预设的神经网络模型以所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对所述第一局部拍摄图像进行图像截取,得到第一目标手部图像。
5.根据权利要求4所述的动态手势识别方法,其特征在于,所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像,包括:
根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个目标拍摄图像;
根据每个所述目标拍摄图像中目标拍摄对象的所在区域,从每个所述目标拍摄图像中对应截取多个含有所述目标拍摄对象的第二局部拍摄图像;
根据所述预设的神经网络模型对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像;
将多个所述第二目标手部图像确定为多个第二目标手势识别图像。
6.根据权利要求5所述的动态手势识别方法,其特征在于,所述根据所述预设的神经网络模型对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像,包括:
通过所述预设的神经网络模型分析得到每个所述第二局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息;
通过所述预设的神经网络模型以每个所述第二局部拍摄图像中所述目标拍摄对象的手部位置、手部大小、手部画面占比及上肢躯干信息,对应地对每个所述第二局部拍摄图像进行图像截取,得到多个第二目标手部图像。
7.根据权利要求3所述的动态手势识别方法,其特征在于,在所述将所述第一目标手部图像确定为第一目标手势识别图像之后,所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像之前,所述方法还包括:
判断所述第一目标手势识别图像中是否存在有操作手势;
若是,则执行所述根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像的步骤。
8.一种动态手势识别装置,其特征在于,包括:
获取模块,用于获取实时拍摄图像;
第一确定模块,用于从所述实时拍摄图像中确定第一目标手势识别图像;
第二确定模块,用于根据所述第一目标手势识别图像及预设区间,从所述实时拍摄图像中确定多个第二目标手势识别图像;
组合模块,用于将所述第一目标手势识别图像及多个所述第二目标手势识别图像组合为目标动态手势视频;
手势识别模块,用于根据预设的动态手势识别网络模型对所述目标动态手势视频进行识别,得到动态手势识别结果。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的动态手势识别方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的动态手势识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713910.XA CN111860346A (zh) | 2020-07-22 | 2020-07-22 | 动态手势识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713910.XA CN111860346A (zh) | 2020-07-22 | 2020-07-22 | 动态手势识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860346A true CN111860346A (zh) | 2020-10-30 |
Family
ID=72949679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713910.XA Pending CN111860346A (zh) | 2020-07-22 | 2020-07-22 | 动态手势识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860346A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308041A (zh) * | 2020-11-26 | 2021-02-02 | 中国人民解放军陆军工程大学 | 一种基于视觉的无人平台手势控制方法 |
CN112527107A (zh) * | 2020-11-30 | 2021-03-19 | 京东方科技集团股份有限公司 | 手势识别方法、装置、电子设备及存储介质 |
CN113197403A (zh) * | 2021-05-14 | 2021-08-03 | 广东华联云谷科技研究院有限公司 | 一种可预防感染病毒的方法和智能手环 |
CN113642413A (zh) * | 2021-07-16 | 2021-11-12 | 新线科技有限公司 | 控制方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130278504A1 (en) * | 2011-11-01 | 2013-10-24 | Xiaofeng Tong | Dynamic gesture based short-range human-machine interaction |
US20160078289A1 (en) * | 2014-09-16 | 2016-03-17 | Foundation for Research and Technology - Hellas (FORTH) (acting through its Institute of Computer | Gesture Recognition Apparatuses, Methods and Systems for Human-Machine Interaction |
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 |
CN109409277A (zh) * | 2018-10-18 | 2019-03-01 | 北京旷视科技有限公司 | 手势识别方法、装置、智能终端及计算机存储介质 |
CN109886070A (zh) * | 2018-12-24 | 2019-06-14 | 珠海格力电器股份有限公司 | 一种设备控制方法、装置、存储介质及设备 |
CN109960980A (zh) * | 2017-12-22 | 2019-07-02 | 北京市商汤科技开发有限公司 | 动态手势识别方法及装置 |
CN110688914A (zh) * | 2019-09-09 | 2020-01-14 | 苏州臻迪智能科技有限公司 | 一种手势识别的方法、智能设备、存储介质和电子设备 |
US20200057886A1 (en) * | 2018-08-14 | 2020-02-20 | Boe Technology Group Co., Ltd. | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium |
CN111158467A (zh) * | 2019-12-12 | 2020-05-15 | 青岛小鸟看看科技有限公司 | 一种手势交互方法和终端 |
-
2020
- 2020-07-22 CN CN202010713910.XA patent/CN111860346A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130278504A1 (en) * | 2011-11-01 | 2013-10-24 | Xiaofeng Tong | Dynamic gesture based short-range human-machine interaction |
US20160078289A1 (en) * | 2014-09-16 | 2016-03-17 | Foundation for Research and Technology - Hellas (FORTH) (acting through its Institute of Computer | Gesture Recognition Apparatuses, Methods and Systems for Human-Machine Interaction |
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 |
CN109960980A (zh) * | 2017-12-22 | 2019-07-02 | 北京市商汤科技开发有限公司 | 动态手势识别方法及装置 |
US20200057886A1 (en) * | 2018-08-14 | 2020-02-20 | Boe Technology Group Co., Ltd. | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium |
CN109409277A (zh) * | 2018-10-18 | 2019-03-01 | 北京旷视科技有限公司 | 手势识别方法、装置、智能终端及计算机存储介质 |
CN109886070A (zh) * | 2018-12-24 | 2019-06-14 | 珠海格力电器股份有限公司 | 一种设备控制方法、装置、存储介质及设备 |
CN110688914A (zh) * | 2019-09-09 | 2020-01-14 | 苏州臻迪智能科技有限公司 | 一种手势识别的方法、智能设备、存储介质和电子设备 |
CN111158467A (zh) * | 2019-12-12 | 2020-05-15 | 青岛小鸟看看科技有限公司 | 一种手势交互方法和终端 |
Non-Patent Citations (3)
Title |
---|
张圆圆;: "基于视觉的手势识别技术及其应用研究", 计算技术与自动化, no. 01 * |
王西颖;戴国忠;张习文;张凤军;: "基于HMM-FNN模型的复杂动态手势识别", 软件学报, no. 09 * |
田喜平;赵红丹;: "基于Kinect的动态孤立手势识别研究", 微电子学与计算机, no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308041A (zh) * | 2020-11-26 | 2021-02-02 | 中国人民解放军陆军工程大学 | 一种基于视觉的无人平台手势控制方法 |
CN112527107A (zh) * | 2020-11-30 | 2021-03-19 | 京东方科技集团股份有限公司 | 手势识别方法、装置、电子设备及存储介质 |
US11600116B2 (en) | 2020-11-30 | 2023-03-07 | Boe Technology Group Co., Ltd. | Methods and apparatuses for recognizing gesture, electronic devices and storage media |
CN113197403A (zh) * | 2021-05-14 | 2021-08-03 | 广东华联云谷科技研究院有限公司 | 一种可预防感染病毒的方法和智能手环 |
CN113197403B (zh) * | 2021-05-14 | 2023-02-17 | 广州乾睿医疗科技有限公司 | 一种可预防感染病毒的方法和智能手环 |
CN113642413A (zh) * | 2021-07-16 | 2021-11-12 | 新线科技有限公司 | 控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949952B2 (en) | Performing detail enhancement on a target in a denoised image | |
CN109325933B (zh) | 一种翻拍图像识别方法及装置 | |
CN111860346A (zh) | 动态手势识别方法、装置、电子设备及存储介质 | |
US9652663B2 (en) | Using facial data for device authentication or subject identification | |
US10762649B2 (en) | Methods and systems for providing selective disparity refinement | |
CN105681627B (zh) | 拍摄图像方法及电子设备 | |
CN111738735B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN110688914A (zh) | 一种手势识别的方法、智能设备、存储介质和电子设备 | |
CN108037830B (zh) | 一种增强现实的实现方法 | |
CN111640165A (zh) | Ar合影图像的获取方法、装置、计算机设备及存储介质 | |
CN115620398A (zh) | 一种目标动作检测方法及装置 | |
CN112887615B (zh) | 拍摄的方法及装置 | |
CN115514887A (zh) | 视频采集的控制方法、装置、计算机设备和存储介质 | |
CN112752110B (zh) | 视频呈现方法及装置、计算设备、存储介质 | |
CN114125226A (zh) | 图像拍摄方法、装置、电子设备和可读存储介质 | |
US20190311184A1 (en) | High Accuracy and Volume Facial Recognition on Mobile Platforms | |
CN111787227A (zh) | 基于跟踪拍摄的风格迁移方法及装置 | |
CN117097982B (zh) | 目标检测方法及*** | |
CN110991307A (zh) | 人脸识别的方法、装置、设备及存储介质 | |
CN111753793B (zh) | 模型训练方法、装置、人脸筛选方法及电子设备 | |
CN113691731B (zh) | 一种处理方法、装置和电子设备 | |
KR102628714B1 (ko) | 모바일 단말용 사진 촬영 지원 카메라 시스템 및 방법 | |
US11003957B2 (en) | Method and apparatus for certificate identification | |
CN110620911B (zh) | 摄像头的视频流处理方法、装置和终端设备 | |
KR101951158B1 (ko) | 관제 기능을 구비한 조명 장치 및 그 방법 |
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 |