CN112749664A - 一种手势识别方法、装置、设备、***及存储介质 - Google Patents

一种手势识别方法、装置、设备、***及存储介质 Download PDF

Info

Publication number
CN112749664A
CN112749664A CN202110053294.4A CN202110053294A CN112749664A CN 112749664 A CN112749664 A CN 112749664A CN 202110053294 A CN202110053294 A CN 202110053294A CN 112749664 A CN112749664 A CN 112749664A
Authority
CN
China
Prior art keywords
image
hand
gesture recognition
carrying
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
Application number
CN202110053294.4A
Other languages
English (en)
Inventor
张坡
阎汉生
朱腾
周宇
黎少
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.)
Guangdong College of Industry and Commerce
Original Assignee
Guangdong College of Industry and Commerce
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 Guangdong College of Industry and Commerce filed Critical Guangdong College of Industry and Commerce
Priority to CN202110053294.4A priority Critical patent/CN112749664A/zh
Publication of CN112749664A publication Critical patent/CN112749664A/zh
Pending legal-status Critical Current

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
    • G06V40/20—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/012—Walk-in-place systems for allowing a user to walk in a virtual environment while constraining him to a given position in the physical environment
    • 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
    • G06T2207/10024—Color image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及一种手势识别方法、装置、设备、***及存储介质。该方法包括：获取双目摄像***拍摄的手部图像；对手部图像进行畸变矫正，得到矫正图像；对矫正图像进行颜色空间处理，得到HSV图像；对HSV图像进行阈值分割，得到分割图像；将分隔图像中的手部进行框选，得到手部轮廓；依据手部轮廓在手部图像中利用预先训练的分类器进行分类识别，得到识别结果。上述方法中通过畸变矫正和分类器识别，极大地提高了手势识别的准确度。

Description

一种手势识别方法、装置、设备、***及存储介质
技术领域
本发明涉及手势识别技术领域，具体涉及一种手势识别方法、装置、设备、***及存储介质。
背景技术
随着虚拟现实(Virtual Reality，VR)技术的不断发展，可交互形手势识别技术应运而生。为提高感应效果，手势识别技术一般采用红外LED加灰度摄像机形式来实现精准识别。
目前，一般使用红外LED加灰度摄像机类型的交互形手势识别技术在进行识别时，其摄像机的覆盖角度集中在对应镜头的正向水平面40～140度范围内，无法实现更高角度的手势交互跟踪，而若换成广角摄像头，本身又具有畸变效果，无法精准进行手势分割和识别。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种手势识别方法、装置、设备、***及存储介质。
为实现以上目的，本发明采用如下技术方案：
一种手势识别方法，包括：
获取双目摄像***拍摄的手部图像；
对所述手部图像进行畸变矫正，得到矫正图像；
对所述矫正图像进行颜色空间处理，得到HSV图像；
对所述HSV图像进行阈值分割，得到分割图像；
将所述分隔图像中的手部进行框选，得到手部轮廓；
依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。
可选的，还包括：
对所述HSV图像进行阈值分割后的图像进行形态学闭运算。
可选的，所述对所述手部图像进行畸变矫正，得到矫正图像，包括：
采用黑白棋盘标定板对所述双目摄像***进行标定，求解所述双目摄像***中相机的内部参数和外部参数；
根据所述内部参数和所述外部参数利用预设AI矫正算法进行矫正，得到所述矫正图像。
可选的，所述依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果，包括：
在所述手部图像中将所述手部轮廓截取出来，得到截取图像；
对所述截取图像利用所述分类器进行图像识别，得到所述识别结果。
可选的，训练所述分类器的过程包括：
从预设实验平台中获取设定数量的手部展开图像和手部握拳图像；
对所述手部展开图像和所述手部握拳图像分别自定义设定标签；
结合所述标签、所述手部展开图像和所述手部握拳图像训练所述分类器。
一种手势识别装置，包括：
手部图像获取模块，用于获取双目摄像***拍摄的手部图像；
畸变矫正模块，用于对所述手部图像进行畸变矫正，得到矫正图像；
颜色处理模块，用于对所述矫正图像进行颜色空间处理，得到HSV图像；
阈值分割模块，用于对所述HSV图像进行阈值分割，得到分割图像；
框选模块，用于将所述分隔图像中的手部进行框选，得到手部轮廓；
识别模块，用于依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。
可选的，还包括：
闭运算模块，用于对所述HSV图像进行阈值分割后的图像进行形态学闭运算。
一种手势识别设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述所述的手势识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种手势识别***，包括：
双目摄像***，及与所述双目摄像***通信连接的如上述所述的手势识别设备。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的手势识别方法中各个步骤。
本申请提供的技术方案可以包括以下有益效果：
本申请中公开了一种手势识别方法，包括：获取双目摄像***拍摄的手部图像；对所述手部图像进行畸变矫正，得到矫正图像；对所述矫正图像进行颜色空间处理，得到HSV图像；对所述HSV图像进行阈值分割，得到分割图像；将所述分隔图像中的手部进行框选，得到手部轮廓；依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。上述方法中利用双目摄像***作为输入信号变化判断设备，使用新型正畸算法在保证扩大传统方式捕捉覆盖角度基础上，完成正畸以减少对后续的VR手势识别的影响，以此极大地提高了手势识别的精确度。
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是本发明一实施例提供的手势识别方法的流程图；
图2是本发明一实施例提供的手势识别装置的模块图；
图3是本发明一实施例提供的手势识别设备的结构图；
图4是本发明一实施例提供的手势识别***的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明一实施例提供的手势识别方法的流程图。参见图1，一种手势识别方法，包括：
步骤101：获取双目摄像***拍摄的手部图像。现有技术中大多采用单目广角摄像头，摄像头的覆盖角度在40-140度范围内，本申请中采用的是双目立体摄像***，该双目摄像***可以拍摄更广范围的视频，可以拍摄360度范围的影像，以此避免了因拍摄角度的限制导致手势交互跟踪有遗漏的情况。
步骤102：对所述手部图像进行畸变矫正，得到矫正图像。摄像头拍摄的视频或图像均会存在畸变的情况，因此在进行手势识别前，需要先将手部图像进行畸变矫正处理，本申请中畸变矫正处理的具体过程如下：
采用黑白棋盘标定板对所述双目摄像***进行标定，求解所述双目摄像***中相机的内部参数和外部参数。其中内部参数包括焦距、镜头径向失真系数等，外部参数包括摄像机位置与方向、扫射角和倾斜角等。然后根据所述内部参数和所述外部参数利用预设AI矫正算法进行矫正，得到所述矫正图像。
为求两个单目相机参数的4个内参数与6个外参数，假设本申请中使用的黑白棋盘标定板有N个角点，然后通过M个不同位姿摆放标定板，世界坐标设置为棋盘标定板第一个角点，因此获取棋盘标定板不同位姿图像的限制条件为：
2NM≥6M+4；
虽然理论上取N＝5，M＝1即可满足角点要求，但是表示一个平面投影视场所有目标只需有4个点，因此无论一个平面有多少个角点，可用的仅有4个角点信息，但是考虑到噪声和稳定性，有更多的角点与位姿的要求，标定时需要收集更多不同位姿的标定板图像。
棋盘格角点坐标及棋盘格角点图像坐标可以确定关键点，对于每个棋盘格图像通过最小二乘求解对应的单位矩阵。最后可得到相机内参和外参数。
步骤103：对所述矫正图像进行颜色空间处理，得到HSV图像。
步骤104：对所述HSV图像进行阈值分割，得到分割图像。本申请中在对矫正图像进行颜色空间转换后，再对其进行自适应阈值分割，将手部与背景分离出来，得到分割图像。同时，为了获得更好的分割效果，对阈值分割出的图像进行形态学闭运算。
步骤105：将所述分隔图像中的手部进行框选，得到手部轮廓。具体的利用轮廓外接矩形与凸包检测将手部框选出来。
步骤106：依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。本申请中采用的分类器为SVM分类器，需要注意的是，此处的分类器的类型选择并不固定，可根据实际情况而定。最后在原图中将框选部分截取并利用已训练好的SVM分类器进行分类识别。具体的，首先在手部图像中将手部轮廓截取出来，然后对截取图像利用SVM分类器进行识别，得到识别结果。
其中，SVM分类器需要在实验前进行训练，通过实验平台获取手部展开的图像与手部握拳的图像并打上标签，例如手部展开的图像标签为1，握拳的图像标签为0。然后通过大量的带有标签的图像进行训练的，得到SVM分类器。
其中，在训练好SVM分类器后，需要对该分类器的分类识别结果进行验证。本申请中公开了自学习预测优化更新算法训练SVM分类器的过程，如下定义优化算法：
Figure BDA0002899773510000061
其中，
Figure BDA0002899773510000062
Figure BDA0002899773510000063
式中：C为常数项，m为样本数，n为特征数；θT为特征组成的向量；(x(i),y(i))为第i个样本；hθ(x)为向量机对应自优化模型。
本申请中线性SVM分类器的分类对象是带有手势的图像，分类结果为0或1，因此可以在SVM分类器的训练样本中使用标定后的图片，不需要关键点预测的数据。但是，可以使用关键点预测的数据+图像作为样本给SVM分类器训练。
若使用关键点预测的数据+图像作为样本给SVM分类器训练，可依据下述手势关键点预测算法与关键点标定进行处理，具体如下：
设定图中某点P的预测关键点位置与其真实位置的距离阈值σ之内的概率，其定义为：
Figure BDA0002899773510000064
式中：
Figure BDA0002899773510000065
代表对于检测器d0在P点的正确关键点的概率，σ代表阈值，T代表测试集，
Figure BDA0002899773510000066
代表第p个关键点的预测位置，
Figure BDA0002899773510000067
代表第p个关键点的实际位置，δ为预设数值。
通过设定不同的内部参数n与不同视角的相机数量V，以正例正确识别数TP与错例错误识别数FP表示正确关键点的概率。同时计算正确识别率FDR，其定义为：
Figure BDA0002899773510000071
同时，本申请中关键点标定算法使用的手部关键点检测器是卷积姿态机器异构优化算法。该算法是将基于深度学习的关键点检测算法运用于人体姿态分析，将带有人体姿态的图像作为输入数据，通过设定好的卷积神经网络输出人体姿态特征的置信分布图。
上述实施例中使用传统单目广角摄像头组合成双目立体摄像***，作为输入信号变化判断设备，使用新型正畸算法在保证扩大传统方式捕捉覆盖角度基础上，完成正畸以减少对后续的VR手势识别影响，同时使用。AI矫正算法作为判断核心，满足低延迟，精准捕捉的特性。
对应于本发明实施例提供的一种手势识别方法，本发明实施例还提供一种手势识别装置。请参见下文实施例。
图2是本发明一实施例提供的手势识别装置的模块图。参见图2，一种手势识别装置，包括：
手部图像获取模块201，用于获取双目摄像***拍摄的手部图像。
畸变矫正模块202，用于对所述手部图像进行畸变矫正，得到矫正图像。
颜色处理模块203，用于对所述矫正图像进行颜色空间处理，得到HSV图像。
阈值分割模块204，用于对所述HSV图像进行阈值分割，得到分割图像。
框选模块205，用于将所述分隔图像中的手部进行框选，得到手部轮廓。
识别模块206，用于依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。
在此基础上，本申请中装置还包括：闭运算模块，用于对所述HSV图像进行阈值分割后的图像进行形态学闭运算。
其中，畸变矫正模块202具体用于：采用黑白棋盘标定板对所述双目摄像***进行标定，求解所述双目摄像***中相机的内部参数和外部参数；根据所述内部参数和所述外部参数利用预设AI矫正算法进行矫正，得到所述矫正图像。
识别模块206具体用于：在所述手部图像中将所述手部轮廓截取出来，得到截取图像；对所述截取图像利用所述分类器进行图像识别，得到所述识别结果。
上述实施例中使用新型正畸算法在保证扩大传统方式捕捉覆盖角度基础上，完成正畸以减少对后续的VR手势识别影响，同时使用。AI矫正算法作为判断核心，满足低延迟，精准捕捉的特性。
为了更清楚地介绍实现本发明实施例的硬件***，对应于本发明实施例提供的一种手势识别方法，本发明实施例还提供一种手势识别设备和***。请参见下文实施例。
图3是本发明一实施例提供的手势识别设备的结构图。参见图3，一种手势识别设备，包括：
处理器301，以及与所述处理器301相连接的存储器302；
所述存储器302用于存储计算机程序，所述计算机程序至少用于执行上述所述的手势识别方法；
所述处理器301用于调用并执行所述存储器302中的所述计算机程序。
同时，在此基础上，本申请中还公开了一种***，图4是本发明一实施例提供的手势识别***的结构图。参见图4，一种手势识别***，包括：
双目摄像***401，及与所述双目摄像***401通信连接的如上述所述的手势识别设备402。
同时，本申请中还公开了一种存储介质，该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，实现如上述所述的手势识别方法中各个步骤。
上述实施例中通过采用双目立体摄像***，扩大了摄像头的拍摄范围，同时使用正畸算法在保证扩大传统方式捕捉覆盖角度基础上，完成正畸以减少对后续的VR手势识别影响，同时使用。极大地提高了手势识别精度。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种手势识别方法，其特征在于，包括：
获取双目摄像***拍摄的手部图像；
对所述手部图像进行畸变矫正，得到矫正图像；
对所述矫正图像进行颜色空间处理，得到HSV图像；
对所述HSV图像进行阈值分割，得到分割图像；
将所述分隔图像中的手部进行框选，得到手部轮廓；
依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
对所述HSV图像进行阈值分割后的图像进行形态学闭运算。
3.根据权利要求1所述的方法，其特征在于，所述对所述手部图像进行畸变矫正，得到矫正图像，包括：
采用黑白棋盘标定板对所述双目摄像***进行标定，求解所述双目摄像***中相机的内部参数和外部参数；
根据所述内部参数和所述外部参数利用预设AI矫正算法进行矫正，得到所述矫正图像。
4.根据权利要求1所述的方法，其特征在于，所述依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果，包括：
在所述手部图像中将所述手部轮廓截取出来，得到截取图像；
对所述截取图像利用所述分类器进行图像识别，得到所述识别结果。
5.根据权利要求1所述的方法，其特征在于，训练所述分类器的过程包括：
从预设实验平台中获取设定数量的手部展开图像和手部握拳图像；
对所述手部展开图像和所述手部握拳图像分别自定义设定标签；
结合所述标签、所述手部展开图像和所述手部握拳图像训练所述分类器。
6.一种手势识别装置，其特征在于，包括：
手部图像获取模块，用于获取双目摄像***拍摄的手部图像；
畸变矫正模块，用于对所述手部图像进行畸变矫正，得到矫正图像；
颜色处理模块，用于对所述矫正图像进行颜色空间处理，得到HSV图像；
阈值分割模块，用于对所述HSV图像进行阈值分割，得到分割图像；
框选模块，用于将所述分隔图像中的手部进行框选，得到手部轮廓；
识别模块，用于依据所述手部轮廓在所述手部图像中利用预先训练的分类器进行分类识别，得到识别结果。
7.根据权利要求6所述的装置，其特征在于，还包括：
闭运算模块，用于对所述HSV图像进行阈值分割后的图像进行形态学闭运算。
8.一种手势识别设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-5任一项所述的手势识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
9.一种手势识别***，其特征在于，包括：
双目摄像***，及与所述双目摄像***通信连接的如权利要求8所述的手势识别设备。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的手势识别方法中各个步骤。
CN202110053294.4A 2021-01-15 2021-01-15 一种手势识别方法、装置、设备、***及存储介质 Pending CN112749664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110053294.4A CN112749664A (zh) 2021-01-15 2021-01-15 一种手势识别方法、装置、设备、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110053294.4A CN112749664A (zh) 2021-01-15 2021-01-15 一种手势识别方法、装置、设备、***及存储介质

Publications (1)

Publication Number Publication Date
CN112749664A true CN112749664A (zh) 2021-05-04

Family

ID=75652127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110053294.4A Pending CN112749664A (zh) 2021-01-15 2021-01-15 一种手势识别方法、装置、设备、***及存储介质

Country Status (1)

Country Link
CN (1) CN112749664A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117373114A (zh) * 2023-09-19 2024-01-09 海智合芯科技(深圳)有限公司 基于跟拍图像的手势识别方法、***、装置及存储介质
CN117392759A (zh) * 2023-12-11 2024-01-12 成都航空职业技术学院 一种基于ar教具的动作识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160171340A1 (en) * 2014-12-11 2016-06-16 Intel Corporation Labeling component parts of objects and detecting component properties in imaging data
CN107813310A (zh) * 2017-11-22 2018-03-20 浙江优迈德智能装备有限公司 一种基于双目视觉多手势机器人控制方法
CN109961484A (zh) * 2017-12-22 2019-07-02 比亚迪股份有限公司 摄像头标定方法、装置和车辆
CN111435429A (zh) * 2019-01-15 2020-07-21 北京伟景智能科技有限公司 一种基于双目立体数据动态认知的手势识别方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160171340A1 (en) * 2014-12-11 2016-06-16 Intel Corporation Labeling component parts of objects and detecting component properties in imaging data
CN107813310A (zh) * 2017-11-22 2018-03-20 浙江优迈德智能装备有限公司 一种基于双目视觉多手势机器人控制方法
CN109961484A (zh) * 2017-12-22 2019-07-02 比亚迪股份有限公司 摄像头标定方法、装置和车辆
CN111435429A (zh) * 2019-01-15 2020-07-21 北京伟景智能科技有限公司 一种基于双目立体数据动态认知的手势识别方法及***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117373114A (zh) * 2023-09-19 2024-01-09 海智合芯科技(深圳)有限公司 基于跟拍图像的手势识别方法、***、装置及存储介质
CN117392759A (zh) * 2023-12-11 2024-01-12 成都航空职业技术学院 一种基于ar教具的动作识别方法
CN117392759B (zh) * 2023-12-11 2024-03-12 成都航空职业技术学院 一种基于ar教具的动作识别方法

Similar Documents

Publication Publication Date Title
US11503275B2 (en) Camera calibration system, target, and process
CN107909600B (zh) 一种基于视觉的无人机实时运动目标分类与检测方法
US8467596B2 (en) Method and apparatus for object pose estimation
CN111144207B (zh) 一种基于多模态信息感知的人体检测和跟踪方法
US10216979B2 (en) Image processing apparatus, image processing method, and storage medium to detect parts of an object
CN109741369B (zh) 一种用于机器人跟踪目标行人的方法及***
CN105453546B (zh) 图像处理装置、图像处理***和图像处理方法
CN109934065B (zh) 一种用于手势识别的方法和装置
US10733705B2 (en) Information processing device, learning processing method, learning device, and object recognition device
CN108510545B (zh) 空间定位方法、空间定位设备、空间定位***及计算机可读存储介质
CN103810475B (zh) 一种目标物识别方法及装置
CN110378837B (zh) 基于鱼眼摄像头的目标检测方法、装置和存储介质
WO2010099034A1 (en) Capturing and recognizing hand postures using inner distance shape contexts
CN112200056B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN107766864B (zh) 提取特征的方法和装置、物体识别的方法和装置
CN107527368B (zh) 基于二维码的三维空间姿态定位方法与装置
CN112784712B (zh) 一种基于实时监控的失踪儿童预警实现方法、装置
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
CN112749664A (zh) 一种手势识别方法、装置、设备、***及存储介质
JP7230345B2 (ja) 情報処理装置及び情報処理プログラム
CN110598647A (zh) 一种基于图像识别的头部姿态识别方法
US20230009925A1 (en) Object detection method and object detection device
CN113723432B (zh) 一种基于深度学习的智能识别、定位追踪的方法及***
CN113591548B (zh) 靶环识别方法及***
Wang et al. A detection and tracking system for fisheye videos from traffic intersections

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210504

RJ01 Rejection of invention patent application after publication