CN111985443A - 一种鲁棒的人体姿态估计算法 - Google Patents
一种鲁棒的人体姿态估计算法 Download PDFInfo
- Publication number
- CN111985443A CN111985443A CN202010904351.0A CN202010904351A CN111985443A CN 111985443 A CN111985443 A CN 111985443A CN 202010904351 A CN202010904351 A CN 202010904351A CN 111985443 A CN111985443 A CN 111985443A
- Authority
- CN
- China
- Prior art keywords
- line segment
- human body
- line
- point
- model
- 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 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 210000003127 knee Anatomy 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 claims description 3
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims 2
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims 2
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 claims 1
- 230000036544 posture Effects 0.000 abstract 4
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种鲁棒的人体姿态估计算法，包括以下步骤：步骤一：使用影像采集设备获取人体影像信息；步骤二：对人体影像信息进行点化处理，处理出模型特征点；步骤三：将模型点进行连线处理得到模型线，模型线组合在一起即为人体模型；步骤四：设置出估算基准线，将人体模型与估算基准模型进行处理；步骤五：通过将人体模型进行计算处理来估算人体姿态；步骤六：将人体姿态信息发送出，当人体状态判定失败时即重复步骤一到步骤五。本发明能够同时进行多种姿态的判定，满足了用户的不同使用需求，并且计算判定的过程更快，从而让该算法更加值得推广使用。
Description
技术领域
本发明涉及人体姿态估计领域，具体涉及一种鲁棒的人体姿态估计算法。
背景技术
姿态估计，就是确定某一三维目标物体的方位指向问题，姿态估计在机器人视觉、动作跟踪和单照相机定标等很多领域都有应用，姿态估计在不同领域用于姿态估计过程时不一样的，人体姿态估计算法，即是对人体进行姿态估计的过程进行计算的一种算法。
现有的人体姿态估计算法，估计判定的人体姿态较少不能满足用户使用需求，并且计算判定的过程较慢，给人体姿态估计算法的使用带来了一定的影响，因此，提出一种鲁棒的人体姿态估计算法。
发明内容
本发明所要解决的技术问题在于：如何解决现有的人体姿态估计算法，估计判定的人体姿态较少不能满足用户使用需求，并且计算判定的过程较慢，给人体姿态估计算法的使用带来了一定的影响的问题，提供了一种鲁棒的人体姿态估计算法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
步骤一：使用影像采集设备获取人体影像信息；
步骤二：对人体影像信息进行点化处理，处理出模型特征点；
步骤三：将模型点进行连线处理得到模型线，模型线组合在一起即为人体模型；
步骤四：设置出估算基准线，将人体模型与估算基准模型进行处理；
步骤五：通过将人体模型进行计算处理来估算人体姿态；
步骤六：将人体姿态信息发送出，当人体状态判定失败时即重复步骤一到步骤五。
优选的，步骤二中的点化处理过程具体如下：
步骤一：将影像采集设备获取的人体影像信息提取出，人体影像信息为至少三张的人体正面照片；
步骤二：将三张照片按照清晰度进行从清晰到模糊的排名，提取出清晰度最高的照片为基础照片；
步骤三：将清晰度最高的人体影像照片提取出，将人体的头部顶点标记为点A1，将人体的两个肩膀最高点分别标记为A2点与A3点，将人体的两个手臂的最低点分别标记为A4点与A5点，将人体的腿部与身体的接触点标记为A6点与A7点，将两个膝盖的点标记为点A8与A9点。
优选的，所述步骤三中的模型线具体处理过程如下：
步骤一：将点A1分别与A2点A3点连线得到线段L1和线段L2；
步骤二：将点A2与点A4连线得到线段L3，将A3点与A5点连线得到线段L4；
步骤三：将点A6点与点A7连线得到线段L5，再将点A6与点A8连接得到线段L6，将点A7与点A9连线得到线段L7；
步骤四：将人体影像照片中的人体与地面接触的点为基准点做一条基准线L8；
步骤五：以头顶点A1为端点做一条垂直于基准线L8的线段L9；
步骤六：线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9为模型线；
所述人体模型为线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9组成的模型。
优选的，所述估算出的人体姿态包括平躺、行进、奔跑与坐立。
优选的，所述平躺姿势的具体处理过程如下：
S1：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9提取出；
S2：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9进行延长使得线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交；
S3：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量大于预设数时即判定其处于平躺状态；
S4：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量在小于预设值时，测量与基准线L8相交线之间形成的夹角的角度，当夹角角度小于预设角度的数量大于预设数量时也判定其处于平躺状态。
优选的，所述行进和奔跑的判定过程如下：
SS1：将整个模型在垂直方向旋转90°，之后将线段L6和线段L7提取出；
SS2：在预设时长内记录下线段L6和线段L7的交叉次数，将交叉次数标记为Kt，将记录时长标记为P，时长单位为min；
SS3：通过公式Kt/(P*60)＝Kp均，即得到线段L6和线段L7的每秒交叉次数Kp均；
SS4，当Kp均大于预设值时即生成奔跑判定，当Kp均小于预设值时即生成行进判定。
优选的，所述坐立姿势的判定过程如下：
SS1：提取出线段L6和线段L7，将其延长，使得线段L6和线段L7与基准线L8相交；
SS2：测量出线段L6和基准线L8相交的角度将其标记为W1，再测量出线段L7和基准线L8相交的角度将其标记为W2；
SS3：计算出W1和W2的和得到W和，当W和小于预设值时即生成坐立判定；
SS4：当线段L6和基准线L8的延长线无法与基准线L8相交时即生成坐立判定。
本发明相比现有技术具有以下优点：该鲁棒的人体姿态估计算法，对人体进行了模型化处理，通过对模型进行处理分析来对人体姿态进行判定，在实现了更加精准的姿态判定的同时，加快了判定速度，同时判定姿态的种类更多，满足了用户对于姿态判定的使用需求，让该种人体姿态估计算法更加值得推广使用。
附图说明
图1是本发明的流程框图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：一种鲁棒的人体姿态估计算法，包括以下步骤：
步骤一：使用影像采集设备获取人体影像信息；
步骤二：对人体影像信息进行点化处理，处理出模型特征点；
步骤三：将模型点进行连线处理得到模型线，模型线组合在一起即为人体模型；
步骤四：设置出估算基准线，将人体模型与估算基准模型进行处理；
步骤五：通过将人体模型进行计算处理来估算人体姿态；
步骤六：将人体姿态信息发送出，当人体状态判定失败时即重复步骤一到步骤五。
优选的，步骤二中的点化处理过程具体如下：
步骤一：将影像采集设备获取的人体影像信息提取出，人体影像信息为至少三张的人体正面照片；
步骤二：将三张照片按照清晰度进行从清晰到模糊的排名，提取出清晰度最高的照片为基础照片；
步骤三：将清晰度最高的人体影像照片提取出，将人体的头部顶点标记为点A1，将人体的两个肩膀最高点分别标记为A2点与A3点，将人体的两个手臂的最低点分别标记为A4点与A5点，将人体的腿部与身体的接触点标记为A6点与A7点，将两个膝盖的点标记为点A8与A9点。
优选的，所述步骤三中的模型线具体处理过程如下：
步骤一：将点A1分别与A2点A3点连线得到线段L1和线段L2；
步骤二：将点A2与点A4连线得到线段L3，将A3点与A5点连线得到线段L4；
步骤三：将点A6点与点A7连线得到线段L5，再将点A6与点A8连接得到线段L6，将点A7与点A9连线得到线段L7；
步骤四：将人体影像照片中的人体与地面接触的点为基准点做一条基准线L8；
步骤五：以头顶点A1为端点做一条垂直于基准线L8的线段L9；
步骤六：线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9为模型线；
所述人体模型为线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9组成的模型。
优选的，所述估算出的人体姿态包括平躺、行进、奔跑与坐立。
优选的，所述平躺姿势的具体处理过程如下：
S1：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9提取出；
S2：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9进行延长使得线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交；
S3：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量大于预设数时即判定其处于平躺状态；
S4：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量在小于预设值时，测量与基准线L8相交线之间形成的夹角的角度，当夹角角度小于预设角度的数量大于预设数量时也判定其处于平躺状态。
优选的，所述行进和奔跑的判定过程如下：
SS1：将整个模型在垂直方向旋转90°，之后将线段L6和线段L7提取出；
SS2：在预设时长内记录下线段L6和线段L7的交叉次数，将交叉次数标记为Kt，将记录时长标记为P，时长单位为min；
SS3：通过公式Kt/(P*60)＝Kp均，即得到线段L6和线段L7的每秒交叉次数Kp均；
SS4，当Kp均大于预设值时即生成奔跑判定，当Kp均小于预设值时即生成行进判定。
优选的，所述坐立姿势的判定过程如下：
SS1：提取出线段L6和线段L7，将其延长，使得线段L6和线段L7与基准线L8相交；
SS2：测量出线段L6和基准线L8相交的角度将其标记为W1，再测量出线段L7和基准线L8相交的角度将其标记为W2；
SS3：计算出W1和W2的和得到W和，当W和小于预设值时即生成坐立判定；
SS4：当线段L6和基准线L8的延长线无法与基准线L8相交时即生成坐立判定。
综上，本发明在使用时，先使用高清的影像采集设备获取人体影像信息，人体信息为至少三张的高清人体照片，之后提取出清晰度最高的高清人体照片从中提取出人体影像信息，并且对人体影像信息进行点化处理，处理出模型特征点，之后将模型点进行连线处理得到模型线，模型线组合在一起即为人体模型，设置出估算基准线，将人体模型与估算基准模型进行处理，通过将人体模型进行计算处理来估算人体姿态，之后将人体姿态信息发送出，当人体状态判定失败时即重复步骤一到步骤五，来再次进行人体姿态判定，知道姿态判定成功。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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 (7)
1.一种鲁棒的人体姿态估计算法，其特征在于，包括以下步骤：
步骤一：使用影像采集设备获取人体影像信息；
步骤二：对人体影像信息进行点化处理，处理出模型特征点；
步骤三：将模型点进行连线处理得到模型线，模型线组合在一起即为人体模型；
步骤四：设置出估算基准线，将人体模型与估算基准模型进行处理；
步骤五：通过将人体模型进行计算处理来估算人体姿态；
步骤六：将人体姿态信息发送出，当人体状态判定失败时即重复步骤一到步骤五。
2.根据权利要求1所述的一种鲁棒的人体姿态估计算法，其特征在于：步骤二中的点化处理过程具体如下：
步骤一：将影像采集设备获取的人体影像信息提取出，人体影像信息为至少三张的人体正面照片；
步骤二：将三张照片按照清晰度进行从清晰到模糊的排名，提取出清晰度最高的照片为基础照片；
步骤三：将清晰度最高的人体影像照片提取出，将人体的头部顶点标记为点A1，将人体的两个肩膀最高点分别标记为A2点与A3点，将人体的两个手臂的最低点分别标记为A4点与A5点，将人体的腿部与身体的接触点标记为A6点与A7点，将两个膝盖的点标记为点A8与A9点。
3.根据权利要求1和2所述的一种鲁棒的人体姿态估计算法，其特征在于：所述步骤三中的模型线具体处理过程如下：
步骤一：将点A1分别与A2点A3点连线得到线段L1和线段L2；
步骤二：将点A2与点A4连线得到线段L3，将A3点与A5点连线得到线段L4；
步骤三：将点A6点与点A7连线得到线段L5，再将点A6与点A8连接得到线段L6，将点A7与点A9连线得到线段L7；
步骤四：将人体影像照片中的人体与地面接触的点为基准点做一条基准线L8；
步骤五：以头顶点A1为端点做一条垂直于基准线L8的线段L9；
步骤六：线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9为模型线；
所述人体模型为线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9组成的模型。
4.根据权利要求1所述的一种鲁棒的人体姿态估计算法，其特征在于：所述估算出的人体姿态包括平躺、行进、奔跑与坐立。
5.根据权利要求3和4所述的一种鲁棒的人体姿态估计算法，其特征在于：所述平躺姿势的具体处理过程如下：
S1：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9提取出；
S2：将线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9进行延长使得线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交；
S3：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量大于预设数时即判定其处于平躺状态；
S4：当线段L1、线段L2、线段L3、线段L4、线段L5、线段L6、线段L7、线段L9与基准线L8相交的数量在小于预设值时，测量与基准线L8相交线之间形成的夹角的角度，当夹角角度小于预设角度的数量大于预设数量时也判定其处于平躺状态。
6.根据权利要求3和4所述的一种鲁棒的人体姿态估计算法，其特征在于：所述行进和奔跑的判定过程如下：
SS1：将整个模型在垂直方向旋转90°，之后将线段L6和线段L7提取出；
SS2：在预设时长内记录下线段L6和线段L7的交叉次数，将交叉次数标记为Kt，将记录时长标记为P，时长单位为min；
SS3：通过公式Kt/(P*60)＝Kp均，即得到线段L6和线段L7的每秒交叉次数Kp均；
SS4，当Kp均大于预设值时即生成奔跑判定，当Kp均小于预设值时即生成行进判定。
7.根据权利要求3和4所述的一种鲁棒的人体姿态估计算法，其特征在于：所述坐立姿势的判定过程如下：
SS1：提取出线段L6和线段L7，将其延长，使得线段L6和线段L7与基准线L8相交；
SS2：测量出线段L6和基准线L8相交的角度将其标记为W1，再测量出线段L7和基准线L8相交的角度将其标记为W2；
SS3：计算出W1和W2的和得到W和，当W和小于预设值时即生成坐立判定；
SS4：当线段L6和基准线L8的延长线无法与基准线L8相交时即生成坐立判定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904351.0A CN111985443A (zh) | 2020-09-01 | 2020-09-01 | 一种鲁棒的人体姿态估计算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904351.0A CN111985443A (zh) | 2020-09-01 | 2020-09-01 | 一种鲁棒的人体姿态估计算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985443A true CN111985443A (zh) | 2020-11-24 |
Family
ID=73447157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010904351.0A Pending CN111985443A (zh) | 2020-09-01 | 2020-09-01 | 一种鲁棒的人体姿态估计算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985443A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130230211A1 (en) * | 2010-10-08 | 2013-09-05 | Panasonic Corporation | Posture estimation device and posture estimation method |
| CN104200491A (zh) * | 2014-08-15 | 2014-12-10 | 浙江省新华医院 | 一种人体运动姿态校正系统 |
| CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
| US20180192035A1 (en) * | 2017-01-04 | 2018-07-05 | Qualcomm Incorporated | Systems and methods for object location |
| CN109472222A (zh) * | 2018-10-25 | 2019-03-15 | 深圳市象形字科技股份有限公司 | 一种基于计算机视觉技术的辅助二胡练习者姿态检测方法 |
| CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
| CN109934111A (zh) * | 2019-02-12 | 2019-06-25 | 清华大学深圳研究生院 | 一种基于关键点的健身姿态估计方法及系统 |
| CN109993063A (zh) * | 2019-03-05 | 2019-07-09 | 福建天晴数码有限公司 | 一种识别待救援人员的方法及终端 |
| CN110191317A (zh) * | 2019-05-21 | 2019-08-30 | 重庆工程学院 | 一种基于图像识别的电子监控系统 |
| CN110477921A (zh) * | 2019-08-15 | 2019-11-22 | 合肥工业大学 | 基于骨架折线Ridge回归的身高测量方法 |
| CN110598536A (zh) * | 2019-07-31 | 2019-12-20 | 杭州连帆科技有限公司 | 一种基于人体骨架运动模型的跌倒检测方法及系统 |
| CN110598647A (zh) * | 2019-09-17 | 2019-12-20 | 四川爱目视光智能科技有限公司 | 一种基于图像识别的头部姿态识别方法 |
-
2020
- 2020-09-01 CN CN202010904351.0A patent/CN111985443A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130230211A1 (en) * | 2010-10-08 | 2013-09-05 | Panasonic Corporation | Posture estimation device and posture estimation method |
| CN104200491A (zh) * | 2014-08-15 | 2014-12-10 | 浙江省新华医院 | 一种人体运动姿态校正系统 |
| CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
| US20180192035A1 (en) * | 2017-01-04 | 2018-07-05 | Qualcomm Incorporated | Systems and methods for object location |
| CN109472222A (zh) * | 2018-10-25 | 2019-03-15 | 深圳市象形字科技股份有限公司 | 一种基于计算机视觉技术的辅助二胡练习者姿态检测方法 |
| CN109934111A (zh) * | 2019-02-12 | 2019-06-25 | 清华大学深圳研究生院 | 一种基于关键点的健身姿态估计方法及系统 |
| CN109993063A (zh) * | 2019-03-05 | 2019-07-09 | 福建天晴数码有限公司 | 一种识别待救援人员的方法及终端 |
| CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
| CN110191317A (zh) * | 2019-05-21 | 2019-08-30 | 重庆工程学院 | 一种基于图像识别的电子监控系统 |
| CN110598536A (zh) * | 2019-07-31 | 2019-12-20 | 杭州连帆科技有限公司 | 一种基于人体骨架运动模型的跌倒检测方法及系统 |
| CN110477921A (zh) * | 2019-08-15 | 2019-11-22 | 合肥工业大学 | 基于骨架折线Ridge回归的身高测量方法 |
| CN110598647A (zh) * | 2019-09-17 | 2019-12-20 | 四川爱目视光智能科技有限公司 | 一种基于图像识别的头部姿态识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| THI-LAN LE 等: "Human posture recognition using human skeleton provided by Kinetic", 《2013 INTERNATIONAL CONFERENCE ON COMPUTING，MANAGEMENT AND TELECOMMUNICATIONS》, 21 March 2013 (2013-03-21), pages 340 - 345 * |
| 季刚;张南;: "多特征光流跟踪人体关节点的运动员姿态分析模型", 《科技通报》, vol. 33, no. 12, 31 December 2017 (2017-12-31), pages 133 - 136 * |
| 赵思蕊;吴亚东;杨文超;蒋宏宇;: "基于3D骨架的交警指挥姿势动作识别仿真", 《计算机仿真》, vol. 33, no. 09, 15 September 2016 (2016-09-15), pages 412 - 417 * |
| 邱丽梅;: "基于人脸特征点和线性回归的3D人脸姿态估计方法", 《三明学院学报》, vol. 25, no. 04, 20 December 2008 (2008-12-20), pages 390 - 394 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103913131B (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
| CN101692284B (zh) | 基于量子免疫克隆算法的三维人体运动跟踪方法 | |
| CN102880866B (zh) | 一种人脸特征提取方法 | |
| JP6740033B2 (ja) | 情報処理装置、計測システム、情報処理方法及びプログラム | |
| EP3282421B1 (en) | Systems and methods for identifying body joint locations based on sensor data analysis | |
| WO2007102537A1 (ja) | 姿勢推定装置および方法 | |
| JP6487642B2 (ja) | 手指形状の検出方法、そのプログラム、そのプログラムの記憶媒体、及び、手指の形状を検出するシステム。 | |
| CN104487999A (zh) | 姿势估计装置、姿势估计方法以及姿势估计程序 | |
| CN111678521A (zh) | 一种移动机器人定位精度的评估方法和系统 | |
| CN113393524A (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
| CN107949851A (zh) | 在场景内的物体的端点的快速和鲁棒识别 | |
| CN114119732A (zh) | 基于目标检测和K-means聚类的联合优化动态SLAM方法 | |
| JP3144400B2 (ja) | ジェスチャ認識装置及び方法 | |
| CN110307788A (zh) | 多深度相机人体参数测量方法及装置 | |
| CN111985443A (zh) | 一种鲁棒的人体姿态估计算法 | |
| CN112907633B (zh) | 动态特征点识别方法及其应用 | |
| CN112712030A (zh) | 三维姿态信息还原方法及装置 | |
| WO2018068196A1 (zh) | 一种血管脊线追踪方法及装置 | |
| CN106695796A (zh) | 基于ransac的便携式激光扫描测量臂手眼标定方法 | |
| CN104008269B (zh) | 一种基于人工标记物的手术导航系统空间自动注册方法 | |
| CN115984482A (zh) | 手与物体交互过程的重建方法、装置、电子设备及介质 | |
| JP2022504444A (ja) | カメラの較正方法、カメラ及びプログラム | |
| CN112652043B (zh) | 一种人体模型穿模检测方法、装置、电子设备及存储介质 | |
| Cheng et al. | Ground truth delineation for medical image segmentation based on Local Consistency and Distribution Map analysis | |
| CN109620142B (zh) | 一种基于机器视觉的颈椎活动度测量系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
| RJ01 | Rejection of invention patent application after publication |