【技术实现步骤摘要】
一种三维人手关键点定位方法及装置
本专利技术属于人工智能
,具体是涉及到一种三维人手关键点定位方法、装置、终端设备及计算机可读介质。
技术介绍
掌纹、掌脉等生物特征识别技术以及手势识别技术均需要对图像进行手掌检测和关键点定位。掌纹识别中,快速准确识别手掌区域是关键,会影响到掌纹识别的性能。手势识别过程中,如果能够获得人手指、手掌的关节点的坐标位置,就可以通过手指和手掌的相对位置关系判断手势。因此,手掌区域定位和手掌关键点定位非常重要。已有的手掌关键点检测主要基于二维RGB图像或者近红外图像进行检测,主要技术包括三类。第一类是利用手掌的颜色信息进行手掌与背景的分割,并根据手掌的轮廓信息进行关键点位置推断;第二类是直接使用轮廓提取算法对图像中的手掌进行轮廓提取,获得包含手指、手掌、手腕等部位的轮廓信息,并依据此信息进行进一步的关键点推断;第三类是利用深度学习技术,对图像使用物体检测的深度神经网络,直接得到包含手掌的矩形框,然后定位手指指节纹线线段,进而获得手指、手掌的关节点位置,即关键点位置。与本专利技术最相近的专利为CN108427942A,该专利包括以下步骤:S1、采集训练样本;S2、构建网络模型:构建CNN(卷积神经网络)特征提取网络、RPN(区域生成网络)候选区域提取网络和判别网络;S3、训练网络模型:初始化CNN特征提取网络、RPN候选区域提取网络和判别网络;S4、构建检测模型;S5:手掌检测和关键点定位。该专利提出的技术使用了当时性能最高的物体检测框架FasterR-CNN进行手掌区域快速定位, ...
【技术保护点】
1.一种三维人手关键点定位方法,其特征在于,包括:/n获取实际场景的深度图像;/n通过第一神经网络对所述深度图像进行手掌区域分割,得到分割后的手掌区域;/n对所述手掌区域进行归一化处理及尺寸变换,得到归一化后的手掌区域的深度图;/n通过第二神经网络判断所述归一化后的手掌区域的深度图对应的实际场景中是否包含真人手掌;/n若包含,则通过第三神经网络预测所述归一化后的手掌区域的深度图的关键点坐标,并通过预测的所述归一化后的手掌区域的深度图的关键点坐标确定所述实际场景的深度图像中的手掌的关键点坐标。/n
【技术特征摘要】
1.一种三维人手关键点定位方法,其特征在于,包括:
获取实际场景的深度图像;
通过第一神经网络对所述深度图像进行手掌区域分割,得到分割后的手掌区域;
对所述手掌区域进行归一化处理及尺寸变换,得到归一化后的手掌区域的深度图;
通过第二神经网络判断所述归一化后的手掌区域的深度图对应的实际场景中是否包含真人手掌;
若包含,则通过第三神经网络预测所述归一化后的手掌区域的深度图的关键点坐标,并通过预测的所述归一化后的手掌区域的深度图的关键点坐标确定所述实际场景的深度图像中的手掌的关键点坐标。
2.根据权利要求1所述的三维人手关键点定位方法,其特征在于,所述第一神经网络为卷积神经网络,所述通过第一神经网络对所述深度图像进行手掌区域分割,得到分割后的手掌区域,包括:
对所述深度图像进行尺寸变换,得到固定尺寸的深度图像;
将所述固定尺寸的深度图像输入到第一神经网络,使用所述第一神经网络对所述固定尺寸的深度图像进行手掌区域分割;
对进行手掌区域分割后的所述固定尺寸的深度图像进行去噪处理,得到分割后的手掌区域。
3.根据权利要求2所述的三维人手关键点定位方法,其特征在于,所述对进行手掌区域分割后的所述固定尺寸的深度图像进行去噪处理,得到分割后的手掌区域,包括:
在分割后的所述固定尺寸的深度图像中选择第一起始点,从该起始点开始把附近与该起始点连通的像素点提取出来,保存到第一列表中,同时标记这些像素点为已处理;其中,该起始点的像素值与连通于该起始点的像素点的分割值相等;
在分割后的所述固定尺寸的深度图像中的未处理的像素点中不断寻找与所述第一列表中的点邻接且分割值相同的点,加入到所述第一列表中,直到所有与所述第一起始点连通的像素点均被找到和标记为已处理,且加入到所述第一列表中;
在分割后的所述固定尺寸的深度图像中的未处理的像素点中选择第二起始点,并找到和标记所有与所述第二起始点连通的像素点,且加入第二列表中;
在分割后的所述固定尺寸的深度图像中的未处理的像素点中选择除所述第一起始点和第二起始点外的其它起始点,并找到和标记所有与所述其它起始点连通的像素点,直至分割后的所述固定尺寸的深度图像中所有点均被标记为已处理,并得到多个列表,每个列表维护1个连通区域对应的所有像素点;
找到所有列表中像素点值为1且像素点数量最多的一个列表,并确定所述像素点值为1且像素点数量最多的一个列表对应的为手掌区域。
4.根据权利要求2所述的三维人手关键点定位方法,其特征在于,所述对所述手掌区域进行归一化处理及尺寸变换,得到归一化后的手掌区域的深度图,包括:
选取所述手掌区域中所有像素点相对所述固定尺寸的深度图像所对应的坐标系的横纵坐标中的最大值和最小值,得到,并由所述横纵坐标的最大值和最小值得到包含人手的矩形框的对角线位置坐标;其中,左上角位置坐标为(),右下角位置坐标为();
通过所述矩形框对所述深度图像进行裁剪,获取所述手掌区域的深度图,将所述手掌区域的深度值归一化,并将所述手掌区域进行尺寸变换,得到归一化后的固定大小的手掌区域的深度图。
5.根据权利要求1所述的三维人手关键点定位方法,其特征在于,所述第二神经网络为用于判断获取的所述深度图像是否属于恶意攻击的防伪卷积神经网络,所述通过第二神经网络判断所述归一化后的手掌区域的深度图对应的实际场景中是否包含真人手掌,包括:
将所述归一化后的手掌区域的深度图送入第二神经网络中;
通过所述第二神经网络得到判断值,...
【专利技术属性】
技术研发人员:陈俊逸,
申请(专利权)人:长沙小钴科技有限公司,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。