一种交警手势识别方法及装置

计算;推算;计数设备的制造及其应用技术1.本发明涉及手势识别技术领域，尤其涉及一种交警手势识别方法及装置。背景技术：2.手势识别已成功应用于多种领域，包括：驾驶辅助领域、安全认证领域以及活动识别领域等。而人类手势识别多是通过使用摄像头设备或者传感器等来跟踪人类的手势并获取人类的手势数据。3.自动驾驶技术是依靠视觉、gps、雷达、监控系统等多方面的协作来实现的，无需借助人类的操作即可通过感知周围环境来进行自动控制车辆，为人们的生活提供了便利。4.但是，在交通信号失灵，车辆行驶高峰或者交警查车等状况下，自动驾驶技术就无法完全解决路上的行驶问题。5.为了解决上述问题，现有通常会采用摄像头或者其他传感器等设备来跟踪交警的手势运动，并进行识别，但是，这样的识别技术多是对图像的处理，耗时也耗电，对于高速运行的交通系统来说，识别效率低，无法满足高速的交通系统的需求。6.因此，如何提高交警手势的识别效率是目前亟待解决的技术问题。技术实现要素：7.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的交警手势识别方法及装置。8.第一方面，本发明提供了一种交警手势识别方法，包括：获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数；基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，所述关键点为交警人体骨骼关键点；基于所述关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；基于所述识别模型，对采集到的目标交警手势进行识别。9.进一步地，所述获取多个历史交警指挥手势视频之后，还包括：对每个历史交警指挥手势视频删除背景图像，保留交警的身体轮廓。10.进一步地，所述基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，包括：基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中交警的左肘、左腕、右肘、右腕的位置以及确定参考点位置；基于所述左肘、左腕、右肘、右腕的位置以及参考点位置，确定每帧交警手势图像中，交警的左肘、左腕、右肘、右腕分别与参考点之间的距离；基于所述距离，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。11.进一步地，确定参考点位置，包括：获取交警的左脚踝位置和右脚踝位置；将所述左脚踝位置和所述右脚踝位置的中点确定为参考点位置。12.进一步地，所述基于所述距离，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，包括：在每个历史交警指挥手势视频中，将每帧交警手势图像中所对应的交警的左肘、左腕、右肘、右腕分别与参考点之间的距离，按照参考点的预设编号顺序排布作为矩阵的纵向数据，所述参考点的预设编号顺序具体为将左肘、左腕、右肘、右腕按照预设规则排布的编号顺序，所述矩阵为所述关键点移动轨迹时间序列所形成的数据；将每帧交警手势图像所对应的交警的左肘、左腕、右肘、右腕分别与参考点之间的距离，按照每帧交警手势图像的时间先后顺序作为矩阵的横向数据，以此确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。13.进一步地，所述基于所述关键点移动轨迹时间序列，构建用于识别交警手势的识别模型，包括：采用自适应的动态时间规整算法对所述关键点移动轨迹时间序列进行处理，得到用于识别交警手势的识别模型。14.进一步地，所述采用自适应的动态时间规整算法对所述关键点移动轨迹时间序列进行处理，得到用于识别交警手势的识别模型，包括：将所述关键点移动轨迹时间序列标注相应的交警手势信号名称，所述交警手势信号名称包括：停车、直行、左转、左转等待、右转、变更车道、减速和靠边；将所述关键点移动轨迹时间序列以及相应的交警手势信号名称作为样本，并将所述样本划分为训练样本和测试样本；采用自适应的动态时间规整算法对所述训练样本进行处理，得到用于识别交警手势的识别模型；基于所述测试样本，对所述识别模型进行测试。15.第二方面，本发明还提供了一种交警手势识别装置，包括：视频数据获取模块，获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像；关键点数据提取模块，用于基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，关键点为交警人体骨骼关键点；模型构建模块，用于基于所述关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；手势识别模块，用于基于所述识别模型，对采集到的目标交警手势进行识别。16.第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现第一方面中所述的方法步骤。17.第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面中所述的方法步骤。18.本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本发明提供了一种交警手势识别方法，包括获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数；基于多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，该关键点为交警人体骨骼关键点；基于所述关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；基于识别模型，对采集到的目标交警手势进行识别，进而在识别交警手势时，通过对关键点移动轨迹时间序列进行处理，相较于图像处理而言降低了处理量，在对交警手势识别时，提高了交警手势的识别效率。附图说明19.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：图1示出了本发明实施例中交警手势识别方法的步骤流程示意图；图2示出了本发明实施例中交警人体骨架模型中的关键点示意图；图3示出了本发明实施例中交警手势识别方法的具体流程示意图；图4示出了本发明实施例中交警手势识别装置的结构示意图；图5示出了本发明实施例中实现交警手势识别方法的计算机设备的结构示意图。具体实施方式20.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。21.实施例一本发明的实施例提供了一种交警手势识别方法，如图1所示，包括：s101，获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数；s102，基于多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列；s103，基于关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；s104，基于识别模型，对采集到的目标交警手势进行识别。22.在具体的实施方式中，s101，获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数。23.具体地，通过采集不同场景、不同移动速度下的若干交警指挥手势视频，其中，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数。具体地，1s中会采集15帧图像，一个交警指挥手势视频大概是4s，因此，一个历史交警指挥手势视频大概包括40~50帧图像。24.上述采集的交警指挥手势视频可以是不同交警所产生的，比如，不同身高、体重的交警。25.在获取多个历史交警指挥手势视频之后，对每个历史交警指挥手势视频删除背景图像，保留交警的身体轮廓。以提高后期数据提取的准确性。26.接下来，执行s102，基于多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，该关键点为交警人体骨骼关键点。27.首先，基于该多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中交警的左肘、左腕、右肘、右腕的位置以及确定参考点位置。28.然后，基于左肘、左腕、右肘、右腕的位置以及参考点位置，确定每帧交警手势图像中，交警的左肘、左腕、右肘、右腕分别与参考点之间的距离。29.最后，基于该距离，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。30.在确定每个历史交警指挥手势视频中交警的关键点位置和确定参考点位置时，以图2所示的交警人体骨架模型为例，找到该人体骨架模型中的左肘201、左腕202、右肘203、右腕204。31.由于从人体每个关节都有不同的自由度，导致手势对人体运动的贡献不同，针对交警手势姿态的特点，提取有效区域可以降低整个系统的计算复杂性，从而提高识别速度。通过对交警的指挥动作进行分析，发现，交警的身体躯干是直立的，下肢传递的有效信息较少，主要是通过上肢动作来传递信息，涉及手臂的运动和头部的转动，由此，本发明中将下半身的关键点数据舍去，而且，头部和肩部的旋转对手势识别的贡献也相对较低，因此，仅考虑左腕、左肘、右腕、右肘的移动轨迹数据。32.该交警人体骨架模型中除了上述的左肘201、左腕202、右肘203、右腕204的关键点之外，还包括：头部、脖子、左肩、右肩、左髋、右髋、左膝、右膝、左脚踝205、右脚踝206。但是，在本发明中仅考虑上述的四种，其他的关键点虽然也可以考虑，但增加了数据处理量，对处理的效果并没有太大影响，因此，舍去其他10个关键点的处理，仅对左肘201、左腕202、右肘203、右腕204这4个关键点进行处理。33.在确定参考点位置时，包括：获取交警的左脚踝205位置和右脚踝206位置；将左脚踝205位置和右脚踝206位置的中点确定为参考点o位置。34.以其中一帧图像为例，左脚踝205坐标为，右脚踝坐标为，得到参考点o坐标为。z的计算方法如下：（1）将交警人体骨骼模型的整体身高h作为基准，获取每个关键点距离参考点o之间的距离。35.由于每个历史交警指挥手势视频包括p帧连续的交警手势图像，比如，对于一个“停止”的交警指挥手势视频，获得的是该“停止”的交警指挥手势的关键点移动轨迹时间序列。36.以该帧图像中的左腕202坐标为例，在当前帧中，左腕202与参考点o的距离的计算方法如下：（2）在基于每个关键点与参考点o之间的距离，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，包括：在每个历史交警指挥手势视频中，将每帧交警手势图像中所对应的交警在左肘、左腕、右肘、右腕分别与参考点之间的距离，按照参考点的预设编号顺序排布，作为矩阵的纵向数据，该参考点的预设编号顺序具体为将左肘、左腕、右肘、右腕按照预设规则排布的编号顺序，所述矩阵为关键点移动轨迹时间序列所形成的数据。37.将每帧交警手势图像所对应的交警的左肘、左腕、右肘、右腕分别与参考点之间的距离，按照每帧交警手势图像的是时间先后顺序作为矩阵的横向数据，以此确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。38.比如，将关键点移动轨迹时间序列形成矩阵时，表示第一帧图像中，第一个关键点与参考点之间的距离。其中，第一个1表示第一帧图像，第二个1表示该帧图像的第一个关键点与参考点之间的距离。39.表示第一帧图像中，第二个关键点与参考点之间的距离。40.依此类推，得到该矩阵的任意一纵向数据，代表任意帧图像的四个维度数据。41.该预设编号顺序具体可以是按照左肘、左腕、右肘，右腕的顺序，当然可以任意设定，在此并不作限定。42.表示任意帧图像的第一关键点与参考点之间的距离，第一关键点与参考点之间的距离随时间变化形成的数组为作为该矩阵的横向数据。43.在考虑多个关键点时，得到如下的关键点移动轨迹时间序列：（3）上述是一个历史交警指挥手势视频最终得到的关键点移动轨迹时间序列，对于多个历史交警指挥手势视频，则得到多个关键点移动轨迹时间序列。44.在具体的实施方式中，若对历史交警指挥手势视频进行交警手势特征提取，具体按照规定的交通安全法及相关条例，得到8种标准的交警手势信号：停车、直行、左转、右转等待、右转、变更车道、减速和靠边。除此之外，还包括交警在不改变交通状况时通常会保持“立正”姿势，根据该“立正”姿势，将历史交警指挥手势视频划分为800个有意义的交警指挥手势。45.然后，按照上述确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列的方式，获得共计800个交警手势关键点移动轨迹时间序列数据。46.接下来，执行s103，基于关键点移动轨迹时间序列，构建用于识别交警手势的识别模型。47.在本发明实施例中，具体采用自适应的动态时间规整算法（dynamic time warping，dtw）对该关键点移动轨迹时间序列进行处理，得到用于识别交警手势的识别模型。48.下面，对得到用于识别交警手势的识别模型进行详细描述。49.将关键点移动轨迹时间序列以及相应的交警手势信号名称作为样本，并将该样本划分为训练样本和测试样本；然后，采用自适应的动态时间规整算法对训练样本进行处理，得到用于识别交警手势的识别模型；基于该测试样本，对该识别模型进行测试。50.具体地，按照上述的例子，先对每个历史交警指挥手势视频中的关键点移动轨迹时间序列标注手势类型y，即，分别表示停车、直行、左转、左转等待、右转、变更车道、减速和靠边。51.将800个交警手势关键点移动轨迹时间序列，分成400个训练集，即训练样本，和400个测试集，即测试样本。52.在采用自适应的动态时间规整算法对训练样本进行处理，得到用于识别交警手势的识别模型，其中，自适应dtw是在独立性dtw和依赖性dtw之间进行选择的方案，即当在使用nn-dtw对一个交警手势关键点移动轨迹时间序列q进行分类时，如果依赖性dtw和独立性dtw下与q最接近邻居的类别不同，则需要预测出最大可能正确的距离函数。53.假设任意两个序列q和c的第m维数据，分别为和，长度为n。如下的式子（4）表示两个序列和中的一条最短路径，即dtw距离。54.， (4)其中，表示两个序列的距离函数，通常选择曼哈顿距离或欧几里得距离等。55.独立性dtw（dtwi）是利用dtw独立测量所有维度的累计距离。定义dtw（，）是q的第m维和c的第m维的dtw距离，则独立性dtw的计算方法为：（5）公式（5）中交警手势关键点移动轨迹时间序列中四个维度的数据都被认为是独立的，dtw可以自由地对每个维度进行独立的扭曲。56.依赖性dtw（dtwd）强制所有交警手势关键点移动轨迹时间序列数据四个维度之间不再具有独立性，使得所有维度的扭曲都相同。57.（6）公式（6）中的是个数据点的欧几里得距离，它是从单维度时间序列数据的dtw推广而得到的，与单维时间序列的dtw类似（公式4），将重新定义为m个数据点的累积距离。其中，是q的第m维中的第i个数据点，是c的第m维中的第j个数据点。58.使用独立性dtw和依赖性dtw距离测量法对一个时间序列t进行分类，可能会出现四种不同的情况。第一是t被依赖性dtw和独立性dtw同时正确分类。第二是t被独立性dtw和依赖性dtw错误分类。第三是t被独立性dtw正确分类，但被依赖性dtw错误分类。第四是t被依赖性dtw正确分类，但被独立性dtw错误分类。把第三种和第四种情况的数据集合分别称为isuccess和dsuccess。本发明使用交警手势移动轨迹的训练集计算出一个阈值threshold。在对测试集进行分类时，将计算出一个得分函数s(x)，并根据s相对于阈值的值来选择信任独立性dtw还是依赖性dtw，如式（7）所示：（7）根据isuccess，dsuccess是否为空集来获得阈值，根据上面四种情况阈值分别为：第一种情况阈值设为1，第二种情况阈值由决策树函数确定，第三种情况阈值为使得分函数s(x)最小化的阈值，第四种情况阈值为使得分函数s(x)为最大值的阈值。在这四种情况中最常见的是第二种情况，这种情况下，使用决策树函数找到一个点使信息增益最大化。59.采用上述的自适应的动态时间规整算法对400个训练样本进行处理，其中，以训练样本中的关键点移动轨迹时间序列作为输入数据，将与关键点移动轨迹时间序列相应的交警手势信号名称作为输出数据，从而得到用于识别交警手势的识别模型。然后，再基于400个测试样本对该识别模型进行测试，以修正该识别模型。60.在得到经过修正后的识别模型之后，执行s104，基于识别模型，对采集到的目标交警手势进行识别。61.在将该方法应用于自动驾驶模式中，能够快速识别出路口交警的手势含义，并根据该手势含义，执行相应的驾驶模式。62.如图3所示，本发明所提供的一种交警手势识别方法，包括：s301，获取多个历史交警指挥手势视频，然后，从多个历史交警指挥手势视频中，s302，提取交警的身体轮廓，接着，利用交警的身体轮廓信息，s303获取交警手势关键点的位置。s304，将交警手势关键点位置转换为移动轨迹数据特征，即关键点移动轨迹时间序列，从而得到s305时间序列数据集。接着，将该时间序列数据集作为样本，并将样本分为训练样本和测试样本。基于采用预设算法对训练集进行处理，s306，得到识别交警手势的识别模型，然后，执行s307，对该识别模型进行测试，以得到准确的识别模型，最后，执行s308，采用该识别模型进行交警手势识别，由于处理过程是对从图像中提取的关键点数据进行的处理，进而提高了识别效率，降低了计算复杂性，能够满足高效的交通系统的需求。63.本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本发明提供了一种交警手势识别方法，包括获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像，p为大于或等于30的整数；基于多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，该关键点为交警人体骨骼关键点；基于该关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；基于识别模型，对采集到的目标交警手势进行识别，进而在识别交警手势时，通过对关键点移动轨迹时间序列，即对数据进行处理，相较于图像处理而言降低了处理量，在对交警手势识别时，提高了交警手势的识别效率。64.而且，本发明由于是对人体轮廓识别的技术已经被广泛应用，因此对采集到的视频图像的分辨率要求不高。65.实施例二基于相同的发明构思，本发明实施例还提供了一种交警手势识别装置，如图4所示，包括：视频数据获取模型401，获取多个历史交警指挥手势视频，每个历史交警指挥手势视频包括p帧连续的交警手势图像；关键点数据提取模型402，用于基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列，该关键点为交警人体骨骼关键点；模型构建模型403，用于基于关键点移动轨迹时间序列，构建用于识别交警手势的识别模型；手势识别模型404，用于基于所述识别模型，对采集到的目标交警手势进行识别。66.在一种可选的实施方式中，还包括删除模块，用于：对每个历史交警指挥手势视频删除背景图像，保留交警的身体轮廓。67.在一种可选的实施方式中，关键点数据提取模块402，包括：第一确定单元，用于基于所述多个历史交警指挥手势视频，确定每个历史交警指挥手势视频中交警的左肘、左腕、右肘、右腕的位置以及确定参考点位置；第二确定单元，用于基于所述左肘、左腕、右肘、右腕的位置以及参考点位置，确定每帧交警手势图像中，交警的左肘、左腕、右肘、右腕分别与参考点之间的距离；第三确定单元，用于基于所述距离，确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。68.在一种可选的实施方式中，第一确定单元，用于：获取交警的左脚踝位置和右脚踝位置；将所述左脚踝位置和所述右脚踝位置的中点确定为参考点位置。69.在一种可选的实施方式中，第三确定单元，用于：在每个历史交警指挥手势视频中，将每帧交警手势图像中所对应的交警的左肘、左腕、右肘、右腕分别与参考点之间的距离，按照参考点的预设编号顺序排布作为矩阵的纵向数据，所述参考点的预设编号顺序具体为将左肘、左腕、右肘、右腕按照预设规则排布的编号顺序，所述矩阵为所述关键点移动轨迹时间序列所形成的数据；将每帧交警手势图像所对应的交警的左肘、左腕、右肘、右腕分别与参考点之间的距离，按照每帧交警手势图像的时间先后顺序作为矩阵的横向数据，以此确定每个历史交警指挥手势视频中的关键点移动轨迹时间序列。70.在一种可选的实施方式中，模型构建模块403，用于采用自适应的动态时间规整算法对所述关键点移动轨迹时间序列进行处理，得到用于识别交警手势的识别模型。71.在一种可选的实施方式中，模型构建模块403，具体用于：将所述关键点移动轨迹时间序列标注相应的交警手势信号名称，所述交警手势信号名称包括：停车、直行、左转、左转等待、右转、变更车道、减速和靠边；将所述关键点移动轨迹时间序列以及相应的交警手势信号名称作为样本，并将所述样本划分为训练样本和测试样本；采用自适应的动态时间规整算法对所述训练样本进行处理，得到用于识别交警手势的识别模型；基于所述测试样本，对所述识别模型进行测试。72.实施例三基于相同的发明构思，本发明实施例提供了一种计算机设备，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器402执行所述程序时实现上述交警手势识别方法的步骤。73.其中，在图5中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。74.实施例四基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述交警手势识别方法的步骤。75.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。76.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。77.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。78.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。79.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。80.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（dsp）来实现根据本发明实施例的交警手势识别装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。81.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!