基于機(jī)器學(xué)習(xí)的深度融合手勢(shì)識(shí)別與交互技術(shù)研究

摘 要：動(dòng)態(tài)手勢(shì)序列傳遞的信息同時(shí)存在于空間域和時(shí)間域范圍，與僅包含空間域信息的靜態(tài)圖像相比更加復(fù)雜。因此，提取有效的手勢(shì)特征，捕獲手勢(shì)序列時(shí)空上下文所表達(dá)的信息是識(shí)別手勢(shì)的關(guān)鍵步驟。有效手勢(shì)特征應(yīng)當(dāng)具有健壯性、泛用性、緊湊性、簡(jiǎn)潔性、易于實(shí)現(xiàn)等特點(diǎn)，減少冗余信息以避免后續(xù)算法發(fā)生過(guò)擬合，突出不同手勢(shì)類(lèi)別類(lèi)間差異、減少相同手勢(shì)類(lèi)別類(lèi)內(nèi)差異，以降低后續(xù)算法的回歸、分類(lèi)難度。然而，目前還沒(méi)有能夠完全滿(mǎn)足上述特點(diǎn)的描述方法。因此，如何選取并組合手勢(shì)時(shí)空上下文的描述特征依然是手勢(shì)檢測(cè)識(shí)別方法中具有挑戰(zhàn)性的問(wèn)題。

關(guān)鍵詞：手勢(shì)識(shí)別；計(jì)算機(jī)視覺(jué)；特征提取

一、研究背景與意義

在人機(jī)交互領(lǐng)域中，人體手勢(shì)檢測(cè)識(shí)別是重要的研究方向之一，其研究目標(biāo)可概括為解釋特定上下文場(chǎng)景中人類(lèi)行為所表達(dá)的意義。這些行為包括身體整體的運(yùn)動(dòng)，也包括身體部件的局部運(yùn)動(dòng)，例如軀干、腿部、手臂、手部、頭部的運(yùn)動(dòng)。其中，基于視覺(jué)的手勢(shì)識(shí)別方法是最為自然和符合人類(lèi)直覺(jué)的方法之一，能夠?yàn)橛脩?hù)提供一種非侵入性的交互方式，在無(wú)法進(jìn)行物理接觸或聲音難以傳達(dá)的交互場(chǎng)景中起到尤為重要的作用，因此受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。

在手語(yǔ)翻譯領(lǐng)域中，計(jì)算機(jī)能夠通過(guò)手勢(shì)檢測(cè)識(shí)別技術(shù)理解動(dòng)態(tài)人體手勢(shì)傳遞的信息，進(jìn)一步通過(guò)翻譯技術(shù)將信息翻譯為不同種類(lèi)的文字或語(yǔ)音，幫助聽(tīng)力受損或語(yǔ)言障礙人群進(jìn)行溝通交流，或幫助有學(xué)習(xí)能力障礙的人群與計(jì)算機(jī)交互。

基于計(jì)算機(jī)視覺(jué)的手勢(shì)檢測(cè)識(shí)別技術(shù)也存在巨大的學(xué)術(shù)價(jià)值，其方法涉及到多個(gè)基礎(chǔ)研究領(lǐng)域，包括計(jì)算機(jī)圖形學(xué)、信號(hào)處理、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等等，能夠起到促進(jìn)相應(yīng)學(xué)科理論研究的作用。

二、關(guān)鍵手勢(shì)特征描述與識(shí)別技術(shù)

（一）空間特征提取方式

針對(duì)2D手形表示的構(gòu)建問(wèn)題，本章提出了一種基于Fisher向量編碼方法的2D手形表示，該方法從分割出的人手二值圖像中為手的每個(gè)輪廓點(diǎn)提取三種幾何特征，包括距離、角度和曲率，這些幾何特征的組合構(gòu)成一個(gè)局部描述子，然后使用Fisher向量編碼方法對(duì)所有的局部描述子進(jìn)行編碼，從而得到整個(gè)2D手形的Fisher向量表示。靜態(tài)手勢(shì)識(shí)別方法的框架圖如圖1所示。

（二）手部重要特征點(diǎn)檢測(cè)

為了提取本章所提出的三類(lèi)幾何特征，需要先獲取手部一些重要的特征點(diǎn)，包括人手邊界點(diǎn)、手掌中心、整個(gè)人手中心以及邊界點(diǎn)中心。本章使用Canny邊緣檢測(cè)器提取人手邊界點(diǎn)，并且剔除掉手腕線(xiàn)上的邊界點(diǎn)，因?yàn)樗鼈儗?duì)不同的2D手形不具有判別性。所有的邊界點(diǎn)構(gòu)成一個(gè)集合，記為B，后面將會(huì)為每個(gè)邊界點(diǎn)計(jì)算一個(gè)局部描述符。由于手部邊界噪聲的存在，通過(guò)歐式距離變換獲取的粗略的手掌中心與真實(shí)的手掌中心之間的位置偏差可能較大，本章采用一種迭代腐蝕方法對(duì)手掌中心重新進(jìn)行估計(jì)。

三、視頻中手部特征點(diǎn)的檢測(cè)與跟蹤

在對(duì)手部特征點(diǎn)進(jìn)行檢測(cè)與跟蹤的過(guò)程中需要對(duì)人手進(jìn)行檢測(cè)與跟蹤，而對(duì)手部特征點(diǎn)的檢測(cè)與跟蹤又有助于對(duì)人手進(jìn)行檢測(cè)與跟蹤，即二者是相輔相成的。

對(duì)于RGB視頻而言，在最開(kāi)始的幾幀中，使用一個(gè)已經(jīng)訓(xùn)練好的人手檢測(cè)器來(lái)對(duì)人手進(jìn)行定位。在本章中使用Harr-like特征訓(xùn)練一個(gè)人手分類(lèi)器用于實(shí)時(shí)的人手檢測(cè)。對(duì)深度視頻而言，可以直接使用深度閾值濾波方法對(duì)人手進(jìn)行定位。當(dāng)檢測(cè)到人手的移動(dòng)距離超過(guò)某個(gè)閾值時(shí)，一個(gè)動(dòng)態(tài)手勢(shì)被認(rèn)定為開(kāi)始被執(zhí)行。然后采用稀疏光流法對(duì)人手進(jìn)行跟蹤，并同時(shí)對(duì)手部特征點(diǎn)進(jìn)行檢測(cè)與跟蹤。

同樣，在跟蹤的過(guò)程中如果發(fā)現(xiàn)連續(xù)多幀中人手的移動(dòng)距離小于某個(gè)閾值，則認(rèn)為該動(dòng)態(tài)手勢(shì)已經(jīng)結(jié)束了。為了表述方便，后續(xù)章節(jié)中默認(rèn)已經(jīng)獲得了分割好的動(dòng)態(tài)手勢(shì)視頻。對(duì)于每幀中得到的人手跟蹤結(jié)果，即包含人手的包圍框（Bounding Box），需要進(jìn)一步進(jìn)行人手分割處理，以消除背景區(qū)域的影響。由于不需要獲得精確的人手分割結(jié)果，對(duì)于RGB視頻，然后，在分割得到的手部區(qū)域中提取特征點(diǎn)（將特征點(diǎn)的集合記為S1t，其中t表示當(dāng)前幀的索引）并計(jì)算它們的光流，用于對(duì)特征點(diǎn)和人手進(jìn)行跟蹤。本章使用FAST角點(diǎn)作為特征點(diǎn)，因?yàn)镕AST角點(diǎn)具有較高的計(jì)算效率，并使用金字塔（Pyramid）Lucas-Kanade算法計(jì)算特征點(diǎn)的光流。由于分割得到的手部區(qū)域中可能含有背景區(qū)域，比如與人手相連的膚色類(lèi)背景區(qū)域，一些特征點(diǎn)也可能會(huì)位于背景區(qū)域，需要對(duì)它們進(jìn)行過(guò)濾。

上述所提出方法的核心創(chuàng)新點(diǎn)在于根據(jù)動(dòng)態(tài)手勢(shì)中所包含的時(shí)空信息提取具有代表性的局部描述符，即為手部興趣點(diǎn)（包括視頻數(shù)據(jù)中手部區(qū)域的特征點(diǎn)或3D骨架序列中手部關(guān)節(jié)點(diǎn)）計(jì)算局部描述符，并采用特征協(xié)方差矩陣編碼方法對(duì)所有的局部描述符進(jìn)行融合，獲得一個(gè)緊湊的動(dòng)態(tài)手勢(shì)表示。

四、總結(jié)

手勢(shì)識(shí)別用于對(duì)手勢(shì)進(jìn)行分類(lèi)，手勢(shì)估計(jì)用于對(duì)手部關(guān)節(jié)點(diǎn)的位置進(jìn)行估計(jì)，而手勢(shì)認(rèn)證用于對(duì)用戶(hù)的身份進(jìn)行認(rèn)證，它們彼此之間聯(lián)系緊密，是基于視覺(jué)的非接觸式手勢(shì)交互中的關(guān)鍵技術(shù)。本文的研究工作圍繞基于視覺(jué)的手勢(shì)識(shí)別、估計(jì)與認(rèn)證展開(kāi)，研究的內(nèi)容包括：面向RGB或深度圖像的靜態(tài)手勢(shì)識(shí)別方法；面向RGB或深度視頻以及3D人手骨架序列的動(dòng)態(tài)手勢(shì)別方法；面向單張深度圖像的3D手勢(shì)估計(jì)方法；面向RGB視頻的動(dòng)態(tài)手勢(shì)認(rèn)證方法。然后使用協(xié)方差矩陣編碼方法對(duì)所有的局部描述符進(jìn)行編碼，獲取整個(gè)動(dòng)態(tài)手勢(shì)的特征協(xié)方差矩陣描述符，由于特征協(xié)方差矩陣構(gòu)成一個(gè)黎曼流形，無(wú)法使用歐式空間的度量方式進(jìn)行分析，需要使用矩陣對(duì)數(shù)操作將特征協(xié)方差矩陣映射到歐式空間中，獲得相應(yīng)的對(duì)數(shù)協(xié)方差矩陣表示。

參考文獻(xiàn)：

[1]夏晨星，陳欣雨，孫延光，等.集成多種上下文與混合交互的顯著性目標(biāo)檢測(cè)[J/OL].電子與信息學(xué)。

[2]劉永濤，劉永杰，孫斐然，等.基于深度學(xué)習(xí)的交警動(dòng)態(tài)手勢(shì)檢測(cè)與識(shí)別方法研究[J/OL].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版）：1-7[2024-06-27].