Google is Designing An Advanced Hand Gesture Recognition Sensor
來源：科技行者
谷歌公司的科學家們研究出一種新的電腦視覺方法，用於實現手部感知。該方案能夠在實機實驗中，僅憑一幀圖像辨識出一隻手（或者多只手）上的 21 個 3D 點位。只要在手機上就能進行即時追蹤，並且還能同時追蹤多只手，可辨識遮擋。
即時手形與動作跟蹤方案，一直是手語辨識與手勢控制系統中，最為核心的組成部分，同時在部分增加現實體驗中，也扮演著重要角色。然而，現有技術往往因為遮擋，或者缺乏對比模式等問題的困擾，無法提供理想的可靠性。
面對這一現實挑戰，谷歌公司的科學家們研究出一種新的電腦視覺方法，用於實現手部感知。作為幕後推手，機器學習技術為提供了強大助力。根據介紹，該方案能夠在實機實驗中僅憑一幀圖像辨識出一隻手（或者多只手）上的 21 個 3D 點位。與目前市面的手勢辨識技術相比，谷歌的全新技術，不需要依賴桌上型電腦來計算，只要在手機上就能進行即時追蹤，並且還能同時追蹤多只手，可辨識遮擋。
早在今年6月，谷歌就在 2019 電腦視覺與模式辨識大會上，公佈了此項技術的預覽版本。2月之後，谷歌於美國時間8月20日正式宣佈，將該技術整合於引入 MediaPipe 當中。
MediaPipe 是一套開源跨平台框架，用於建構多模應用機器學習流水線，可以處理不同模態（例如視訊與音訊）中的感知數據。該項目的源代碼，以及端到端使用場景，目前都已經在 GitHub 上全面公開。
研究工程師Valentin Bazarevsky和Fan Zhang在博文他們的當中寫道：「感知手部形狀與運動姿態的能力，有望成為改善各類技術表現，及平台用戶體驗的重要助力。
我們希望將這種手部感知功能，交付至更為廣泛的研究與開發社區處，利用大家的力量，共同促進創新用例的出現，刺激新的應用方式，並開拓出前所未有的研究途徑。」
據瞭解，谷歌的這一技術包含三套串聯工作的AI模型：一個手掌探測模型（BlazePalm）用於分析框體，並返回手部動作邊框；一個手部標記模型（Landmark），用於查看由手掌探測器定義的裁剪後圖像區域，並返回 3D 位點；一個手勢辨識模型，用於將之前計算得出的位點，歸類為一組手勢。
BlazePalm：手部辨識絕不像聽起來那麼簡單。GlazePalm必須能夠解決手部遮擋，這一現實難題。為此，谷歌團隊訓練出一款手掌探測器 BlazePalm ——注意，是手掌而不是手部。他們認為，對拳頭這類物體進行邊界框描繪，在難度上要比跟蹤手指低得多。
具體地，BlazePalm 可以辨識多種不同手掌大小，具備較大的縮放範圍，還能辨識手部遮擋，能透過辨識手臂、軀幹或個人特徵等資訊準確定位手部。
除此之外，這種方式還有另一大優勢，就是能夠很好地相容握手等特殊場景，利用忽略其它寬高比條件的方形邊框模擬手掌，從而將所需的 3D 點數，縮減至以往的三分之一到五分之一。據統計，經過訓練之後， BlazePalm 辨識手掌的準確率可以達到 95.7％。
Landmark：在手掌檢測之後，手部標記模型開始接管，負責在檢測到的手部區域之內，建立21個由手到肘的 3D 定位坐標。在訓練當中，模型要求研究人員手動注釋多達 3 萬份真實場景下的圖像，並立足多種背景對相應座標，進行渲染和映射，最終創建出高質量的合成手部模型。據統計，在經過訓練後，算法的平均回歸誤差可降低到 13.4％。
手勢辨識模型：流水線上的最後一步是手勢辨識，該模型利用關節旋轉角度，來確定每根手指的狀態（如彎曲或伸直），並將手指狀態集合與預定義的手勢映射起來，進而預測基礎的靜態手勢。Bazarevsky 和 Zhang 介紹稱，該模型能夠辨識來自多種文化（例如美國、歐洲與亞洲）的算數手勢，以及握拳、「OK」、「搖滾」、「蜘蛛人」等常見手勢。
除此之外，這些模型也可以執行對應的單獨任務，例如利用顯卡進行圖像裁剪與渲染，從而節約運算資源；並且，手掌探測模型只有在必要時才運行 —— 因為在大多數時段內，後續影像幀內的手部位置，只憑運算出的手部關鍵點，即可推理得出，不再需要手掌探測器的參與。也就是說，只有當推理置信度低於某個臨界值時，手部檢測模型才會重新介入。
展望未來，Bazarevsky、Zhang 及其團隊，還計劃建立更強大且、更穩定的跟蹤擴展技術，同時增加能夠可靠檢測出的手勢數量，並考慮支持即時動態手勢辨識。
他們總結道：「我們相信，這項技術的發佈，將為研究及開發者社區帶來助力，幫助他們發現更多新的創意與應用方向。」
 |
沒有留言:
張貼留言