MediaPipe Hands：设备端实时3D手势姿态跟踪

0.摘要

• 论文主要提出了一种实时的手跟踪方案，从单目RGB图像上预测手的skeleton。
• 方法的pipeline包括2个模型：（1）手掌检测模型（palm detector）；（2）手骨骼估计模型（hand landmark model）。

1. Introduction

• 论文的主要贡献：
  
      （1）一个高效的two-stage手跟踪pipeline，可以在移动设备上实时的跟踪多个手。
  
      （2）一个手姿态估计模型，能够在RGB图像上预测2.5D的手姿态。
  
      （3）一个开源的手跟踪pipeline，作为 ready-to-go的方案，可以运行在多个平台上，如Android, iOS, Web (Tensorflow.js) 和 desktop PCs。

2. 框架

• 本文的手跟踪pipeline包括两个模型： （1）一个手掌检测器，通过预测一个有方向性的手的bounding box在输入的整张图片上进行手定位。 （2）一个hand landmark模型，在手掌检测器根据bounding box裁剪之后的手图片上运行，并返回高保真的2.5D landmarks.
• 在实时的跟踪方案中，我们从上一帧的landmark预测中推导出一个边界框作为当前帧的输入，从而避免了在每一帧上应用检测器。相反，检测器只应用于第一帧或手预测表明手丢失时。

2.1 BlazePalm Detector

• 检测手是一个复杂的任务，模型需要检测很大范围跨度的尺寸的手（~20x），需要检测遮挡和自遮挡的手。与人脸检测相比，人脸有高对比度模型，人手没有类似的特征，使其只通过视觉特征检测相对困难。
• 首先，训练一个palm detector 代替palm detector ，因为检测刚性物体，如手掌或拳头的bounding box会非常容易，与检测具有关节手指的hand相比。此外，palm是更小的目标，non-maximum suppression 算法能够更好的工作，即使在双手自遮挡的情况下，如握手。另外，手掌能够只用正方形bounding box模型化，可以忽略其他长宽比，因此可以减少anchors的数量。
• 其次，使用了一个类似FPN的encoder-decoder特征提取器来应对大场景环境感知，即使是小目标。
• 最后，在训练过程中最小化 focal loss，以支持高尺度方差产生的大量anchors。
• 手掌检测器网络结构如下：
  
• 进行了消融实验的对比：
  

2.2 Hand Landmark Model

进行完手掌检测后，在手定位范围内通过 hand landmark model回归出精确的21个 hand landmarks的2.5D坐标。


   模型有3个输出：

   （1）21个hand landmarks，包含x，y，和相对的depth。

   （2）表示输入图像中手存在的概率的手标志（hand flag）。

   （3）二值分类的handedness，如左手或右手。

3. Dataset and Annotation

本文用到3个数据集：

• In-the-wild dataset：包括6K个各种各样的手图像，如不同的背景纹理、不同的光照、不同的手外表。缺点是数据集不包含复杂的手结构。
• In-house collected gesture dataset：10K数据，包含各种不同角度的可能的手势。缺点是只采集了30个人的手，且背景有限。
• Synthetic dataset：渲染的手模型包括24个bones，36个混合形状（控制手指和手掌的厚度），5种纹理肤色。共100K的图像。
  
• 对于 palm detector，只使用in-the-wild dataset进行训练。
• 对于hand landmark model，使用所有数据集训练。
  
      标注了21个landmarks在真实世界的图片上，在合成图像上使用投射的3D关节的ground truth。
  
      对于 hand presence，我们选择真实世界图像的子集作为正样本，并在排除标注的手区域作为负样本的区域上取样。
  
      对于handedness，我们用handedness标注真实世界图像的子集以提供此类数据。

4. Results

在不同数据集上的验证结果：


   训练了3种模型，经过对比，Full model可以兼顾准确率和时间。

5. MediaPipe graph for hand tracking

6. 手势识别的应用

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删