3D Hand Pose Estimation Using Randomized Decision Forest with Segmentation Index Points

最新推荐文章于 2022-09-21 22:18:06 发布

铿锵的玫瑰

最新推荐文章于 2022-09-21 22:18:06 发布

阅读量295

点赞数

分类专栏：论文大全

本文链接：https://blog.csdn.net/LYKymy/article/details/94375639

版权

162 篇文章 9 订阅

订阅专栏

Abstract

Tang等人建议使用包含随机二叉决策树集合的潜在回归森林（LRF）框架进行手位估计。其算法的一个关键创新是使用潜在树模型（LTM）在树推理过程中指导骨骼关节的搜索过程，并以无监督的数据驱动方式学习LTM。
本文提出的手位估计算法也以RDF为基本框架 , 我们引入了一种新的思想，即分割索引点（SIPS），来指导搜索过程，而不是使用LTM。
与预先学习并固定用于不同姿势的LTM相比，SIP更灵活，并能自动调整姿势变化。因此，SIP有效地适应大的姿势扭曲和关节。
本文所提框架的优势：

人体姿态估计算法是肖顿等人的研究成果。他们使用RDF为人体的所有像素指定标签，并进一步推断人体关节的位置。
他们使用了相同的RDF方法，但每个标记的像素将为每个关节提出一个移位矢量，平均移位矢量将得出最终关节位置。这种方法大大提高了内体关节的准确性，即使它们是闭塞的。
作为一种非基于模型的方法，Keskin等人将RDF改进为多层，以解决姿势可变性问题。他们将手的姿势分配给相应的形状类，并使用为该类专门训练的姿势估计器。
与以前大多数基于森林的算法相比，它们的解决方案使用了一个独特的LRF框架，该框架由无监督潜在树模型（LTM）指导。该算法是非常有效的，它不给像素分配标签，而是执行二分法的分治搜索过程。
我们的工作受到了[27]和[8]的启发，可以看作是一种由建议的分割索引点（sips）指导的粗到细骨骼关节搜索算法。低水平sips在决策林中始终保持较高水平sips的偏移向量，这些sips收敛到叶中的真手骨骼关节位置。

主框架设计为二元随机决策树（RDF），由一组随机决策树（RDT）组成。
对于每个RDT，输入手三维点云递归地划分为两个内聚子区域，直到每个子区域仅包含一个骨骼关节。然后，对所有RDT进行加权投票，以报告所有手骨关节的位置。
为了更好地划分手部拓扑结构，提高检测精度，我们引入SIPS作为这些子区域的指导。
发展随机决策树（RDT）的目的是建立一个树结构，用于搜索输入深度图像和检索手的所有骨骼关节。
在RDT中，我们在树之间放置一个特殊的缓存来记录sip及其相应的信息。RDT有三部分节点类型：拆分节点、划分节点和叶节点。拆分节点对输入数据使用RBF，并决定将它们路由到左侧或右侧。划分节点将当前搜索手分区划分为两个不相交的较小子区域，并将输入数据并行地沿两条路径传播。当我们到达RDT中的叶节点时，报告了单个骨骼关节的搜索端和位置。

本文进一步改进了文献中的工作，提出了一种新的基于SIPS的随机决策林（RDF），以实现单深度图像的实时三维手位估计。手部姿势估计框架不受某个已知固定手部拓扑模型的指导，因此，可以在RDF树的每个层次上实现更灵活的手部骨骼关节聚类。在输入训练原始数据图像标签受视点限制的情况下，该策略能更好地处理清晰度。由于运行时速度非常低，仍然处于实时水平，因此我们的实现优于最先进的算法。

关注