手势估计- Hand Pose Estimation

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

               

1. 目前进展

1.1 相关资料

     1） HANDS CVPR 2016

     2） HANDS 2015 Dataset

     3） CVPR 2016

     4） Hand 3D Pose Estimation (Computer Vision for Augmented Reality Lab)    

     5） CVPR2016 Tutorial: 3D Deep Learning with Marvin

     6） MSRA Hand Dataset    

     7） NYU Depth Dataset V2    

     8） Hand Gesture Datasets RGB-D Dataset from Multimedia Technology and Telecommunications Laboratory

     9） HandNet RGB-D Dataset

     10） LibHand

     11） Dexter 1 Dataset

     12） Vehicles and Applications (VIVA) Challenge

         13） Hand Pose Estimation & Hand Gesture Recognition（Papers Reading List in CVPR 2016）

         14） HAND DATASETS AND METHODS

     15）

1.2 流程

     基本流程如下：

     1）Detect and Segment Hand

     2）Estimate Pose

     3）Validate or Refine

1.3 困难

      手势识别困难之处：

      1）手分辨率低（Low-res hand）

      2）背景杂乱（Clutter background）

      3）手与其它对象交互（Object/surface interaction）

      4）手被遮挡（Occlusions/Self-occlusions）

      5）不同手势相似（Self-similarity）

      6）多自由度（many DoF(Degree of Freedom)）

      7）多视角（Multiple viewpoints）

      8）不同的形状和尺寸

1.4 组件

      1）Training sets

      2）Testing sets

      3）Models

1.5 生成方法与判别方法

      数据驱动方法（Data-Driven）更有优势，因为它不需要复杂的模型校准；且即使初始化很差，其结果照样健壮（即对初始化的依赖性不高）。

      - holistic (coarse to fine)

      - 手势识别：Hand Gesture Recognition

      - 动作识别：Action Recognition

      - 手势估计方法 ：生成方法和判别方法

1.5.1 生成方法（Generative Methods）

          生成方法 （基于模型）（Generative mthods: model-based）

         - 步骤：首先，创建大量的手势；然后， 选择一个最匹配当前深度图像的手势

         - 目标函数（objective function）：基于输入深度图与手模型近似深度图的相似性，然后对此目标函数进行优化，以找到最接近的手模型。

         - 缺点：

          （1）优化(找最匹配的)计算量大 

          （2）其精确性高度依赖人工创建的相似性函数（similarity function）

          （3）如果前面的估计不准确，易于出现错误累积

          （4）为减轻普遍存大的模型漂移（model drift），近来采用“优化+重新初始化”范式

1.5.2 判别方法（Discriminative Approaches）

          判别方法（基于外貌）（Discriminative approaches：appearane based）

         - 学习从深度图像到手势配置的映射（手势配置 = mapping(深度图像)）

         - 手深度图低分辨率、自我遮挡、快速移动会产生大量错误

         - 基于局部回归（local regression）的方法：可以提高对遮挡的鲁棒性，但是易产生帧间抖动

1.6 手势姿态估计方法

1.6.1 方法分类

      1）追踪与检测（Trackers versus Detectors）：