林依林，林珊玲，林志賢，3*

（1. 福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350116；2. 中國福建光電信息科學(xué)與技術(shù)創(chuàng)新實(shí)驗(yàn)室，福建 福州 350116；3. 福州大學(xué) 先進(jìn)制造學(xué)院，福建 泉州 362200）

1 引 言

姿態(tài)估計(jì)是計(jì)算機(jī)視覺中的熱門研究領(lǐng)域，是對人體姿態(tài)的位置估計(jì)。姿態(tài)估計(jì)一般可以分為單人姿態(tài)估計(jì)（如Open Pose［1］）、多人姿態(tài)估計(jì)（如AlphaPose［2］）、人體姿態(tài)跟蹤、三維人體姿態(tài)估計(jì)。在姿態(tài)估計(jì)的研究中，基于手部的姿態(tài)估計(jì)研究備受青睞。在人所有的姿態(tài)中，手勢占據(jù)了90%，是最主要的人機(jī)交互姿態(tài)。未來的生活場景朝著越來越智能化的方向發(fā)展，智能家居、自動(dòng)駕駛、智慧醫(yī)療及第一視角沉浸式交互等應(yīng)用場景，都離不開手勢交互的身影。

近年來，隨著深度學(xué)習(xí)的發(fā)展，針對手部的三維姿態(tài)估計(jì)研究突飛猛進(jìn)。Cai 等人［3］提出了一種弱監(jiān)督網(wǎng)絡(luò)，使用深度正則化器，將從彩色圖像估計(jì)的三維手勢轉(zhuǎn)換成深度圖，將三維坐標(biāo)估計(jì)損失轉(zhuǎn)化為深度圖損失，有效地解決了三維關(guān)鍵點(diǎn)標(biāo)記獲取困難這一問題。Ge 等人［4］將手部表面網(wǎng)格估計(jì)加入到網(wǎng)絡(luò)中，將彩色圖像估計(jì)的二維手部的熱度圖通過圖形卷積網(wǎng)絡(luò)估計(jì)手表面網(wǎng)格，再通過手表面網(wǎng)格回歸三維手勢。該方法識(shí)別精度較高，但是手表面網(wǎng)格真實(shí)標(biāo)記缺乏，制作合成數(shù)據(jù)也較為困難，數(shù)據(jù)獲取代價(jià)較大。對于RGB 圖像的三維手部姿態(tài)估計(jì)任務(wù)，手部獨(dú)有的嚴(yán)重的自遮擋性和自相似性以及復(fù)雜的背景處理，在缺少深度信息的任務(wù)里并不容易。無約束的自然場景往往包含復(fù)雜的背景和多變的光照條件，要準(zhǔn)確地從第一視角RGB 圖像中檢測出指尖的位置依然是一個(gè)具有挑戰(zhàn)性的問題。 本文在Minimal-Hand［5］的基礎(chǔ)上結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)［6］來解決這種天然的遮擋問題，通過級(jí)聯(lián)的卷積網(wǎng)絡(luò)從粗到細(xì)優(yōu)化關(guān)鍵點(diǎn)位置從而解決不自然的骨架估計(jì)。

2 網(wǎng)絡(luò)結(jié)構(gòu)

2.1 整體網(wǎng)絡(luò)框架

在姿態(tài)估計(jì)中，常見的手部模型有21 關(guān)鍵點(diǎn)、16 關(guān)鍵點(diǎn)、36 關(guān)鍵點(diǎn)。本文采用Open Pose［1］提出的標(biāo)準(zhǔn)手部21 關(guān)鍵點(diǎn)模型。其中編號(hào)為0的關(guān)鍵點(diǎn)是手腕，其余每根手指分別有4 個(gè)關(guān)鍵點(diǎn)：指關(guān)節(jié)、近端指關(guān)節(jié)、遠(yuǎn)端指關(guān)節(jié)、指尖。本文所有對二維和三維的關(guān)鍵點(diǎn)估計(jì)都是建立在該手部模型之上。

用深度學(xué)習(xí)的方法進(jìn)行手部姿態(tài)估計(jì)，一般是分階段進(jìn)行的。本文提出的網(wǎng)絡(luò)框架按照處理目的分為4 個(gè)部分：手部的識(shí)別、手部二維關(guān)鍵點(diǎn)的檢測、手部三維關(guān)鍵點(diǎn)的檢測、手部三維關(guān)鍵點(diǎn)的精細(xì)化調(diào)整。

手部的識(shí)別采用輕量級(jí)網(wǎng)絡(luò)回歸手部邊框（Bounding Box）作為后續(xù)主體網(wǎng)絡(luò)的預(yù)處理操作，使得后續(xù)關(guān)鍵點(diǎn)的定位更加準(zhǔn)確，同時(shí)處理后圖片像素的減少也使得后續(xù)計(jì)算量減小。手部二維和三維關(guān)鍵點(diǎn)的檢測通過搭建卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，依據(jù)區(qū)域或者特征的重要程度對權(quán)重進(jìn)行調(diào)配，引導(dǎo)級(jí)聯(lián)特征提取模塊獲取更加豐富的基礎(chǔ)提取特征，監(jiān)督網(wǎng)絡(luò)主動(dòng)輸出越來越精確的熱度置信圖。手部三維關(guān)鍵點(diǎn)的精細(xì)化調(diào)整是將三維關(guān)鍵點(diǎn)粗結(jié)果基于圖卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化后處理，擬合出更加精確的手部三維關(guān)鍵點(diǎn)坐標(biāo)。

2.2 基于YOLOv3 的手部識(shí)別預(yù)處理網(wǎng)絡(luò)

常見的手部預(yù)處理方法分為基于數(shù)字圖像處理方法和基于深度學(xué)習(xí)方法兩大類。前者一般采取分割算法得到手部掩模定位手部區(qū)域，例如將RGB 圖像轉(zhuǎn)化為灰度圖像再轉(zhuǎn)換成二值圖像并選取二值圖像的前景部分作為手勢提取區(qū)域［7］。

本文采取基于深度學(xué)習(xí)方法的手部預(yù)處理網(wǎng)絡(luò)，如圖1 所示。在進(jìn)入主體網(wǎng)絡(luò)流程前，先采用基于YOLOv3［8］的預(yù)處理網(wǎng)絡(luò)用于將輸入圖片中的手部和混雜的背景剝離。YOLIOv3 相比其他深度學(xué)習(xí)檢測網(wǎng)絡(luò)的優(yōu)勢在于引入Darknet-53 作為骨干網(wǎng)絡(luò)，采用K-means 聚類法［5］回歸出9 種大小不同的先驗(yàn)框，并且根據(jù)金字塔特征圖思想，小尺寸的先驗(yàn)框用于耦合大尺寸的特征圖，大尺寸的先驗(yàn)框用于耦合小尺寸的特征圖，可以很好地整合不同尺度的感受野的特征，識(shí)別輸入圖片中不同占比的手部。我們將自然場景下的圖片輸入預(yù)處理網(wǎng)絡(luò)，通過調(diào)整Darknet-53 網(wǎng)絡(luò)內(nèi)卷積核大小可以控制輸出的特征圖大小，因此對任意尺寸的輸入數(shù)據(jù)經(jīng)過這個(gè)預(yù)處理網(wǎng)絡(luò)都可以輸出固定256×256×3 尺寸的、剝離背景單獨(dú)手部的手部邊框圖片傳輸給接下來的網(wǎng)絡(luò)。

圖1 網(wǎng)絡(luò)流程圖Fig.1 Network flow chart

2.3 基于級(jí)聯(lián)特征提取的手部關(guān)鍵點(diǎn)檢測網(wǎng)絡(luò)

如圖1 所示，二維特征提取模塊使用經(jīng)典的ResNet50［9］網(wǎng) 絡(luò)，輸 入256×256×3 的RGB 圖 像輸出32×32×256 的二維特征圖。相比于直接回歸關(guān)節(jié)點(diǎn)坐標(biāo)，基于熱度圖的方法具有漸變連續(xù)可微分的特點(diǎn)，可以提高坐標(biāo)估計(jì)的精細(xì)程度［10］，因此我們在二維和三維檢測模塊融合多特征熱度圖。

二維檢測模塊是一個(gè)兩層的全連接卷積層。輸入32×32×256 的二維特征圖，輸出二維熱度圖（Heat Maps）。二維熱度圖包含21 個(gè)手部關(guān)鍵點(diǎn)的關(guān)節(jié)預(yù)測置信圖，通過二維高斯函數(shù)編碼每個(gè)像素點(diǎn)被每個(gè)關(guān)鍵點(diǎn)覆蓋的置信度，其公式如式（1）所示：

其中l(wèi)代表第l個(gè)關(guān)鍵點(diǎn)，σ為函數(shù)的寬度參數(shù)，（x，y）代表該點(diǎn)像素坐標(biāo)，（u，v）是中心點(diǎn)坐標(biāo)，即該關(guān)鍵點(diǎn)二維真值（Ground truth）坐標(biāo)。

三維檢測模塊從多熱度圖和特征圖回歸三維手部姿態(tài)。如圖1 所示，將二維特征圖和二維熱度圖（2D Heat Maps）進(jìn)行層級(jí)串聯(lián)，得到二維聯(lián)合特征圖，對二維聯(lián)合特征圖進(jìn)行卷積操作，得到三維偏移熱度圖（3D Delta Maps）。三維偏移熱度圖是子節(jié)點(diǎn)相對于根節(jié)點(diǎn)的三維方向向量，可以很好地反應(yīng)父子節(jié)點(diǎn)之間的位置關(guān)系，將三維偏移熱度圖作為中間熱度圖為三維檢測模塊預(yù)測結(jié)果添加運(yùn)動(dòng)學(xué)約束，使網(wǎng)絡(luò)架構(gòu)嵌入類似手部結(jié)構(gòu)的物理限制。將二維聯(lián)合特征圖和三維偏移熱度圖進(jìn)行層級(jí)串聯(lián)和卷積層操作，分別從XYZ坐標(biāo)軸表示的圖中選擇置信度最大的點(diǎn)所對應(yīng)的值為坐標(biāo)軸的數(shù)值，對XYZ軸都執(zhí)行以上操作，將得到的值保存為三維坐標(biāo)點(diǎn)［11］，就 得 到 了 三 維 位 置 熱 度 圖（3D Location Maps）。三維位置熱度圖和二維熱度圖一樣，反映了每個(gè)像素被每個(gè)手部關(guān)鍵點(diǎn)的三維坐標(biāo)覆蓋的預(yù)測置信度。特征提取網(wǎng)絡(luò)具體級(jí)聯(lián)結(jié)構(gòu)如圖2 所示，為了能更好地預(yù)測三維位置偏移量，我們先預(yù)測一個(gè)二維熱度圖，將其作為三維熱度圖的一個(gè)條件來提升對三維位置預(yù)測的準(zhǔn)確性。之后我們再將二維熱度圖和三維偏移圖作為共同條件和特征結(jié)合在一起去預(yù)測最后的三維位置，通過這樣多層級(jí)聯(lián)的條件來得到更加準(zhǔn)確魯棒的位置信息。

圖2 級(jí)聯(lián)特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Cascade feature extraction network structure

2.4 基于GCN 特征增強(qiáng)的手部骨架回歸網(wǎng)絡(luò)

對于手部骨架而言，它本身是一個(gè)天然的圖結(jié)構(gòu)。因此我們很自然地想到基于圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Network，GCN）方法來獲取它內(nèi)部的隱式關(guān)系［12］。GCN 的計(jì)算過程與信號(hào)處理過程相同，先將卷積核和圖數(shù)據(jù)通過傅里葉變換轉(zhuǎn)換到頻域空間，再對頻域空間的系數(shù)進(jìn)行數(shù)值運(yùn)算，最后進(jìn)行逆傅里葉變換得到卷積后的結(jié)果。

利用上述模塊生成熱圖后，采用積分回歸方法［13］將熱圖表示轉(zhuǎn)化為坐標(biāo)表示，作為GCN 特征增加網(wǎng)絡(luò)的初始輸入姿態(tài)。對熱度圖的初始化姿態(tài)進(jìn)行softed-argmax 操作，將熱圖傳播到Softmax 層中，該層將熱度圖像素值標(biāo)準(zhǔn)化為似然值（0～1）之后，再對似然圖層進(jìn)行積分運(yùn)算求和操作，從而估算關(guān)節(jié)位置：

其中，J?k i表示第k個(gè)關(guān)節(jié)的位置估計(jì)，A表示似然區(qū)域，Hk(p)表示p點(diǎn)上的似然值。因此，每個(gè)熱圖矩陣都包含生成初始姿勢的信息。

熱圖模塊和坐標(biāo)轉(zhuǎn)換相互耦合，使得GCN特征增強(qiáng)網(wǎng)絡(luò)可以獲得更準(zhǔn)確的初始化姿態(tài)，有助于在進(jìn)行校正之前獲得更精確的局部上下文理解。此外，由于尺寸的限制，基于熱圖的表示在一定程度上導(dǎo)致了關(guān)鍵點(diǎn)的量化誤差，轉(zhuǎn)化為坐標(biāo)后可以解決這個(gè)問題。

由于手部姿態(tài)估計(jì)涉及的節(jié)點(diǎn)數(shù)量較多，我們使用切比雪夫多項(xiàng)式進(jìn)行逼近。當(dāng)有n個(gè)節(jié)點(diǎn)時(shí)，得到GCN 層與層之間傳播公式如式（3）所示：

其中，D?=D+I，A?=A+I，I是單位矩陣，A是代表各個(gè)節(jié)點(diǎn)之間位置關(guān)系的n×n維的鄰接矩陣（Adjacency matrix），D?是A?的度矩陣（Degree matrix）。X是輸入層的特征，Z是輸出層的特征，X∈Rn*m，m是特征向量的維度，W是網(wǎng)絡(luò)需要學(xué)習(xí)的權(quán)重，W∈Rm*d，d是輸出向量的維度。

考慮到特征圖之間感受野的由粗到細(xì)，我們在模塊中設(shè)計(jì)了一種從粗到精的學(xué)習(xí)過程，用于增強(qiáng)局部特征學(xué)習(xí)，糾正部分遮擋的手部關(guān)鍵點(diǎn)的坐標(biāo)。由于基于坐標(biāo)的模塊缺少圖像的上下文信息，我們?yōu)槊總€(gè)關(guān)節(jié)位置挖掘了相關(guān)的圖像特征，并融合到模塊中。如圖1 所示，通過雙線性插值采點(diǎn)，將從圖像特征中挖掘出的初始關(guān)鍵點(diǎn)坐標(biāo)（x，y）上的節(jié)點(diǎn)特征輸入到漸進(jìn)圖卷積層中來改善姿態(tài)估計(jì)結(jié)果。漸進(jìn)GCN 特征增強(qiáng)模塊網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，對抽取的每個(gè)圖卷積的節(jié)點(diǎn)特征，我們用3 個(gè)密集連接的GCN 模塊來抽取特征，并通過層級(jí)1、2 的預(yù)測在每個(gè)層級(jí)中進(jìn)行監(jiān)督，在最后一層輸出預(yù)測的三維手部關(guān)鍵點(diǎn)坐標(biāo)。該機(jī)制建立了漸進(jìn)的GCN 架構(gòu)，并通過逐步融合多尺度圖像特征來優(yōu)化關(guān)鍵點(diǎn)輸出。

圖3 漸進(jìn)GCN 特征增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Progressive GCN feature enhancement network structure

2.5 損失函數(shù)

整體網(wǎng)絡(luò)是基于端到端的學(xué)習(xí)，通過多任務(wù)學(xué)習(xí)的策略使得網(wǎng)絡(luò)結(jié)果更好地收斂。損失函數(shù)的定義如式（4）所示：

其中Ω為目標(biāo)點(diǎn)集，對于我們的手部重建的目標(biāo)關(guān)鍵點(diǎn)其個(gè)數(shù)為21 個(gè)；j表示的是第j層圖卷積網(wǎng)絡(luò)的輸出結(jié)果。通過這種多層級(jí)的三維骨架估計(jì)監(jiān)督可以讓網(wǎng)絡(luò)表現(xiàn)出更好的結(jié)果。M是一維度的向量表示關(guān)鍵點(diǎn)掩模，如果關(guān)鍵點(diǎn)存在標(biāo)注數(shù)據(jù)，M[i]=1，否則為0。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)指標(biāo)

對于手部的骨架姿態(tài)估計(jì)而言，其本質(zhì)是一個(gè)回歸問題，回歸問題的指標(biāo)很難通過上述二分類的指標(biāo)來進(jìn)行度量。為了驗(yàn)證模型的優(yōu)越性，這里使用3D 平均準(zhǔn)確性（Percentage of Correct Keypoint，PCK）和2D 的關(guān)節(jié)點(diǎn)相識(shí)性（Object keypoint similarity，OKS）進(jìn)行評(píng)價(jià)。3D PCK 的計(jì)算公式如式（6）所示：

3.2 實(shí)驗(yàn)數(shù)據(jù)集

本文在以下5 個(gè)數(shù)據(jù)集上展開模型的訓(xùn)練和測試，多維度驗(yàn)證我們設(shè)計(jì)的人體手部姿態(tài)估計(jì)器的性能。

CMU Hand Keypoints Detection Dataset［14］是由卡內(nèi)基梅隆大學(xué)發(fā)布的手部骨架估計(jì)的數(shù) 據(jù) 集。Rendered Handpose Dataset（RHD）［15］是由弗萊堡大學(xué)在2017 發(fā)布的手部姿態(tài)渲染數(shù)據(jù) 集。Dexter+Object［16］是2016 年 由 德 國 的 馬 普所發(fā)布的手部重建和手部對象跟蹤的數(shù)據(jù)集。Ego Dexter datasets［17］是 由MPI 于2017 年 發(fā) 布 于ICCV2017 的 數(shù) 據(jù) 集。GANeratedDataset［18］是 由MPI 在CVPR2018 年推出的數(shù)據(jù)集，該數(shù)據(jù)集主要是由GAN 生產(chǎn)的合成數(shù)據(jù)集。

實(shí)驗(yàn)所用數(shù)據(jù)的分布如表1 所示，記錄了數(shù)據(jù)集所含有的標(biāo)注及被本次實(shí)驗(yàn)用作訓(xùn)練集和測試集的數(shù)據(jù)量。此外，原始的Dexter［16］數(shù)據(jù)集有1 912 訓(xùn)練集和846 驗(yàn)證集，但是考慮到更加充分的驗(yàn)證算法，我們將1 912 個(gè)訓(xùn)練集也作為本次實(shí)驗(yàn)的測試集。

表1 實(shí)驗(yàn)所用數(shù)據(jù)分布Tab.1 Distribution of data used in the experiment

3.3 結(jié)果與分析

實(shí)驗(yàn)過程中的數(shù)值曲線如圖4 所示，其中圖4（a）是訓(xùn)練過程中的損失曲線，lossH 是二維熱度圖損失值，lossD 是三維偏移熱度圖的損失值，lossL 是在經(jīng)過漸進(jìn)GCN 模塊后的三維關(guān)鍵點(diǎn)損失值。從圖4（a）可以看出，輸出的粗結(jié)果在經(jīng)過多熱度圖耦合的三維關(guān)鍵點(diǎn)檢測器和漸進(jìn)的GCN 模塊的精細(xì)化調(diào)整后可以收斂出更低的損失值。圖4（b）、（c）、（d）分別表示在RHD［15］、DO［16］、ED［17］測試集下每個(gè)訓(xùn)練周期下的AUC 值。

圖4 網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù)曲線和在驗(yàn)證集下的AUC 精度曲線Fig.4 Loss function curves during network training and AUC accuracy curves under the validation set

本次實(shí)驗(yàn)主要和Xiong Zhang 等人提出的Mesh2HAND［19］、Donglai Xiang 等人提出的Mon-Cap［20］、Adnane Boukhayma 等 人 提 出 的3D pose in the wild［21］以 及Y X Zhou 等 人 提 出 的Minimalhand［5］進(jìn)行對比。

定量的實(shí)驗(yàn)結(jié)果與上述4 種方法比較對照如表2 所示，其中20 mm 和30 mm 分別指當(dāng)閾值取相應(yīng)值時(shí)的PCK 值，AUC 是當(dāng)閾值取20～50 mm時(shí)的PCK 曲線面積值。由表2 可見，我們所改進(jìn)的方法在3D 骨架回歸任務(wù)上的結(jié)果在各個(gè)數(shù)據(jù)集上的AUC 曲線都優(yōu)于其他方法。具體來說，我們所提出的方法相較于Minimal-hand［5］在DO 數(shù)據(jù)集上AUC 大約高了0.8%，在ED［17］數(shù)據(jù)集上比Minimal-hand［5］AUC 大約高了0.7%。對于RHD［15］數(shù)據(jù)集，我們所設(shè)計(jì)的方法比Mesh2 Hand［19］AUC 高了大約3%。就單純的PCK 值而言，我們所提出的方法更加接近于真實(shí)值，在閾值設(shè)為20 mm 處，我們提出的方法在DO［16］數(shù)據(jù)集上比最好的方法高了0.9%，在RHD［15］數(shù)據(jù)集上比最好的方法高了0.8%。雖然在ED［17］數(shù)據(jù)集上略低于最好的方法，但是在閾值30 mm 處，我們提出的方法遠(yuǎn)高于最好的方法（相較于Minimalhand［5］高了大約3.7%）。

表2 本文方法與其他方法實(shí)驗(yàn)結(jié)果對比Tab.2 Comparison of experimental results between this method and other methods

本次實(shí)驗(yàn)的操作系統(tǒng)為Ubantu18.04，CPU核為i5-6500，GPU 的配置為GTX-2080 11 GB。在圖像分辨率為256×256 的情況下，對算法處理時(shí)間和所需功耗進(jìn)行分析。如表3 所示，算法所需的推理時(shí)間為52 ms，算法所需的每秒浮點(diǎn)計(jì)算量（FLOPs）為9.3×108次。結(jié)合算法對照實(shí)驗(yàn)分析可知，我們提出的算法在處理時(shí)間上和模型復(fù)雜度上處于較優(yōu)水平，不僅推理時(shí)間和計(jì)算量近 似 于Minimal-hand［5］，而 且 姿 態(tài) 估 計(jì) 精 度 在 多個(gè)數(shù)據(jù)集上都超過了Minimal-hand［5］的效果。

表3 推理速度與浮點(diǎn)計(jì)算量比較Tab.3 Comparison of the time of inference and FLOPs

該結(jié)果表明在不影響算法速度的情況下，我們提出的算法在效率上得到了較大的提升，識(shí)別推理的幀率（Frames Per Second，F(xiàn)PS）達(dá)到了19.23，因此該算法可以使用在視頻流的實(shí)時(shí)手部骨架檢測中。與此同時(shí)，較小的計(jì)算量滿足了對模型低功耗、輕量化的需求。

我們選擇在上述定量分析中4 個(gè)對照方法中精度指標(biāo)表現(xiàn)最好的Minimal-hand［5］作為定性分析對象。定性的可視化結(jié)果如圖5所示（在RHD［15］測試集上的檢測結(jié)果）。從圖中高亮部分的細(xì)節(jié)可以看出，本文算法在測試集上的結(jié)果明顯優(yōu)于Minimal-hand［5］算法。在引入漸進(jìn)GCN 模塊后，手部骨架耦合了圖結(jié)構(gòu)的約束，使得其在一些自遮擋比較嚴(yán)重的場景下，也能夠檢測出合理的結(jié)果。

圖5 可視化實(shí)驗(yàn)結(jié)果對比Fig.5 Comparison of visualization experimental results

在自然場景下，涉及手物交互時(shí)骨架回歸結(jié)果如圖6 所示。由于人手在抓取物體過程中出現(xiàn)了大面積的遮擋，導(dǎo)致骨架回歸結(jié)果在尺度的還原上有些許偏差。除了部分關(guān)鍵點(diǎn)遮擋因素外，我們分析誤差的產(chǎn)生還有以下原因：由于當(dāng)前手部3D 訓(xùn)練數(shù)據(jù)集真實(shí)數(shù)據(jù)不足，因此參與實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)大多是CG 合成的虛擬3D數(shù)據(jù)集，或者是通過實(shí)驗(yàn)室設(shè)備所收集的特定場景下標(biāo)定好的真實(shí)數(shù)據(jù)集，并且單目RGB 相機(jī)在投影時(shí)失去了深度信息。因此將該算法用于自然場景下時(shí)，存在著較大的狀態(tài)空間誤差（Domain Gap），從而導(dǎo)致了些許計(jì)算誤差。此外，最終輸出的3D 坐標(biāo)的回歸在一定程度上依賴于初始化的3D 坐標(biāo)位置，在初始坐標(biāo)位置偏差較大時(shí)，會(huì)導(dǎo)致系統(tǒng)估計(jì)的姿態(tài)坐標(biāo)產(chǎn)生回歸誤差。

圖6 自然場景下的可視化結(jié)果Fig.6 Visualization results in the wild

盡管如此，本文模型在精度指標(biāo)上和大致的形體姿態(tài)上還是表現(xiàn)得足夠精準(zhǔn)，總體上算法可以在自然場景下給出合理的估計(jì)結(jié)果，這體現(xiàn)了我們算法整體的魯棒性。

4 結(jié) 論

本文所提出的三維手部姿態(tài)估計(jì)算法通過結(jié)合人體關(guān)節(jié)結(jié)構(gòu)之間的基本約束信息以及級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)和漸進(jìn)圖卷積神經(jīng)網(wǎng)絡(luò)挖掘出的特征圖中包含的被遮擋關(guān)鍵點(diǎn)的相關(guān)數(shù)據(jù)，能夠精確地調(diào)整被遮擋關(guān)鍵點(diǎn)的位置，對于人體手部骨架的檢測有較高的正確率。我們在3 個(gè)公開數(shù)據(jù)集上驗(yàn)證了網(wǎng)絡(luò)性能，與現(xiàn)有的4 種算法進(jìn)行實(shí)驗(yàn)比對，本文算法在30 mm 閾值下的PCK 精度表現(xiàn)非常出色，最低精度達(dá)到95.4%，高出次優(yōu)算法3.7%精度值。并且在3 個(gè)測試集上的AUC 曲線指標(biāo)均達(dá)到最高，平均AUC 精度達(dá)到92.9%。經(jīng)過與其他方法的定量、定性類比，可以看出本文算法在三維關(guān)鍵點(diǎn)預(yù)測精度上比現(xiàn)有的方法有明顯提高，并且可視化實(shí)驗(yàn)結(jié)果表明，本文算法在圖像細(xì)節(jié)的捕捉上也具有優(yōu)勢。此外，本文方法推理的幀率達(dá)到了19.23，可以滿足實(shí)時(shí)視頻流檢測的需求。模型所需FOLPs 為9.3×108次，復(fù)雜度較低，滿足對模型輕量化的要求。綜上，本文基于多任務(wù)學(xué)習(xí)的方法提出了一種端到端的訓(xùn)練方式，加速了網(wǎng)絡(luò)的收斂，減少了特征的過擬合，使得網(wǎng)絡(luò)在三維手部姿態(tài)估計(jì)任務(wù)上準(zhǔn)確性和魯棒性相比于現(xiàn)有技術(shù)有較為顯著的改進(jìn)。