本文選題：手勢(shì)估計(jì) + 關(guān)鍵點(diǎn)　； 參考：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年碩士論文

【摘要】：隨著智能家居和智能設(shè)備的普及發(fā)展,在人們的日常生活中人與設(shè)備之間的信息交互將會(huì)變得越來(lái)越頻繁。特別隨著計(jì)算機(jī)和人工智能的發(fā)展,更加符合人類交流方式的無(wú)接觸式人機(jī)交互技術(shù)研究領(lǐng)域?qū)?huì)變得日趨活躍。這些研究領(lǐng)域包括了眼球跟蹤技術(shù)、語(yǔ)音識(shí)別技術(shù)、人臉面部表情識(shí)別技術(shù)、唇語(yǔ)識(shí)別技術(shù)、人臉識(shí)別技術(shù)、手勢(shì)識(shí)別技術(shù)和身體姿勢(shì)識(shí)別技術(shù)等等。由于手勢(shì)信息量豐富并且交互運(yùn)動(dòng)具有自然舒適無(wú)約束的特點(diǎn),所以手勢(shì)交互技術(shù)是未來(lái)人機(jī)交互領(lǐng)域的重要研究方向。由于人手體積較小,移動(dòng)速度和方向變化快,手指的自由度非常高,各個(gè)手指之間具有極強(qiáng)的外觀相似性并且非常容易相互遮擋,因此如何基于視覺(jué)快速精確地估計(jì)出人手三維關(guān)鍵點(diǎn)是一個(gè)非常具有挑戰(zhàn)性的研究課題。針對(duì)復(fù)雜高維度的手勢(shì)空間和大視角高遮擋的情形,本文基于"分而治之"的思想提出了一種分類指導(dǎo)回歸的手勢(shì)三維關(guān)鍵點(diǎn)估計(jì)方法。該方法將一個(gè)困難復(fù)雜的手勢(shì)回歸任務(wù)劃分成多個(gè)相對(duì)更容易的子任務(wù),對(duì)每一個(gè)子任務(wù)學(xué)習(xí)一個(gè)其專屬的回歸模型,從而避免了僅靠單一模型無(wú)法很好地處理所有情況的問(wèn)題。首先離線訓(xùn)練一個(gè)以深度圖作為輸入的深度卷積神經(jīng)網(wǎng)絡(luò)分類器GoogLeNet。不同于之前手勢(shì)分類器是按照相機(jī)視角不同來(lái)劃分類別,本文的分類器是按照剛性對(duì)齊的手勢(shì)不同來(lái)劃分類別。對(duì)于手勢(shì)分類器所能預(yù)測(cè)的所有類別,分別離線訓(xùn)練一個(gè)對(duì)應(yīng)于類別的級(jí)聯(lián)隨機(jī)森林回歸器。在測(cè)試階段,輸入深度圖到手勢(shì)分類器直接預(yù)測(cè)出一個(gè)手勢(shì)類別,然后再次把深度圖送入預(yù)測(cè)類別對(duì)應(yīng)的級(jí)聯(lián)隨機(jī)森林回歸器,最終輸出相機(jī)坐標(biāo)系下的人手關(guān)鍵點(diǎn)三維坐標(biāo)。密集豐富的實(shí)驗(yàn)驗(yàn)證了本文提出的分類指導(dǎo)回歸算法的高效性和有效性。從定性角度來(lái)看,本文分類指導(dǎo)回歸算法大幅度地領(lǐng)先于全體樣本整體回歸算法。與其他的優(yōu)秀算法相比較來(lái)看,本文分類指導(dǎo)回歸算法依然能夠在大多數(shù)最大允許誤差閾值區(qū)間內(nèi)領(lǐng)先于其他優(yōu)秀算法。從定性角度來(lái)看,本文方法不但能夠處理好復(fù)雜的大角度高遮擋的手勢(shì)情形,同時(shí)還能保持很高的幀率,完全能夠滿足實(shí)時(shí)精確的應(yīng)用場(chǎng)景。
[Abstract]:With the development of smart home and intelligent devices, the information interaction between people and devices will become more and more frequent in people's daily life. Especially with the development of computer and artificial intelligence, the research field of contactless human-computer interaction, which is more suitable for human communication, will become more and more active. These research fields include eyeball tracking technology, speech recognition technology, facial expression recognition technology, lip recognition technology, face recognition technology, gesture recognition technology and body posture recognition technology. Because gesture information is abundant and interactive motion is natural comfortable and unconstrained gesture interaction technology is an important research direction in the field of human-computer interaction in the future. Because of the small size of the hands, the speed and direction of movement, the degree of freedom of the fingers is very high, the appearance of each finger is very similar and it is very easy to block each other. Therefore, how to estimate the human hand 3D key points quickly and accurately based on vision is a very challenging research topic. In view of the complex high dimensional gesture space and the large angle of view and high occlusion, based on the idea of "divide and conquer", this paper proposes a method to estimate the three dimensional key points of gesture guided by classification and regression. In this method, a difficult and complex gesture regression task is divided into several relatively easy sub-tasks, and each subtask is taught a unique regression model. Thus, the problem that a single model can not handle all cases well is avoided. First, a depth convolution neural network classifier Google LeNet, which uses depth map as input, is trained offline. Different from the previous gesture classifier which is classified according to the camera angle of view, the classifier in this paper is classified according to the rigid alignment of different gestures. For all categories predicted by gesture classifier, a cascaded stochastic forest regression is trained offline. In the test stage, the depth map is input into the gesture classifier to predict a gesture category directly, and then the depth map is sent into the cascade random forest regression corresponding to the prediction category again, and the 3D coordinate of the key points of the hand in camera coordinate system is output. Intensive experiments demonstrate the effectiveness and efficiency of the classification guidance regression algorithm proposed in this paper. From the qualitative point of view, the classification guidance regression algorithm is significantly ahead of the whole sample regression algorithm. Compared with other excellent algorithms, this classification guidance regression algorithm is still ahead of other excellent algorithms in most of the maximum allowable error threshold range. From the qualitative point of view, this method can not only deal with the complex large angle and high occlusion gesture situation, but also maintain a high frame rate, which can meet the real-time and accurate application scenarios.
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 徐愈;;智慧城市需加強(qiáng)分類指導(dǎo)[J];中國(guó)經(jīng)濟(jì)和信息化;2013年15期

2 徐愈;;徐愈:智慧城市需加強(qiáng)分類指導(dǎo)[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2014年08期

3 朱振華;大班教學(xué)中的分類指導(dǎo)[J];信息工程學(xué)院學(xué)報(bào);1995年02期

4 郭作玉;;首要任務(wù)、全方位推進(jìn)與分類指導(dǎo)[J];中國(guó)信息界;2008年02期

5 秦育海;崔開(kāi)東;;抓住“青、重、遠(yuǎn)”帶動(dòng)一大片——射陽(yáng)郵電局運(yùn)用分類指導(dǎo)的辦法開(kāi)展職教工作[J];通信企業(yè)管理;1993年12期

6 李世勛;分級(jí)包抓 分類指導(dǎo)[J];中國(guó)檔案;2005年05期

7 ;內(nèi)蒙古呼包鄂:對(duì)示范企業(yè)重點(diǎn)企業(yè)分類指導(dǎo)[J];信息系統(tǒng)工程;2010年02期

8 王長(zhǎng)杰;王衛(wèi)華;;灰度散布分類指導(dǎo)挖掘的高類似度文本分類[J];科技通報(bào);2014年04期

相關(guān)會(huì)議論文 前2條

1 陳龍明;趙霆;徐冰;孫家偉;;一次新型系統(tǒng)培訓(xùn)淺析[A];中國(guó)金屬學(xué)會(huì)2004’冶金安全年會(huì)論文集[C];2004年

2 張曉瓊;;建國(guó)初期中國(guó)共產(chǎn)黨分類指導(dǎo)少數(shù)民族地區(qū)民主改革略論——以云南為個(gè)案的歷史考察[A];“蘇東劇變20年與當(dāng)代世界社會(huì)主義”學(xué)術(shù)研討會(huì)暨當(dāng)代世界社會(huì)主義專業(yè)委員會(huì)2011年年會(huì)會(huì)議論文集[C];2011年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)評(píng)論員;堅(jiān)持分類指導(dǎo)務(wù)必有的放矢[N];黑龍江日?qǐng)?bào);2013年

2 劉綠林;州委召開(kāi)常委(擴(kuò)大)會(huì)議專題研究貫徹《省委省政府關(guān)于分類指導(dǎo)加快推進(jìn)全面建成小康社會(huì)的意見(jiàn)》[N];團(tuán)結(jié)報(bào);2013年

3 記者 柳德新 通訊員 胡學(xué)翔;分類指導(dǎo)當(dāng)前防汛工作[N];湖南日?qǐng)?bào);2014年

4 記者 華謙;因地制宜 分類指導(dǎo) 持續(xù)實(shí)踐 提升完善[N];平頂山日?qǐng)?bào);2014年

5 本報(bào)評(píng)論員;堅(jiān)持分類指導(dǎo)務(wù)必有的放矢[N];永州日?qǐng)?bào);2014年

6 記者 李耿;加強(qiáng)分類指導(dǎo) 推進(jìn)精準(zhǔn)扶貧[N];廣西日?qǐng)?bào);2014年

7 周組;選址要因村制宜分類指導(dǎo)合理布局[N];祁連山報(bào);2007年

8 本報(bào)評(píng)論員;結(jié)合實(shí)際 分類指導(dǎo)[N];人民日?qǐng)?bào);2008年

9 本報(bào)評(píng)論員;區(qū)別情況分類指導(dǎo)[N];解放軍報(bào);2009年

10 朱殿波、劉亞洲;分類指導(dǎo) 梯次培養(yǎng) 全程幫帶[N];人民武警;2009年

相關(guān)碩士學(xué)位論文 前2條

1 楊宏偉;分類指導(dǎo)回歸的手勢(shì)估計(jì)[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

2 殷叢叢;我國(guó)政府對(duì)高校分類指導(dǎo)的協(xié)商機(jī)制[D];山東大學(xué);2012年

，

本文編號(hào)：1956864