手部关键点、手势识别方案
手部关键点、手势识别方案
项目实训负责的一个游戏模块，考虑使用手势识别来作为控制输入。因为是游戏，考虑到时延，识别模块肯定需要部署在前端（web端，手机客户端，小程序端）之类的。目前项目前端暂定为小程序。
现成的方案有：
- 各个云服务器厂商提供的识别模块网络接口
- 自己训练并在服务端部署大的模型
- 在移动端部署
大概体现也就是直接训练个分类模型，或者先输出手部关键点。
没有在移动端部署模型的经验，初步考虑使用tensorflow.js部署。这里模型网络传输消耗的时间、框架传输消耗、初始化时间是个非常值得考虑的问题，这里的网络资源消耗不能无视。(所以类似依赖cdn导入的就比较不好处理)
这里有个现成的解决方案，google的mediapipe，它集成了诸多深度学习的解决方案，包括人体姿态，手部关键点，脸部mesh等。可以参考它在python端的使用。使用它的手部关键点检测，不考虑它的视频输入时的跟踪，考虑图片输入。
https://github.com/google/mediapipe
以python调用为例：
mp_hands = mp.solutions.hands
hands = mp_hands.Hands(
static_image_mode=True,
max_num_hands=2,
min_detection_confidence=0.75,
min_tracking_confidence=0.5)
使用opencv调用摄像头拍摄，使用hands模块的识别，返回的res.multi_hand_landmarks包含手部的21个关键点的三维坐标（x, y, z），对于在屏幕上绘制只需要x，y轴坐标即可，z是相对深度。
这里的模块输出的是21个点坐标，但具体到各种手势，还需要简单处理下。
以简单的抓握为例，基于上述模块，可以训练一个小分类模型判断。输入是21个点的三维坐标，输出分类，每个分类采集几千个样本就够了，几分钟就能采集分类完。
数据集的采集就很方便了，录入时注意下按分类分批录入保存下来坐标就可以了。
dense (Dense) (None, 42) 1806
dense_1 (Dense) (None, 15) 645
dense_2 (Dense) (None, 2) 16
差不多这样的一个简单模型就能到95以上的精度。。。
后面具体在移动端部署，大概也是这种关键点+手势判断的方案，关键点用来辅助动画之类的，分类模型用来判断各种事件。具体看开发时的需求，（目前小程序前端的方向感觉不是很清晰）。
这样的方案还是不够的，目前能想到的有几个点：
- 具体到连续输入，需要有个跟踪模块来应对多个手，或者各种特判
- 关键点位输出是不稳定的，会有振动，需要设计某种神奇的滤波
- 背手、握拳的识别很不好，检出率低，具体是通过重新准备模型，或者使用某种神奇的后处理待定
另外，主要任务还是开发，需要设计好的用户界面。
还是以抓握为例
- 简单的，比如使用两张图片（握拳，张开手）来表示
- 复杂点，看有没有可能有个live2d的模型，训练多个抓握状态的判断，来匹配多个live2d模型的动作，不过未必有现场的live2d的手部模型
- 再复杂点，现在的手部关键点其实是三维输出的，完全可以在前端准备个3d的手部模型，不过具体前端怎么显示渲染3d模型还不清楚22
- 不然直接手动画一个火柴手。。。
具体实现还是要等，看具体开发时什么需求。