手势估计- Hand Pose Estimation

首先给大家分享一个巨牛巨牛的人工智能教程，是我无意中发现的。教程不仅零基础，通俗易懂，而且非常风趣幽默，还时不时有内涵段子，像看小说一样，哈哈～我正在学习中，觉得太牛了，所以分享给大家！点这里可以跳转到教程

               

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 Detec