当前位置：首页 > news >正文

基于深度学习的手势识别算法

news 2025/7/22 1:59:44

在这里插入图片描述

基于深度学习的手势识别算法

概述
算法原理
核心逻辑
效果演示
使用方式
参考文献

概述

本文基于论文 [Simple Baselines for Human Pose Estimation and Tracking[1]](ECCV 2018 Open Access Repository (thecvf.com)) 实现手部姿态估计。

手部姿态估计是从图像或视频帧集中找到手部关节位置的任务。近年来，姿态估计取得了显著进展。同时，姿态估计相关算法和系统的复杂性也在增加，使得算法分析和比较变得更加困难。
在这里插入图片描述

对此，该论文[1]提供了简单且有效的基线方法。具体来说，该论文所提出的姿态估计方法基于在骨干网络 ResNet 上添加的几个反卷积层，以此从深层和低分辨率特征图估计热图（Heatmap）。

参考文献：本文所涉及的所有资源的获取方式：https://www.aspiringcode.com/content?id=17111441004954&uid=ca17507691274861976eacc1dfc5d827

算法原理

ResNet [2] 是图像特征提取中最常见的骨干网络，也常常被用于姿态估计。本文所使用的模型在 ResNet 的最后一个卷积阶段上简单添加了几个反卷积层。基于这种方式，其可以利用深层和低分辨率的特征生成热图，并基于热图估计关节位置。整个网络结构如图 2 所示，其使用了三个具有批量归一化和 ReLU 激活的反卷积层。每层有256个 4×4 内核的滤波器，步幅为 2。最后添加一个 1×1 的卷积层，以生成所有 k 个关键点的预测热图。

在这里插入图片描述

均方误差 (MSE) 被用作预测热图和目标热图之间的损失。关节 k 的目标热图是通过在第 k 个关节的真实位置上应用二维高斯分布生成的。训练过程中的损失变化如图3所示。我选取了 FreiHand[3] 作为数据集，ResNet-18 作为骨干网络进行训练。FreiHand 的训练集包含 130240 张尺寸为 224 × 224 的RGB图像。

在这里插入图片描述

将训练完成后的模型应用于FreiHAND测试集，得到结果如图4所示

在这里插入图片描述

								图4：手势识别结果

核心逻辑

模型结构如下所示：

import torch
import torch.nn as nn
import torchvision.models as modelsclass PoseNetwork(nn.Module):def __init__(self, joints_num=21, depth=50, pretrained=False):super(PoseNetwork, self).__init__()if pretrained:weights = 'DEFAULT'else:weights = Noneif depth == 18:resnet = models.resnet18(weights = weights)elif depth == 34:resnet = models.resnet34(weights = weights)elif depth == 50:resnet = models.resnet50(weights = weights)elif depth == 101:resnet = models.resnet101(weights = weights)elif depth == 152:resnet = models.resnet152(weights = weights)else:resnet = models.resnet50()self.encoder = nn.Sequential(*list(resnet.children())[:-2])self.decoder = nn.Sequential(nn.ConvTranspose2d(resnet.inplanes, 256, kernel_size=4, stride=2, padding=1, output_padding=0, bias=False),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.ConvTranspose2d(256, 256, kernel_size=4, stride=2, padding=1, output_padding=0, bias=False),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.ConvTranspose2d(256, 256, kernel_size=4, stride=2, padding=1, output_padding=0, bias=False),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.Conv2d(256, joints_num, kernel_size=1, stride=1))def forward(self, x):x = self.encoder(x)x = self.decoder(x)return x

以上代码仅作展示，更详细的代码文件请参见附件。

效果演示

配置环境并运行 main.py脚本，效果如图4所示。
在这里插入图片描述

此外，网站还提供了在线体验功能。用户只需要输入一张大小不超过 1MB 的单手 JPG 图像，网站就会标记出图中手的姿势，如图6所示。

在这里插入图片描述

								图6：在线体验结果

使用方式

解压附件压缩包并进入工作目录。如果是Linux系统，请使用如下命令：

unzip hand-pose-estimation.zip
cd hand-pose-estimation

代码的运行环境可通过如下命令进行配置：

pip install -r requirements.txt

如果希望在本地运行实时手势识别程序，请运行如下命令：

python main.py

如果希望在本地运行训练模型，请运行如下命令：

python main.py -r "train"

请注意，训练前需要自行制作或下载并处理相关公开数据集，具体格式可以参考我事先基于FreiHAND制作的一个迷你的样例数据集，其位于data\datasets\mini-example。
如果希望在线部署，请运行如下命令：

python main-flask.py

参考文献

[1] Xiao B, Wu H, Wei Y. Simple baselines for human pose estimation and tracking[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 466-481.

[2] Targ S, Almeida D, Lyman K. Resnet in resnet: Generalizing residual architectures[J]. arXiv preprint arXiv:1603.08029, 2016.

[3] Zimmermann C, Ceylan D, Yang J, et al. Freihand: A dataset for markerless capture of hand pose and shape from single rgb images[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 813-822.