CN116721460A - 手势识别方法、装置、电子设备以及存储介质 - Google Patents
手势识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116721460A CN116721460A CN202310492902.0A CN202310492902A CN116721460A CN 116721460 A CN116721460 A CN 116721460A CN 202310492902 A CN202310492902 A CN 202310492902A CN 116721460 A CN116721460 A CN 116721460A
- Authority
- CN
- China
- Prior art keywords
- information
- gesture
- optical flow
- dynamic gesture
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims description 72
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000007774 longterm Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了手势识别方法、装置、电子设备以及存储介质,涉及数据处理技术领域,尤其涉及人工智能、深度学习、智能驾驶、虚拟现实和人机交互等技术领域。具体实现方案为:基于待识别动态手势的视频,获取待识别动态手势的多模态信息;将多模态信息进行融合处理,得到待识别动态手势的融合信息;基于融合信息,确定待识别动态手势的手势特征;基于手势特征确定待识别动态手势的手势类别。本公开实施例可准确且快速的识别动态手势。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能、深度学习、智能驾驶、虚拟现实和人机交互等技术领域。
背景技术
随着技术的发展,人机交互的方式越来越便捷和简单。手势交互是人机交互的一个重要方面。手势交互的关键在于准确识别出手势。手势识别包括识别静态手势和动态手势。相比较于静态手势,动态手势更贴近人的表达习惯、更加具有现实意义。因此,如何准确理解出动态手势尤为关键。
发明内容
本公开提供了手势识别方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种手势识别方法,包括:
基于待识别动态手势的视频,获取待识别动态手势的多模态信息;
将多模态信息进行融合处理,得到待识别动态手势的融合信息;
基于融合信息,确定待识别动态手势的手势特征;
基于手势特征确定待识别动态手势的手势类别。
根据本公开的另一方面,提供了一种手势识别装置,包括:
信息获取模块,用于基于待识别动态手势的视频,获取待识别动态手势的多模态信息;
融合模块,用于将多模态信息进行融合处理,得到待识别动态手势的融合信息;
特征提取模块,用于基于融合信息,确定待识别动态手势的手势特征;
识别模块,用于基于手势特征确定待识别动态手势的手势类别。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
本公开实施例可准确且高效的识别动态手势。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的手势识别方法的流程示意图;
图2是根据本公开实施例提供的手势识别方法的另一流程示意图;
图3是根据本公开实施例提供的识别模型的结构示意图;
图4是根据本公开一实施例中提供的训练识别模型的流程示意图;
图5是根据本公开实施例提供的手势识别方法的流程示意图;
图6是根据本公开一实施例中手势识别装置的结构示意图;
图7是用来实现本公开实施例的手势识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着科技的快速发展,人工智能技术如火如荼,人机交互逐渐成为生活和工作中不可或缺的一部分。手势是人类交流的一种自然形式,可以传达丰富的语义信息。因此,在人机交互领域,手势识别是一个重点研究的方向,并已广泛应用于虚拟现实、智能家居等领域。
然而,手势本身具有灵活性、不固定性和多样性,所以手势识别是一个富有挑战性的多学科交叉的研究方向。
手势识别可分为静态手势识别和动态手势识别,静态手势识别只关注某个时间点的外形特征,动态手势识别则需关注一段时间的动作,增加了时间信息和动作特征。相比较于静态手势识别,动态手势识别更贴近人的表达习惯、更加具有现实意义。因此,准确的理解动态手势对人机交互的准确性起着决定性作用。
此外,手势识别应用于多个领域,对手势识别的时效性也有一定的要求。为了能够准确且高效的理解动态手势,本公开实施例提供了一种手势识别方法,如图1所示,为该方法的流程示意图,包括:
S101,基于待识别动态手势的视频,获取待识别动态手势的多模态信息。
其中,多模态信息,顾名思义,即多个模态的信息,其中每个模态的信息均包含对待识别动态手势的描述,该描述可涵盖形态、距离、手势动作变化、纹理、颜色等中的多个层面。
每种模态的信息中包含了对待识别动态手势的大量描述。为了避免关键信息被复杂的处理弱化掉,本公开实施例中,在S102中,将多模态信息进行融合处理,得到待识别动态手势的融合信息。
也即,本公开实施例中,对原始的多模态信息先进行融合,一方面使得原始的多模态信息中包含的大量描述尽可能保留在融合信息中对以提高动态手势识别的准确性,另一方面先对多模态信息进行融合,也便于采用轻量级的神经网络提取手势特征。
在S103中,基于融合信息,确定待识别动态手势的手势特征。
S104,基于手势特征确定待识别动态手势的手势类别。
实施时,可对手势特征进行分类处理,得到待识别动态手势的在各手势类别的概率分布,当概率分布中的概率最大值大于预设阈值时,可将概率最大值对应的手势类别确定为待识别动态手势的类别。
本公开实施例中,首先获取待识别动态手势的多模态信息,该多模态信息中包含有大量的用于描述待识别动态手势的原始信息,通过将多模态信息进行融合,可以最大程度保留待识别动态手势的原始信息,以便于在后续提取手势特征的时候,能够从中提取到关键特征,以提高动态手势识别的准确性。此外先融合多模态信息而后提取手势特征,可简化提取手势特征的神经网络,使得该神经网络能够做到轻量化,由此能够兼容性能参差不齐的各种电子设备,提高动态手势识别的适用范围。此外,轻量化的神经网络,意味着更加简化的处理方法,从而能够提高动态手势识别的效率。简言之,本公开实施例提供了一种普适的、能够准确且高效的动态手势识别方法。
在一些实施例中,多模态信息可以包括以下信息中的至少一种:彩色图像信息、深度信息、以及光流信息等。
其中,彩色图像信息可以为视频中的RGB(red、green、blue,红绿蓝)图像,彩色图像信息中包括手势前景,其他内容为背景,基于彩色图像信息能够很好的辨认动态手势。
深度信息即指深度图。实施时,可以对手势采集RGB-D(RGB Depth,彩色深度)图,由此得到彩色图像信息以及深度信息。
彩色图像信息易受光照、肤色、复杂背景的影响,因此可以融合深度信息提高动态手势识别的准确性。
但是动态手势具有动作的变化也即运动信息,而彩色图像信息和深度信息均对手势的变化描述不够直接,因此,本公开实施例中还可以提取运动信息来提高动态手势识别的准确性。
光流(optical flow)代表着3维物体的每个像素在像平面上运动的瞬时速度。一般来说光流也是物体在相邻两帧中运动变化情况的缩影。从光流信息中,不仅可以得到物体的运动方向、运动速度,还可以得到物体的距离以及角度。所以运用光流信息可以很好地表达物体运动过程。且光流信息的提取相对简单且高效。因此,本公开实施例中采用光流信息来描述动态手势的变化,以提高动态手势识别的准确性,并且兼顾了动态手势识别的时效性。
本公开实施例中可以基于Lucas-kanade方法的OpenCV中的calcOpticalFlowPyrLK函数。提取每一帧光流图并且保存。
在一些实施例中,视频内容过长,处理的数据量太多,会增加动态手势识别的时长,因此难以保证动态手势识别的时效性。针对过长的视频需要一定的手段获取到关键的视频内容,以提高处理效率。
而,视频内容过短,不利于准确识别出动态手势。因此,需要对过短的视频进行补帧,以提高动态手势识别的准确性。
综上,为了兼顾动态手势识别的时效性和准确性,本公开实施例中,基于待识别动态手势的视频,获取待识别动态手势的多模态信息,可实施为:
步骤A1,通过采样或插值方法将视频的帧数处理为目标帧数,得到待识别动态手势的图像序列。
其中,针对过长的视频可以通过下采样的方式降低视频帧的图像数量,提高动态手势识别的时效性。下采样的方式,可以选用等间隔采样或非等间隔采样。此外,动态手势一般不会占用过长时间,一般视频的开始和结束位置往往存在与待识别动态手势无关的内容。因此为了保证准确性,不等间隔采样,可实施为剪掉视频两端的视频帧,以保留动态手势相关的关键视频帧。类似的,采样的方式还可以是对视频内容进行分析,从中确定出关键帧。采用关键帧构建所需的图像序列。相对于分析关键帧的方式,不等间隔采样的时效性更好,实施时,可以根据实际需求选择合理的采样方式。
其中,针对过短的视频,可以通过插值的方式增加视频长度。插值的方式可以基于相邻的多帧视频帧生成中间帧。当然,也可以重复全部或一些视频帧,以达到增加视频长度的目的。
实施时为了提高处理效率兼顾准确性,图像序列可以裁剪为指定尺寸。例如,可以将图像序列中每帧图像处理为112*112像素大小。然后提取多模态信息。当然,光流信息可以从缩小至112*112像素大小的视频帧中提取,也可以从未缩小的图像序列中提取。
步骤A2,从图像序列中提取出多模态信息。
本公开实施例中,基于视频生成所需帧数的图像序列,以便于保证图像序列中包含足够的信息以便于准确的进行动态手势识别,还能够通过图像序列的长度限制后续处理的信息量,提高动态手势识别的效率。
图像序列的光流信息中包括多帧光流图。但是对待识别动态手势而言,并非每帧光流图都一样重要。因此,为了提高动态手势识别的准确性,可实施为如图2所示:
S201,将图像序列划分为n份,得到n个子序列,n为大于1的正整数。
S202,针对每个子序列分别执行:确定子序列的重要程度,以重要程度作为子序列的光流图的权重。
本公开实施例中示例性提供以下两种方式来确定子序列的重要程度(也即光流图的权重):
方案1)、包括以下步骤B1-步骤B2:
步骤B1,确定以下至少一种重要性指标:子序列的图像质量、手势完整度以及子序列的多帧光流图内的数据差异程度。
可以采用图像质量评价模型确定每个子序列的图像质量。也可以基于对比度、亮度的动态范围、清晰度综合确定图像质量。图像质量越好,提取的光流信息精度越高,越利于动态手势识别。
可以基于边缘算子提取子序列中每帧图像的手势边缘,以确定包含的手势是否完整。由此得到手势完整度。手势越完整,表达的语义越准确,越利于动态手势识别。
此外,子序列的每帧光流图之间如果差异过小说明手势变化较小,这段子序列的运动信息对手势识别准确性的影响较小。子序列的每帧光流图之间如果差异较大,则该子序列包含了丰富的运动信息,对手势识别准确性影响较大。
步骤B2,按照各重要性指标均与重要程度正相关的关系,确定子序列的重要程度。
本公开实施例重要性指标能够合理的衡量子序列对动态手势识别的重要性。
方案2)、包括以下步骤C1-步骤C2:
步骤C1,确定子序列的光流图的光流均值。
步骤C2,将光流均值与图像序列的光流均值之间的比率,确定为子序列的重要程度。
例如,子序列1的光流图的光流均值为G1,子序列2的光流图的光流均值为G2。图像序列的光流图的光流均值为G。则子序列1的重要程度为(G1/G),同理,子序列2的重要程度为(G2/G)。
该实施例中,基于光流数据本身的数据分布情况,能够直接确定各帧光流图的重要性。该方法能够高效的确定出子序列的重要程度。为光流的权重奠定了良好的数据基础。
S203,对图像序列的原始光流图中各子序列的光流图进行加权求和,得到待识别动态手势的光流信息。
本公开实施例中,通过确定子序列的重要程度,筛选出对待识别动态手势重要的光流数据,并弱化次要的光流数据,以便于准确提取出手势特征,提高动态手势识别的准确性。
基于图像序列的融合信息提取手势特征可实施为:从融合信息中提取出待识别动态手势的短期时空特征;将短期时空特征编码为长期时空特征。可以采用3D残差网络或Temporal 3D ConvNets(T3D)网络提取出短期时空特征。将短期时空特征输入时间卷积网络(Temporal Convolutional Network,TCN),使用时间卷积网络对短期时空特征编码得到长期时空特征。
本公开实施例中为了将多模态信息合理的进行融合处理,可以基于自注意力机制对多模态信息进行非线性融合,得到待识别动态手势的融合信息。
基于自注意力机制对多模态信息进行非线性融合,能够针对不同的动态手势自适应的对不同模态信息进行融合,以便于得到适用于不同动态手势的融合信息,以提高动态手势的识别精度。
多模态信息的融合过程可实施为:
步骤D1,基于自注意力机制确定多模态信息中各信息的权重。
步骤D2,基于各信息的权重,对多模态信息进行加权求和,得到待识别动态手势的融合信息。
本公开实施例中,基于自注意力机制实现了加权融合多模态信息,能够整个特征提取过程中适应不同动态手势的视频动态选择所需的信息,以便于对不同的动态手势都能够自适应融合,提高动态手势识别的精度。
假设RGB图像序列(即彩色图像信息)为Srgb,Depth图像序列(即深度信息)为Sdepth,光流信息为Sflow,三者融合后的图像序列为z(即融合信息),则三个模态的信息加权求和如式(1)所示:
其中α=[αrgb,αdepth,αflow]为权重系数,一种可能的实施方式中,权重系数的计算方式如式(2)所示:
在公式(2)中,表示对Srgb执行平均池化操作,/>表示对Sdepth执行平均池化操作,/>表示对Sflow执行平均池化操作,W01表示对应Srgb卷积层的卷积权重,W02表示对应Sdepth卷积层的卷积权重,W03表示对应Sflow卷积层的卷积权重,其中,所采用的卷积层可以均为1*1*1卷积层,W1表示全连接层的权重,β表示批标准化,δ表示激活函数。
在另一种可能的实施方式中,确定多模态信息的权重还可以实施为:
步骤E1,采用自注意力模块分别提取多模态信息中各种信息的自注意力特征。
其中,自注意力机制中的K(key,键向量)、V(value,值向量)以及Q(query,查询向量)均为相应模态的信息。
步骤E2,针对多模态信息中每两种信息的自注意力特征,采用交叉注意力模块提取交叉注意力特征,得到多种交叉注意力特征。
针对任意两种信息的自注意力特征,其中一种自注意力特征为第一特征,另一种自注意力特征为第二特征,第一特征作为交叉注意力模块的Q,第二特征作为交叉注意力模块的K和V。例如,彩色图像信息的自注意力特征为S1,深度信息的自注意力特征为S2,光流信息的自注意力特征为S3,则(S1,S2)、(S1,S3)、(S2,S3)中的每组都分别基于交叉注意力模块进行处理,(S1,S2)得到的交叉注意力特征为V1,(S1,S3)得到的交叉注意力特征为V2,(S2,S3)得到的交叉注意力特征为V3。
步骤E3,采用全连接层处理多种交叉注意力特征得到各模态信息的权重。
综上,每种信息单独采用注意力模块进行提取,然后采用交叉注意力模块互相学习由此得到的权重,互相借鉴了其他模态的信息,可以综合考虑其它模态的情况学习出合理的权重。
本公开实施例中,基于各种模态的信息确定各模态信息的权重,然后融合各种模态的信息,使得融合的结构尽可能保留各种模态的信息中的关键信息。避免对各种模态的信息执行复杂的处理后再融合时,该复杂的处理消除了部分关键特征。由此,先融合再提取手势特征的方式,能够提高动态手势识别的精度。
综上,本公开实施例中用于识别动态手势的识别模型如图3所示,可包括:自适应融合网络、特征提取网络、时间卷积网络和分类网络。其中,自适应融合网络用于对多模态信息进行融合处理,得到融合信息;融合信息输入至特征提取网络,得到动态手势的短期时空特征;短期时空特征输入给时间卷积网络得到长期时空特征,分类网络对长期时空特征进行分类处理,得到动态手势的概率分布。
整个识别模型的训练过程可概述为如图4所示:
S401,对大量的样本视频进行预处理,得到多模态信息。包括,彩色图像信息、深度信息和光流信息。
S402,采用大量的样本视频对特征提取网络进行预训练。
其中,特征提取网络可以为3D残差网络,也可以为T3D网络。
预训练时,可以将多模态信息输入特征提取网络完成对特征提取网络的预训练。也可以将多模态信息融合后输入给特征提取网络完成对特征提取网络的预训练。还可以将多模态信息中的部分信息,例如色图像信息和深度信息,输入给特征提取网络完成对特征提取网络的预训练。实施时,可以根据实际需求确定预训练方式。
预训练后以.h5的形式保存轻量的特征提取网络的权重文件,权重文件保存了模型的结构;模型的权重;训练配置;优化器的状态,以便于从上次训练中断的地方开始正式训练。
S403,采用样本视频对识别模型进行正式训练。正式训练时,以多模态信息的训练集和验证集为输入,使用自适应融合网络进行融合。
如图4,正式训练过程中,包括在S4031中,获取样本视频的多模态信息。在S4032中,将多模态信息通过自适应融合网络进行融合,得到融合信息。在S4033中,将融合信息输入预训练的特征提取网络,进而得到短期时空特征。在S4034中,将短期时空特征输入给时间卷积网络得到长期时空特征。在S4035中,长期时空特征再输入给分类网络,得到动态手势的分类结果。在S4036中,采用该分类结果和分类标签确定损失,基于损失调整识别模型的参数。以此重复执行操作直至满足收敛条件。
识别模型训练完成后,整体的动态手势识别过程亦可表示为如图5所示。提取动态手势的RGB序列(即彩色图像信息)、Depth序列(即深度信息)以及optical flow(即光流信息)之后,将其采用自适应融合网络进行加权求和,得到融合信息,输入给T3D网络提取短期时空特征,而后输入给TCN网络得到长期时空特征,进而输入给分类网络中的全连接层和softMax(分类层)得到动态手势的识别结果。
基于相同的技术构思,本公开实施例还提供一种手势识别装置600,如图6所示,包括:
信息获取模块601,用于基于待识别动态手势的视频,获取待识别动态手势的多模态信息;
融合模块602,用于将多模态信息进行融合处理,得到待识别动态手势的融合信息;
特征提取模块603,用于基于融合信息,确定待识别动态手势的手势特征;
识别模块604,用于基于手势特征确定待识别动态手势的手势类别。
在一些实施例中,多模态信息包括以下信息中的至少一种:彩色图像信息、深度信息、以及光流信息。
在一些实施例中,信息获取模块,包括:
预处理单元,用于通过采样或插值装置将视频的帧数处理为目标帧数,得到待识别动态手势的图像序列;
提取单元,用于从图像序列中提取出多模态信息。
在一些实施例中,在多模态信息包括光流信息的情况下,提取单元,用于:
将图像序列划分为n份,得到n个子序列,n为大于1的正整数;
针对每个子序列分别执行:确定子序列的重要程度,以重要程度作为子序列的光流图的权重;
对图像序列的原始光流图中各子序列的光流图进行加权求和,得到待识别动态手势的光流信息。
在一些实施例中,提取单元,具体用于:
确定子序列的光流图的光流均值;
将光流均值与图像序列的光流均值之间的比率,确定为子序列的重要程度。
在一些实施例中,提取单元,具体用于:
确定以下至少一种重要性指标:子序列的图像质量、手势完整度以及子序列的多帧光流图内的数据差异程度;
按照各重要性指标均与重要程度正相关的关系,确定子序列的重要程度。
在一些实施例中,融合模块,用于:
基于自注意力机制对多模态信息进行非线性融合,得到待识别动态手势的融合信息。
在一些实施例中,融合模块,包括:
权重确定单元,用于基于自注意力机制确定多模态信息中各信息的权重;
融合单元,用于基于各信息的权重,对多模态信息进行加权求和,得到待识别动态手势的融合信息。
本公开实施例的装置的各模块、单元的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如手势识别方法。例如,在一些实施例中,手势识别方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的手势识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行手势识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种手势识别方法,包括:
基于待识别动态手势的视频,获取所述待识别动态手势的多模态信息;
将所述多模态信息进行融合处理,得到所述待识别动态手势的融合信息;
基于所述融合信息,确定所述待识别动态手势的手势特征;
基于所述手势特征确定所述待识别动态手势的手势类别。
2.根据权利要求1所述的方法,其中,所述多模态信息包括以下信息中的至少一种:彩色图像信息、深度信息、以及光流信息。
3.根据权利要求1或2所述的方法,其中,基于待识别动态手势的视频,获取所述待识别动态手势的多模态信息,包括:
通过采样或插值方法将所述视频的帧数处理为目标帧数,得到所述待识别动态手势的图像序列;
从所述图像序列中提取出所述多模态信息。
4.根据权利要求3所述的方法,其中,在所述多模态信息包括光流信息的情况下,从所述图像序列中提取出所述光流信息,包括:
将所述图像序列划分为n份,得到n个子序列,n为大于1的正整数;
针对每个子序列分别执行:确定所述子序列的重要程度,以所述重要程度作为所述子序列的光流图的权重;
对所述图像序列的原始光流图中各子序列的光流图进行加权求和,得到所述待识别动态手势的所述光流信息。
5.根据权利要求4所述的方法,其中,确定所述子序列的重要程度,包括:
确定所述子序列的光流图的光流均值;
将所述光流均值与所述图像序列的光流均值之间的比率,确定为所述子序列的重要程度。
6.根据权利要求4所述的方法,确定所述子序列的重要程度,包括:
确定以下至少一种重要性指标:所述子序列的图像质量、手势完整度以及所述子序列的多帧光流图内的数据差异程度;
按照各重要性指标均与所述重要程度正相关的关系,确定所述子序列的重要程度。
7.根据权利要求1-6中任一项所述的方法,其中,将所述多模态信息进行融合处理,得到所述待识别动态手势的融合信息,包括:
基于自注意力机制对所述多模态信息进行非线性融合,得到所述待识别动态手势的融合信息。
8.根据权利要求7所述的方法,其中,基于自注意力机制对所述多模态信息进行非线性融合,得到所述待识别动态手势的融合信息,包括:
基于自注意力机制确定所述多模态信息中各信息的权重;
基于所述各信息的权重,对所述多模态信息进行加权求和,得到所述待识别动态手势的融合信息。
9.一种手势识别装置,包括:
信息获取模块,用于基于待识别动态手势的视频,获取所述待识别动态手势的多模态信息;
融合模块,用于将所述多模态信息进行融合处理,得到所述待识别动态手势的融合信息;
特征提取模块,用于基于所述融合信息,确定所述待识别动态手势的手势特征;
识别模块,用于基于所述手势特征确定所述待识别动态手势的手势类别。
10.根据权利要求9所述的装置,其中,所述多模态信息包括以下信息中的至少一种:彩色图像信息、深度信息、以及光流信息。
11.根据权利要求9或10所述的装置,其中,信息获取模块,包括:
预处理单元,用于通过采样或插值装置将所述视频的帧数处理为目标帧数,得到所述待识别动态手势的图像序列;
提取单元,用于从所述图像序列中提取出所述多模态信息。
12.根据权利要求11所述的装置,其中,在所述多模态信息包括光流信息的情况下,提取单元,用于:
将所述图像序列划分为n份,得到n个子序列,n为大于1的正整数;
针对每个子序列分别执行:确定所述子序列的重要程度,以所述重要程度作为所述子序列的光流图的权重;
对所述图像序列的原始光流图中各子序列的光流图进行加权求和,得到所述待识别动态手势的所述光流信息。
13.根据权利要求12所述的装置,其中,所述提取单元,具体用于:
确定所述子序列的光流图的光流均值;
将所述光流均值与所述图像序列的光流均值之间的比率,确定为所述子序列的重要程度。
14.根据权利要求12所述的装置,所述提取单元,具体用于:
确定以下至少一种重要性指标:所述子序列的图像质量、手势完整度以及所述子序列的多帧光流图内的数据差异程度;
按照各重要性指标均与所述重要程度正相关的关系,确定所述子序列的重要程度。
15.根据权利要求9-14中任一项所述的装置,其中,融合模块,用于:
基于自注意力机制对所述多模态信息进行非线性融合,得到所述待识别动态手势的融合信息。
16.根据权利要求15所述的装置,其中,融合模块,包括:
权重确定单元,用于基于自注意力机制确定所述多模态信息中各信息的权重;
融合单元,用于基于所述各信息的权重,对所述多模态信息进行加权求和,得到所述待识别动态手势的融合信息。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492902.0A CN116721460A (zh) | 2023-05-05 | 2023-05-05 | 手势识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492902.0A CN116721460A (zh) | 2023-05-05 | 2023-05-05 | 手势识别方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721460A true CN116721460A (zh) | 2023-09-08 |
Family
ID=87874146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310492902.0A Pending CN116721460A (zh) | 2023-05-05 | 2023-05-05 | 手势识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721460A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576784A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 一种融合事件和rgb数据潜水员手势识别方法及其系统 |
CN117671777A (zh) * | 2023-10-17 | 2024-03-08 | 广州易而达科技股份有限公司 | 一种基于雷达的手势识别方法、装置、设备及存储介质 |
-
2023
- 2023-05-05 CN CN202310492902.0A patent/CN116721460A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671777A (zh) * | 2023-10-17 | 2024-03-08 | 广州易而达科技股份有限公司 | 一种基于雷达的手势识别方法、装置、设备及存储介质 |
CN117671777B (zh) * | 2023-10-17 | 2024-05-14 | 广州易而达科技股份有限公司 | 一种基于雷达的手势识别方法、装置、设备及存储介质 |
CN117576784A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 一种融合事件和rgb数据潜水员手势识别方法及其系统 |
CN117576784B (zh) * | 2024-01-15 | 2024-03-26 | 吉林大学 | 一种融合事件和rgb数据潜水员手势识别方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721460A (zh) | 手势识别方法、装置、电子设备以及存储介质 | |
CN113591918B (zh) | 图像处理模型的训练方法、图像处理方法、装置和设备 | |
CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
CN116168132B (zh) | 街景重建模型获取及街景重建方法、装置、设备及介质 | |
CN112651451B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113591566A (zh) | 图像识别模型的训练方法、装置、电子设备和存储介质 | |
CN114092759A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN113469989B (zh) | 遥感影像中输电导线的提取方法、系统、设备及介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN115393488B (zh) | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 | |
CN113902696A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN116611491A (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
CN114913339A (zh) | 特征图提取模型的训练方法和装置 | |
CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
CN116402914B (zh) | 用于确定风格化图像生成模型的方法、装置及产品 | |
CN115116111B (zh) | 抗扰动人脸活体检测模型训练方法、装置及电子设备 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN113935482A (zh) | 一种行人再识别网络的训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |