谷歌开源「AI手势识别」算法：凭一帧图像识别21个3D点位

实时手形与动作跟踪方案，一直是手语识别与手势控制系统中最为核心的组成部分，同时在部分增加现实体验中也扮演着重要角色。然而，现有技术往往因为遮挡或者缺乏对比模式等问题的困扰，无法提供理想的可靠性。

面对这一现实挑战，谷歌公司的科学家们研究出一种新的计算机视觉方法，用于实现手部感知。作为幕后推手，机器学习技术为提供了强大助力。根据介绍，该方案能够在实机实验中仅凭一帧图像识别出一只手（或者多只手）上的21个3D点位。与目前市面的手势识别技术相比，谷歌的全新技术不需要依赖台式机来计算，只要在手机上就能进行实时追踪，并且还能同时追踪多只手，可识别遮挡。

早在今年6月，谷歌就在2019计算机视觉与模式识别大会上公布了此项技术的预览版本。2月之后，谷歌于美国时间8月20日正式宣布将该技术集成于引入MediaPipe当中。MediaPipe是一套开源跨平台框架，用于构建多模应用机器学习流水线，可以处理不同模态（例如视频与音频）中的感知数据。该项目的源代码以及端到端使用场景目前都已经在GitHub上全面公开。

研究工程师Valentin Bazarevsky和Fan Zhang在博文他们的当中写道：“感知手部形状与运动姿态的能力，有望成为改善各类技术表现及平台用户体验的重要助力。我们希望将这种手部感知功能交付至更为广泛的研究与开发社区处，利用大家的力量共同促进创新用例的出现，刺激新的应用方式并开拓出前所未有的研究途径。”

据了解，谷歌的这一技术包含三套串联工作的AI模型：一个手掌探测模型（BlazePalm）用于分析框体并返回手部动作边框；一个手部标记模型（Landmark），用于查看由手掌探测器定义的裁剪后图像区域，并返回3D位点；一个手势识别模型，用于将之前计算得出的位点归类为一组手势。

BlazePalm：手部识别绝不像听起来那么简单。GlazePalm必须能够解决手部遮挡这一现实难题。为此，谷歌团队训练出一款手掌探测器BlazePalm——注意，是手掌而不是手部。他们认为，对拳头这类物体进行边界框描绘，在难度上要比跟踪手指低得多。具体地，BlazePalm可以识别多种不同手掌大小，具备较大的缩放范围，还能识别手部遮挡，能通过识别手臂、躯干或个人特征等信息准确定位手部。除此之外，这种方式还有另一大优势，就是能够很好地兼容握手等特殊场景，利用忽略其它宽高比条件的方形边框模拟手掌，从而将所需的3D点数缩减至以往的三分之一到五分之一。据统计，经过训练之后，BlazePalm识别手掌的准确率可以达到95.7%。

Landmark：在手掌检测之后，手部标记模型开始接管，负责在检测到的手部区域之内建立21个由手到肘的3D定位坐标。在训练当中，模型要求研究人员手动注释多达3万份真实场景下的图像，并立足多种背景对相应坐标进行渲染和映射，最终创建出高质量的合成手部模型。据统计，在经过训练后，算法的平均回归误差可降低到13.4%。

手势识别模型：流水线上的最后一步是手势识别，该模型利用关节旋转角度来确定每根手指的状态（如弯曲或伸直），并将手指状态集合与预定义的手势映射起来，进而预测基础的静态手势。Bazarevsky和Zhang介绍称，该模型能够识别来自多种文化（例如美国、欧洲与中国）的算数手势，以及握拳、“OK”、“摇滚”、“蜘蛛侠”等常见手势。

除此之外，这些模型也可以执行对应的单独任务，例如利用显卡进行图像裁剪与渲染，从而节约计算资源；并且，手掌探测模型只有在必要时才运行——因为在大多数时段内，后续视频帧内的手部位置只凭计算出的手部关键点即可推理得出，不再需要手掌探测器的参与。也就是说，只有当推理置信度低于某个阈值时，手部检测模型才会重新介入。

展望未来，Bazarevsky、Zhang及其团队还计划建立更强大且、更稳定的跟踪扩展技术，同时增加能够可靠检测出的手势数量，并考虑支持即时动态手势识别。他们总结道：“我们相信，这项技术的发布将为研究及开发者社区带来助力，帮助他们发现更多新的创意与应用方向。”