一种基于深度图像的左右手同步分割改进方法

2021-03-01 09:28:44徐正则张文俊
上海大学学报(自然科学版) 2021年3期
关键词:分类深度模型

徐正则,张文俊

(1.上海大学上海电影学院,上海 200072;2.华东师范大学传播学院,上海 200241)

便携式且可穿戴的虚拟现实(virtual reality,VR)和增强现实(augmented reality,AR)设备要求对传统的交互手段进行变革,因此手部姿态估计[1]和手势识别技术[2-3]的研究与应用激发了广大研究人员的兴趣.该技术可以使用双手模拟控制器与下一代数字媒体设备进行交互,提供更加自然舒适、无拘无束的交互操作体验.

研究人员首先开发了基于光学的手势识别技术[4],但是应用环境、光线、肤色、背景复杂度和手势运动快慢的变化对识别结果的影响非常大,甚至会对手势区域与背景的分离造成巨大干扰.基于深度图像(depth image)的识别技术可以在很大程度上克服以上缺陷,逐渐成为了目前主流的手势姿态估计方法.

文献[5-9]中的主流方法是把手势估计和识别分解成3 个阶段的算法:检测和手部分割、手势姿态估计、验证和精细调整.事实上,通过深度相机建立一套高效、稳定、实用的手势识别和控制系统仍然是一项非常艰难的工作,其中从深度图像中准确分割出“干净”的手部图像显得尤为重要,这是因为当前一阶段的算法出错后,后一阶段的算法无法从错误中恢复.几种应用效果较好的图像分割算法主要有:随机森林(random decision forest,RDF)算法、区域卷积神经网络(region-based convolutional neural networks,R-CNN)系列算法、YOLO(you only look once)算法和全卷积神经网络(fully convolutional neural networks,FCNN)系列算法.

应用RDF 进行图像分割是一种像素级(pixel-wise)的方法,该方法从体感技术开始流行,Shotton 等[10]通过RDF 算法对深度图像进行分类,把姿……

登录APP查看全文

猜你喜欢
分类深度模型
一半模型
分类算一算
重尾非线性自回归模型自加权M-估计的渐近分布
深度观察
深度观察
深度观察
教你一招:数的分类
3D打印中的模型分割与打包