一、概述

“手勢是人類溝通的自然的方式。硬件限制是我們不能很好地控制我們的設備的限制”，這里的硬件限制指的是傳統(tǒng)的手勢識別算法需要額外的深度傳感器。感謝近十多年不斷發(fā)展的可適應 AI 和邊緣計算崛起，使得這一切逐漸變?yōu)榭赡堋?

我們或?qū)⒃谥悄苁謾C、平板電腦、臺式電腦、筆記本電腦、智能手表和智能電視，IOT 設備中看到更多結合空中手勢來操作的未來功能。
今年我們已經(jīng)看到有這樣的趨勢，科技巨頭都紛紛推出了自己的手勢識別能力：谷歌在自己的手機和智能音箱上提供了手勢交互的能力，華為在旗艦手機 Mate30 上推出了自己的手勢操控等等，蘋果也剛剛提交了手勢在智能音箱上應用的相關專利，實際上，手勢作為人機交互自然的方式場景簡直是不言自明，想像一下這些場景：

• 在看電視的時候想要換臺，想要調(diào)整音量，找不到遙控器的時候，直接使用手勢來操作，免去找不到遙控器的抓狂煩惱。

• 在駕駛汽車，如果你聽到了一很難聽的歌，希望趕快切掉，如果需要與觸摸屏顯示器進行交互，駕駛員需要將視線從道路上移開，這樣有潛在的危險，使用手勢識別使得駕駛更安全。

• 在使用 iPad 看劇時，這個時候老板/老婆電話突然進來了，我們對著 iPad 使用靜音手勢操控設備靜音，科技以人為本。

• 在智能家居場景，使用手勢操作你的電燈，空調(diào)，甚至抽油煙機都是可以想象的場景

總結來說：“You are the only interface you need”。

二、我們現(xiàn)在的業(yè)務場景

我們所屬天貓精靈 M 實驗室，主要負責跟天貓精靈相關的視覺算法，我們的主要研究方向人機交互視覺算法，包括手勢識別，肢體識別，還有多模態(tài)視覺語音交互等。

去年，我們推出了基于天貓精靈智能音箱的超輕量手勢識別算法，今年我們更進一步，在技術，業(yè)務，算法上進行了更為深入的探索：

• 在天貓精靈大屏產(chǎn)品 CC, CCH, CCL 等上線了手勢操控能力。

• 我們同優(yōu)酷iPad客戶端的小伙伴一起，在優(yōu)酷 iPad 版也成功應用了我們的手勢識別能力。

• 我們在教育L域，我們嘗試了使用手指作為輸入，實現(xiàn)了手指點讀的相關能力，讓小朋友“哪里不會點哪里”。

• 目前我們在跟電視廠商等 IOT 生態(tài)廠商合作，實現(xiàn)大屏手勢交互步，未來丟掉遙控器將不是夢。

三、無處不在的單點（靜態(tài)）手勢

3.1 從天貓精靈到優(yōu)酷 iPad 手勢識別
去年，我們推出了基于天貓精靈智能音箱的超輕量手勢識別算法，今年我們與優(yōu)酷的小伙伴合作，把單點手勢能力進一步移植到了優(yōu)酷 iPad 場景中。
3.1.1  單點手勢應用：優(yōu)酷吃飯看劇神器
來自用戶的聲音：吃飯看劇神器
這是在優(yōu)酷上線后用戶自發(fā)介紹的使用視頻，也非常符合我們的場景預期和用戶痛點：

• 在看劇的時候，經(jīng)常有需要跳過某一小段，快進或者快退的時刻，解決不便直接操作的時刻（例如吃飯，手里不方便等場景）。

• 在 iPad 場景：1）受設備體積和重量影響，很少手持設備；2）屏幕較大，用戶距離設備通常有一定距離，手勢識別帶來了更為J致的體驗提升。

3.2  走的更遠：大屏遠距手勢交互
3.2.1  大屏交互場景
近年來，智能電視（智屏）正越來越多的進入千家萬戶。據(jù)工信部預測，到 2020 年，智能電視市場滲透率有望達到 90% 以上。除了數(shù)量優(yōu)勢，強大的交互能力是智慧家庭入口的必備特質(zhì)。作為智慧家庭 IoT 的另一個重要入口，智能電視的大屏幕更易實現(xiàn)交互。
3.2.2  挑戰(zhàn)
要走的更遠，也常常伴隨更大的挑戰(zhàn)。和天貓精靈 CC 或 iPad 這種近身設備相比，在智能電視場景進行手勢算法研發(fā)面臨主要面臨的挑戰(zhàn)有：

• 更遠的距離。智能電視有一塊大屏幕，往往 3-5 米是一個對人較為舒適和健康的觀看距離。在這樣一個距離下，人手在畫面占比非常小。

• 更多的人數(shù)。可能有多人同時在看電視，因此我們要能及時甄別和響應每一位觀眾的交互需求。

• 更復雜的背景。不同家庭不同電視的擺放位置千變?nèi)f化，我們的算法要在變化中找不變（手勢識別）

• 有限的算力。雖然智能電視越來越普及，但是它們配置的硬件性能依然非常有限。

3.2.3  大屏方案
針對以上挑戰(zhàn)，經(jīng)過我們算法研發(fā)探索，提出語義注意力機制導引的快速人手檢測和分類方法（Contextual-attention-guided fast tiny hand detection and classification）。
大屏解決方案: Contextual-attention-guided fast tiny hand detection and classification
1）Lightweight hourglass-like backbone
輕量J類 hourglass 模塊對輸入進行下采樣，在獲取具有G層語義信息的特征圖的同時，盡量保留細節(jié)性特征，有利于對 tiny hand 的檢測。
2）Contextual attention
3-5 米場景下，人手在整個輸入圖像中占的像素比非常小。手雖然很小，但是手一般長“人”身上，而且距離人體特定的部位（如手腕、胳膊、人臉）較近，同時與這些部位可能會有相近的顏色。這些人體或人體部位往往較手要更大，為我們 tiny hand 的檢測提供了額外的 clues，利用這些 clues，可以更好的對 tiny hand 進行檢測�；�于此，我們利用 Similarity Context 和 Semantics Context 來作為 Contextual attention ，從而指導網(wǎng)絡獲取手區(qū)域以外的語義信息，增強檢測能力。

四、落地與優(yōu)化閉環(huán)

相信任何一個做過 AI 算法落地的同學，都會遇到各種各樣的實際算法問題，不管是科大訊飛的語音交互，到現(xiàn)在無處不在的人臉識別，甚至谷歌的搜索詞排名算法，基于深度學習的AI算法的非常重要的一個特點就是越用越好，并漸漸形成數(shù)據(jù)相關壁壘。
我們在手勢先后在天貓精靈和優(yōu)酷上線后，我們同樣也經(jīng)歷了這樣的一個過程，為了讓我們的算法“越用越好”：

• 提出了新的檢測算法，應用了前沿的 Overflow-aware 量化方案，J致算法體驗。

• 我們接入了 AutoML 助力 AI 應用快速落地，以動態(tài)閉環(huán)的形式優(yōu)化我們的算法。

4.1  更快更強的端上檢測算法 + overflow-aware 量化應用
4.1.1  更強的端上檢測算法
基于 anchor-free 方案，更G效的算法框架，使用 heatmap 輔助 anchor 方案
基于天貓精靈音箱，IOT 視覺模組等不同設備算力的硬件條件，對端上的手勢識別提出了更加G的要求，我們進一步提升手勢識別算法能力框架：基于流行的 anchor-free centernet 算法，提出了 centernet-lite 的端上檢測算法，不過在實際算法的落地的過程中，我們發(fā)現(xiàn)目前流行的 anchor-free 方案在小網(wǎng)絡有一些天然劣勢：

• 由于其天然基于 heatmap，終精度與 heatmap 有很大關系，這對小型化不利。

• 同時，由于 heatmap 的原因，這種方案無法很好的解決同一類物體重疊的情況。

4.1.2  應用 Overflow-aware 低比特量化算法
端上量化
加速目前業(yè)界流行的方案為谷歌 8bit 量化算法，事實上，有更優(yōu)秀的低比特量化算法：通過學習的方法，學習每一層的 min/max 范圍，動態(tài)的調(diào)整每一層的量化方案，目前在推理引擎端加速比為 70%。
終我們采用使用 heatmap 方案來輔助 anchor 檢測方案且融合 Overflow，這取得了比較好的精度和效果的平衡，在天貓精靈硬件上。

4.2  優(yōu)化閉環(huán)：AUTOAI 的手勢線上識別優(yōu)化框架 （讓算法越用越好）
我們利用在 deep learning 中有類似模型蒸餾的思想，通過采用預先訓練好的復雜模型（Teacher model）的輸出作為監(jiān)督信號去訓練線上網(wǎng)絡（student model）。我們可以在不直接接觸業(yè)務數(shù)據(jù)的情況下，不斷進行算法的優(yōu)化。
使用圍欄的優(yōu)化結果：

五、產(chǎn)品J的序列（動態(tài)）手勢
5.1  為什么要做動態(tài)手勢識別
我們在單點手勢已經(jīng)做了非常多的嘗試和應用落地，但是動態(tài)手勢作為一種更自然更“爽”的交互方式，是我們一直在不斷鉆研的實際方向。
從產(chǎn)品的思路上來說，動態(tài)手勢提供了更多的交互感和參與感，其應用的場景可能也是不一樣的，比如單點手勢可能應用與 IOT 設備等操控類型的算法場景，動態(tài)手勢其d特的參與感讓其更適用于教育，娛樂，線下運營等實際場景，這也是我們不斷突破這個場景的原因。
5.2  基于 skeleton 的動態(tài)手勢識別算法
去年，我們實現(xiàn)了基于 skeleton-based 的動態(tài)手勢識別算法(相關工作已經(jīng)投稿ISMAR2019,并成功發(fā)表，鏈接：https://ieeexplore.ieee.org/document/8951971)：
但是在實際的產(chǎn)品化過程中，我們發(fā)現(xiàn)對于通用的動態(tài)手勢識別，純粹的 skeleton-based 方案可能并不實用，主要原因有：

• 算力：完成 skeleton-based 的一系列操作：手勢檢測+指尖回歸+時序網(wǎng)絡等需要較G算力，在天貓精靈等 IOT 設備上無法達到產(chǎn)品J別的能力。

• motion blur：由于手勢運動較快的原因，大部分動態(tài)手勢都有運動模糊的情況，對檢測+關鍵點這類算法非常不友好。

因此，我們把目光投到了以動作識別為基礎、指尖回歸為輔助的時序推理方案。
5.3  基于視頻理解的動態(tài)手勢識別算法
時序推理
原理：圖像關系的時序推理（temporal reasoning）能力，要讓計算機認識這兩個行為，需要兩張及以上的幀圖像來相互輔助識別。一個行為需要被多個幀協(xié)作來解釋。這種方案很好的解決了 motion blur 的問題，且算力上更可控。
Our Temporal Generation Network_
為解決運動模糊等問題，采用基于 RGB 時序序列為主框架的視頻識別方案，提取連續(xù)采樣幀的特征，并使用改良的G效快速的非退化 3D 卷積網(wǎng)絡，對時序特征進行融合。
同時針對特定手勢的識別，提出一種基于手指關鍵點的輔助分支，使用 heatmap 分支對指尖關鍵點進行多任務學習并回歸，檢測出手指的運動軌跡，與 RGB 分支進行特征融合，輔助動態(tài)手勢識別。算法整體結合了基于 RGB 和關鍵點方案的優(yōu)勢，達到了速度與精度的平衡。

六、未來展望
我們已經(jīng)在單點手勢識別，序列手勢識別在算法、業(yè)務都進行了較多的探索和嘗試，關于手勢識別的未來算法探索方向和業(yè)務發(fā)力點，我們也有一些自己的展望：
6.1  3D 手勢崛起
3D 人手姿勢估計是指基于輸入的 RGB 或 RGB-D 圖片進行人手建模并找到關鍵部件（如，骨節(jié)點）位置的過程。我們生活在三維世界，三維手勢交互必然帶來更自然更舒適的交互體驗。我們也在 3D 人手交互方面正進行積J探索，未來在電商產(chǎn)品交互式展示、VR/AR、手語識別、在線教育等方面，我們會推出更多的交互性更強的產(chǎn)品，提供更人性化的交互體驗和服務。
Oculus Quest 在今年推出的 3D 手勢操控
6.2  手勢在 IOT 場景的應用
手勢控制能否超越語音控制成為智能家居設備自然不過的設備呢？在 IOT 場景，如果可以使用手勢控制電視，燈泡，空調(diào)等等。目前已經(jīng)有一些 startup 開始了在這方面的探索。
比如 Bixi，Bixi 是一款手勢小遙控器，感應你的空中手勢，可以指揮你喜歡的智能手機應用程序、LifX 或者 Hue 燈泡、互聯(lián)網(wǎng)揚聲器、GoPro 和許多其他 IoT 設備。
再比如如下圖的 Bearbot 萬用遙控器,除了萌系的外觀以外,還可以支持自定義手勢控制全屋家電,讓你從此擺脫一堆遙控器的束縛。
Bearbot 手勢遙控器，圖片來源：https://www.indiegogo.com/projects/bearbot#/
6.3  手勢在教育場景的更多應用
除了手指點讀，手勢在教育行業(yè)其實應該有更多的應用，比如現(xiàn)在大火的在線教育，手勢可以增加虛擬課堂的互動感和，同時對于小朋友來說，手勢/視覺提供的有趣新奇的操控體驗也是對幼兒提G課堂注意力非常重要的一環(huán)，例如，引導舉手回答問題。再比如，我們需要做一些課堂小練習，普通的模式太枯燥，使用動態(tài)手勢識別“畫對勾”，“畫叉叉”讓小朋友以互動游戲的方式完成這些練習。

查看更多相似文章