楊尊儉，張淑軍

（青島科技大學 信息科學技術(shù)學院，山東 青島 266061）

手勢是非語言交流的重要方式，也是非接觸式的人機交互中的重點研究課題。其在各個領(lǐng)域取得了廣泛的應(yīng)用，如汽車自動駕駛過程中需要能夠識別交警手勢并做出正確響應(yīng)，基于手勢交互的車輛控制［1］、智能教學［2］，基于手勢的機器人控制［3-4］、3D模型控制等［5］。其中手勢的識別速度和精準度是研究和應(yīng)用的關(guān)鍵。

非接觸式交互設(shè)備的出現(xiàn)，如Kinect、Leap Motion、HTC VIVE等，推動了基于手勢的交互技術(shù)的進一步發(fā)展。Shotton等［6］從Kinect提供的深度數(shù)據(jù)中評估出3D關(guān)節(jié)點的位置，為人體動作識別提供了重要的數(shù)據(jù)基礎(chǔ)。傳統(tǒng)的手勢識別主要通過數(shù)字圖像處理的方式對手勢進行跟蹤、分割等處理，對圖像進行分類。以骨架研究分為兩大類［7］：一種是將骨架用點來表示，對點的信息進行分析處理；另一種則是將部分骨架表示為剛體片段進行分析［8］。曹國強等［9］使用動態(tài)時間規(guī)整（dynamic time warping，DTW）與樸素貝葉斯分類（naive bayes classification，NBC）相結(jié)合進行模板訓練與匹配的方法，對手勢進行分類。石祥濱等［10］通過K-均值聚類算法提取視頻序列中關(guān)鍵幀的關(guān)節(jié)點位置和人體剛體部分之間的骨架角度來對動作序列分類。Ju等［11］結(jié)合RGB-D顏色空間的最大期望對Kinect捕獲的手勢進行分割。王鑫等［12］用LE（laplacian eigenmaps）流形學習對Kinect設(shè)備獲取的人體關(guān)節(jié)點信息進行降維運算，提取特征。

隨著卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的提出，基于深度學習的識別方法得到了迅速發(fā)展。Sanchez-Riera等［13］使用Kinect進行數(shù)據(jù)采集，利用深度學習方法對手勢的運行軌跡進行姿勢和方向上的評估。Dardas等［14］對圖像進行尺度不變性特征變換特征提取，使用多分類支持向量機（SVM）進行手勢識別。

本文以仿真駕駛為背景，提出了一種結(jié)合DTW 與深度學習的手勢識別技術(shù)，使用Kinect進行數(shù)據(jù)采集，以無人車在城市中行駛為背景，利用Unity進行場景搭建及定義交互事件，構(gòu)建無人車駕駛仿真交互系統(tǒng)。

1 方法概述

在無人車行駛中，車輛的行進方向與行進速度是研究的關(guān)鍵。車輛需要對交警手勢、用戶自定義手勢等做出及時的反饋，以保證智能化行進。本文提出改進的DTW 算法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的識別方法應(yīng)用于無人車駕駛，并通過虛擬現(xiàn)實技術(shù)對其進行模擬仿真。系統(tǒng)流程如圖1所示。

圖1 系統(tǒng)流程框圖

通常的手勢交互以上肢動作為主，識別需要做到實時才具有可用性。同一個人多次做相同手勢和不同的人做相同的手勢，手勢的速度和細節(jié)都存在差異，因此，適合使用DTW 算法進行識別。又考慮到在識別過程中，不同關(guān)節(jié)點貢獻率不同，所以本文提出了一種加權(quán)的DTW 算法，對手勢進行粗粒度識別。由于背景光照、顏色、遮擋等各種客觀因素影響，部分手勢在RGB圖像中比較模糊，使用傳統(tǒng)方法穩(wěn)定性和魯棒性較差。為此，本文使用基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識別方法與DTW算法相結(jié)合，充分利用Kinect提取的關(guān)節(jié)點信息對手進行局部聚焦，同時識別上肢粗粒度手勢及手部細粒度語義，提高識別的速度與準確率。

本文通過Kinect獲取用戶的實時圖像并進行人體識別獲取關(guān)節(jié)點信息，改進的DTW 算法利用關(guān)節(jié)點信息進行特征向量的提取和匹配，對手勢進行粗粒度識別?；谏疃葘W習的方法使用CNN網(wǎng)絡(luò)對手勢圖像進行細粒度識別。在仿真駕駛系統(tǒng)中，粗粒度識別結(jié)果決定汽車的行駛方向，細粒度識別結(jié)果對行駛速度等進行控制，2種方式同時作用，實現(xiàn)虛擬環(huán)境與用戶的實時無縫虛實交互。

2 基于K inect的人體關(guān)節(jié)點提取

Kinect由RGB攝像頭獲取彩色圖像，由紅外線發(fā)射器和紅外攝像機配合獲取深度圖像。紅外線發(fā)射器作為光源將結(jié)構(gòu)光打在物體上，形成激光散斑，而紅外攝像機作為接收器，對這些激光散斑進行標定，計算得到深度數(shù)據(jù)，最后使用插值算法得到場景的三維數(shù)據(jù)。

Kinect獲取人體關(guān)節(jié)點的過程包括3個步驟：前景提取、人體骨骼分類和關(guān)節(jié)點定位。前景提取通過深度圖像上的深度信息，設(shè)置相應(yīng)的閾值提取目標主體和形狀。人體骨骼分類用機器學習的算法對提取的形狀信息進行訓練，訓練出決策樹分類器依據(jù)形狀信息來匹配人體的各個部位。最后通過計算來匹配關(guān)節(jié)點在人體中的位置。

Kinect傳感器數(shù)據(jù)采集標準：Kinect設(shè)備水平放置于桌面上，目標面對Kinect傳感器，距離為0.8～2.5 m。獲取的彩色圖像與深度圖像分辨率均為640*480，幀頻為30 fps。傳感器使用的三維坐標為：以Kinect為原點，通過右手定則建立空間坐標系，x軸的正方向為水平向左，y軸的正方向垂直向上，z軸方向為攝像頭拍攝方向。三維空間坐標使用（x，y，z）表示，如圖2所示。

圖2 Kinect空間坐標系

通過Shotton等［6］提出的方法從深度圖像中提取人體25個關(guān)節(jié)點，如圖3所示。

圖3 Kinect25個關(guān)節(jié)點示意圖

從圖3中可以看出，左右雙臂和雙手各有不同的關(guān)節(jié)點，這為后續(xù)識別左側(cè)或右側(cè)手勢提供了有利的數(shù)據(jù)支持。

3 基于加權(quán)的DTW 算法識別粗粒度手勢

3.1 動態(tài)時間規(guī)整（DTW）

DTW 方法是Sakoe等［15］提出用于判斷時間序列相似性的方法。DTW 可以很好地匹配2個不同時間軸上的時序序列之間的匹配代價［16］。

基于DTW 的手勢識別主要分為3個步驟：建立樣本庫、訓練樣本、識別樣本。在識別時首先截取部分手勢幀作為測試樣本，然后與樣本庫中的樣本進行對比，找出與之最匹配的樣本。手勢樣本庫中的樣本表示為R=｛R（1），R（2），…，R（m），…，R（M）｝，測試樣本為T=｛T（1），T（2），…，T（n），…，T（N）｝，其中m和n為樣本幀的序號，R（m）為第m幀的動作特征矢量，T（n）為第n幀的動作特征矢量，M、N為模板中所包含的動作總幀數(shù)。構(gòu)建一個M×N的矩陣，樣本庫樣本R為橫軸，測試樣本T為豎軸。將測試動作矢量T（n）映射到樣本庫動作矢量R（m），這種映射關(guān)系表示為（Rm，Tn），計算二者映射后對應(yīng)的歐幾里得距離，對R和T中所有對應(yīng)項求和：

式中：K表示該幀特征向量的維數(shù)；Rmk表示樣本庫樣本的第m幀的第k個特征值；Tnk表示測試樣本的第n幀的第k個特征值。D越小說明測試樣本T與樣本庫樣本R相似度越大，D越大則相似度越小。

3.2 加權(quán)的DTW 方法

動態(tài)時間規(guī)整默認每個手勢的關(guān)節(jié)點在軌跡上的貢獻度是相同的，對樣本中的所有關(guān)節(jié)點使用相同處理標準，而在實際手勢中不同關(guān)節(jié)點的位移變化對手勢識別所起的作用并不相同，某些關(guān)節(jié)點起到?jīng)Q定性作用，因此，本文提出一種改進的DTW 算法，通過對關(guān)節(jié)點進行加權(quán)來進行更優(yōu)的動態(tài)規(guī)劃，更精準地識別手勢。充分考慮各關(guān)節(jié)在上肢手勢中所起的作用，選取頸椎中部（1）、左肩（4）、左肘（5）、左手腕（6）、右肩（8）、右肘（9）、右手腕（10）、頸下脊椎（20）等8個關(guān)節(jié)（括號中的數(shù)字對應(yīng)圖3中的關(guān)節(jié)點編號）用于連續(xù)手勢識別，可有效減少運算的復雜度。每一個關(guān)節(jié)由一個三維坐標表示，因此，一幀骨骼數(shù)據(jù)可以表示為由8個關(guān)節(jié)點坐標組成的24維的動作矢量：

人與攝像頭之間的位置以及骨架的大小等都會造成關(guān)節(jié)坐標的改變，因此需要對關(guān)節(jié)坐標進行預處理。以人體頸椎關(guān)節(jié)為原點，將坐標系平移到人體，并以脊柱的距離作為標準，分別對各關(guān)節(jié)坐標進行標準化，以消除干擾因素的影響，獲得較為標準的關(guān)節(jié)數(shù)據(jù)。根據(jù)中國成年人人體尺寸（GB/T 10000—1988），以雙臂平伸站立姿態(tài)，左肘（5）、左手腕（6）、右肘（9）、右手腕（10）關(guān)節(jié)點到頸椎中部（1）、左肩（4）、右肩（8）、頸下脊椎（20）4點中心的距離作為權(quán)重標準，如左肘的權(quán)重為：

l為關(guān)節(jié)點到中心的距離，整體匹配代價如式（3）所示：

其中λ=｛wi｝，通過加權(quán)后的手勢序列匹配，對大幅度手勢動作得到識別結(jié)果。

4 基于深度學習方法識別細粒度手勢

DTW 算法能夠完成2個手勢序列的整體匹配，但對于手部的細節(jié)動作識別不夠準確，為此，本文采用基于深度學習的方法對動態(tài)手勢中的手部語義進行細粒度識別。深度學習方法已成功應(yīng)用于圖像識別領(lǐng)域，并且具有較好的穩(wěn)定性和魯棒性。

4.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）由輸入層、卷積層、池化層、全連接層以及輸出層組成。一般有若干卷積層與池化層交替設(shè)置，卷積層的每個節(jié)點通過卷積核與上一層局部信息相連，卷積的結(jié)果經(jīng)過激活函數(shù)得到該層特征圖；池化層中的每個特征面與上一層的一個特征面對應(yīng)，對特征信息稀疏處理，獲取具有空間不變行的特征；在全連接層中，每個節(jié)點與上一層的節(jié)點全連接，整合卷積層和池化層中具有區(qū)分性的信息；在輸出層，通過Softmax分類器處理后的數(shù)據(jù)按概率返回分類結(jié)果。

4.2 手部ROI的計算

要想通過手部動作表達不同的語義，必須要對手部進行準確的定位和識別。傳統(tǒng)方法對復雜背景中的手分割和識別效果較差，本文通過Kinect提取的手部關(guān)節(jié)點來定位手部ROI，使用7層的CNN對手部圖像進行識別。

在Kinect獲取的25個關(guān)節(jié)點中，手部的關(guān)節(jié)點位一共有8個，左右手各4個，分別為腕、手、拇指和指尖，根據(jù)這4個關(guān)節(jié)點與手整體位置之間的關(guān)系，4個點的質(zhì)心即可作為手部ROI的中心點，而ROI的邊長設(shè)定為人體前臂的長度，以保證手部區(qū)域的完整性。人體前臂的長度L可通過手肘到手腕的距離來計算：

式中，（x5，y5）與（x6，y6）分別表示圖3中編號為5的關(guān)節(jié)點ElbowL以及編號為6的關(guān)節(jié)點WristL當前幀的坐標值。不同手勢情況下手部ROI的部分計算結(jié)果如圖4所示。

圖4 手部ROI的計算結(jié)果

4.3 基于CNN對手部ROI進行訓練和識別

本文使用的CNN模型分為輸入層、卷積層、池化層、全連接層和輸出層。對提取的ROI手部圖像進行歸一化處理，得到90×90大小的圖片，將其輸入到CNN網(wǎng)絡(luò)中。歸一化尺寸的選取是根據(jù)實驗中多次采集到圖像的統(tǒng)計結(jié)果確定的。7層卷積神經(jīng)網(wǎng)絡(luò)對輸入圖像進行特征提取和采樣，再送入全連接層，最后通過Softmax函數(shù)得到分類結(jié)果，如圖5所示。

圖5 基于CNN進行手勢識別的分類結(jié)果

5 實驗結(jié)果與分析

實驗環(huán)境：采用Unity3.6.1f1建立仿真駕駛環(huán)境，使用Kinect采集用戶信息，通過手勢識別與虛擬環(huán)境進行自然交互。軟硬件配置如表1所示。

5.1 系統(tǒng)建模與界面

本文使用3DMax創(chuàng)建虛擬環(huán)境中的模型，導出為FBX場景文件，并在Unity中導入到Scene中，調(diào)整好度量單位、燈光、動畫、嵌入媒體以及骨骼幾何體等，保證導出的場景中包含所有模型的元素，在Unity-Scene中對模型進行合理布局。

所有的貼圖文件在Assets-Material文件夾中保存，F(xiàn)BX等模型文件在Models中保存，在導入好的模型的Inspector視圖中通過“Add Component”查找“MeshCollider”，加入網(wǎng)格碰撞功能。

表1 軟硬件配置

Unity中車輛與場景模型通過坐標等修改使得輪胎與道路路面接觸，設(shè)置好車輛動力學特性、重力場、觸發(fā)器和碰撞器的檢測等各項技術(shù)參數(shù)，讓車輛模型能夠與場景的物體進行實時檢測。

構(gòu)建了一個包含道路、車輛、交通信號燈、建筑物、樹木等在內(nèi)的虛擬城市場景，系統(tǒng)交互界面如圖6所示。

圖6 系統(tǒng)交互界面

5.2 手勢及交互效果定義

為了在虛擬環(huán)境中更好地展現(xiàn)無人車對手勢指令的反饋效果，定義5種動態(tài)手勢，分別控制無人車前進、停止、左轉(zhuǎn)彎、右轉(zhuǎn)彎、后退，同時為了交互控制汽車行駛速度，定義4種模式的手部動作，可以疊加在上述5種手勢過程中，構(gòu)成復合手勢，使無人車同時在行駛方向和速度上有相應(yīng)的反饋。手勢名稱及動作語義如表2所示。

表2 手勢名稱及動作語義

表2中，手勢1—5由DTW 算法識別，手勢6—9由深度學習方法識別，二者組合，得到完整的手勢識別結(jié)果。手勢6—7中，每次識別之后速度按1個標準單位變化。

5.3 關(guān)節(jié)點數(shù)據(jù)分析

記錄實驗數(shù)據(jù)，以備后續(xù)數(shù)據(jù)分析。手勢數(shù)據(jù)按照關(guān)節(jié)點X、Y、Z軸分別存儲，以便于數(shù)據(jù)分析。表3給出了TurnRight手勢的右手腕關(guān)節(jié)點（編號為10）的坐標序列值。

表3 TurnRight的右手腕（10）點坐標

由此可見，在TurnRight中，X軸數(shù)值逐漸上升，Y、Z軸無明顯變化。對于TurnRight，右手腕（10）關(guān)節(jié)點的X軸坐標影響較大，以此作為賦予權(quán)重依據(jù)。

5.4 基于深度學習的識別

該識別方法分為離線訓練與實時識別2個階段。離線訓練階段分為2個步驟：

1）數(shù)據(jù)集

數(shù)據(jù)集使用馬德里自治大學視頻處理與理解實驗室的HGDs數(shù)據(jù)集［17］，選取其中的4種：手掌張開、手握拳、剪刀手和食指伸出。每種手勢200幅圖像。每類手勢按9∶1的比例分為訓練集與測試集，如圖7所示。

圖7 手勢數(shù)據(jù)集

2）訓練網(wǎng)絡(luò)模型

本網(wǎng)絡(luò)由7個帶有relu層的卷積層與一個全連接層組成，使用softmax作為分類器。加載在ImageNet上預訓練的網(wǎng)絡(luò)模型，在上述手勢數(shù)據(jù)集上進行訓練，batch_size=64，迭代次數(shù)為2 000次。在測試集上的最終識別準確率為96.6%。存儲該訓練參數(shù)模型用于實時識別階段。

5.5 手勢識別及虛實交互結(jié)果

對粗粒度和細粒度手勢識別的結(jié)果及虛擬車輛的交互反饋效果如圖8所示。

圖8（a）～（e）分別展示了舉起左手配剪刀手動作——汽車減速前進、舉起右手配拳頭動作——汽車加速后退、手左揮配手掌動作——汽車勻速左轉(zhuǎn)、手右揮配手掌動作——汽車勻速右轉(zhuǎn)、食指動作——后視鏡開關(guān)變化的交互效果。圖中左上角紅字為手勢識別結(jié)果，分別為DTW 算法識別結(jié)果（運動行進方向）、當前行駛速度、深度學習方法識別結(jié)果（速度或后視鏡變化）。

圖8 手勢識別及交互結(jié)果

為了進一步驗證本文方法的可行性，對每種手勢在仿真系統(tǒng)中測試其識別的精度，每種手勢分別測試100次，識別準確率如表4所示。

表4 實驗結(jié)果

實驗結(jié)果分析：從表4中可以看出SpeedUp和SpeedDown識別較為穩(wěn)定，手部的左右移動識別較好，手部細粒度識別整體較好，行進方向控制的平均準確率為95.8%，平均FPS為27.6 Hz，行進速度控制平均準確率為95.75%，平均FPS為28.75 Hz，實驗表明本文提出的方法在無人車仿真中的有效性。

6 結(jié)論

隨著社會的進步，智慧城市的發(fā)展，汽車智能化與網(wǎng)聯(lián)化即將到來，無人車自動駕駛是重點研究項目。本文主要面向仿真駕駛場景，將改進的DTW 算法與卷積神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對用戶的動態(tài)與靜態(tài)復合手勢進行實時識別，虛擬車輛根據(jù)識別結(jié)果進行交互反饋。