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(shè)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(yīng) AI 和邊緣計(jì)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(jī)、平板電腦、臺式電腦、筆記本電腦、智能手表和智能電視，IOT 設(shè)備中看到更多結(jié)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(jī)和智能音箱上提供了手勢交互的能力，華為在旗艦手機(jī) 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(yīng)用的相關(guān)專利，實(shí)際上，手勢作為人機(jī)交互自然的方式場景簡直是不言自明，想像一下這些場景：
總結(jié)來說：“You are the only interface you need”。
二、我們現(xiàn)在的業(yè)務(wù)場景
我們所屬天貓精靈 M 實(shí)驗(yàn)室，主要負(fù)責(zé)跟天貓精靈相關(guān)的視覺算法，我們的主要研究方向人機(jī)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(jìn)一步，在技術(shù)，業(yè)務(wù)，算法上進(jìn)行了更為深入的探索：
三、無處不在的單點(diǎn)（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(diǎn)手勢能力進(jìn)一步移植到了優(yōu)酷 iPad 場景中。
3.1.1 單點(diǎn)手勢應(yīng)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(yù)期和用戶痛點(diǎn)：
3.2 走的更遠(yuǎn)：大屏遠(yuǎn)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(jìn)入千家萬戶。據(jù)工信部預(yù)測，到 2020 年，智能電視市場滲透率有望達(dá)到 90% 以上。除了數(shù)量優(yōu)勢，強(qiáng)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(gè)重要入口，智能電視的大屏幕更易實(shí)現(xiàn)交互。
3.2.2 挑戰(zhàn)
要走的更遠(yuǎn)，也常常伴隨更大的挑戰(zhàn)。和天貓精靈 CC 或 iPad 這種近身設(shè)備相比，在智能電視場景進(jìn)行手勢算法研發(fā)面臨主要面臨的挑戰(zhàn)有：
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(jī)制導(dǎo)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(jìn)行下采樣，在獲取具有G層語義信息的特征圖的同時(shí)，盡量保留細(xì)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(gè)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(shí)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(jìn)行檢測。基于此，我們利用 Similarity Context 和 Semantics Context 來作為 Contextual attention ，從而指導(dǎo)網(wǎng)絡(luò)獲取手區(qū)域以外的語義信息，增強(qiáng)檢測能力。
四、落地與優(yōu)化閉環(huán)
相信任何一個(gè)做過 AI 算法落地的同學(xué)，都會遇到各種各樣的實(shí)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(xué)習(xí)的AI算法的非常重要的一個(gè)特點(diǎn)就是越用越好，并漸漸形成數(shù)據(jù)相關(guān)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(gè)過程，為了讓我們的算法“越用越好”：
4.1 更快更強(qiáng)的端上檢測算法 + overflow-aware 量化應(yīng)用
4.1.1 更強(qiáng)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(shè)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(jìn)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(shí)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(luò)有一些天然劣勢：
4.1.2 應(yīng)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(shí)上，有更優(yōu)秀的低比特量化算法：通過學(xué)習(xí)的方法，學(xué)習(xí)每一層的 min/max 范圍，動(dòng)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(yù)先訓(xùn)練好的復(fù)雜模型（Teacher model）的輸出作為監(jiān)督信號去訓(xùn)練線上網(wǎng)絡(luò)（student model）。我們可以在不直接接觸業(yè)務(wù)數(shù)據(jù)的情況下，不斷進(jìn)行算法的優(yōu)化。
使用圍欄的優(yōu)化結(jié)果：
五、產(chǎn)品J的序列（動(dòng)態(tài)）手勢
5.1 為什么要做動(dòng)態(tài)手勢識別
我們在單點(diǎn)手勢已經(jīng)做了非常多的嘗試和應(yīng)用落地，但是動(dòng)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(shí)際方向。
從產(chǎn)品的思路上來說，動(dòng)態(tài)手勢提供了更多的交互感和參與感，其應(yīng)用的場景可能也是不一樣的，比如單點(diǎn)手勢可能應(yīng)用與 IOT 設(shè)備等操控類型的算法場景，動(dòng)態(tài)手勢其d特的參與感讓其更適用于教育，娛樂，線下運(yùn)營等實(shí)際場景，這也是我們不斷突破這個(gè)場景的原因。
5.2 基于 skeleton 的動(dòng)態(tài)手勢識別算法
去年，我們實(shí)現(xiàn)了基于 skeleton-based 的動(dòng)態(tài)手勢識別算法(相關(guān)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(shí)際的產(chǎn)品化過程中，我們發(fā)現(xiàn)對于通用的動(dòng)態(tài)手勢識別，純粹的 skeleton-based 方案可能并不實(shí)用，主要原因有：
因此，我們把目光投到了以動(dòng)作識別為基礎(chǔ)、指尖回歸為輔助的時(shí)序推理方案。
5.3 基于視頻理解的動(dòng)態(tài)手勢識別算法
時(shí)序推理
原理：圖像關(guān)系的時(shí)序推理（temporal reasoning）能力，要讓計(jì)算機(jī)認(rèn)識這兩個(gè)行為，需要兩張及以上的幀圖像來相互輔助識別。一個(gè)行為需要被多個(gè)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(yùn)動(dòng)模糊等問題，采用基于 RGB 時(shí)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(luò)，對時(shí)序特征進(jìn)行融合。
同時(shí)針對特定手勢的識別，提出一種基于手指關(guān)鍵點(diǎn)的輔助分支，使用 heatmap 分支對指尖關(guān)鍵點(diǎn)進(jìn)行多任務(wù)學(xué)習(xí)并回歸，檢測出手指的運(yùn)動(dòng)軌跡，與 RGB 分支進(jìn)行特征融合，輔助動(dòng)態(tài)手勢識別。算法整體結(jié)合了基于 RGB 和關(guān)鍵點(diǎn)方案的優(yōu)勢，達(dá)到了速度與精度的平衡。
六、未來展望
我們已經(jīng)在單點(diǎn)手勢識別，序列手勢識別在算法、業(yè)務(wù)都進(jìn)行了較多的探索和嘗試，關(guān)于手勢識別的未來算法探索方向和業(yè)務(wù)發(fā)力點(diǎn)，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(jì)是指基于輸入的 RGB 或 RGB-D 圖片進(jìn)行人手建模并找到關(guān)鍵部件（如，骨節(jié)點(diǎn)）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(yàn)。我們也在 3D 人手交互方面正進(jìn)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(qiáng)的產(chǎn)品，提供更人性化的交互體驗(yàn)和服務(wù)。
Oculus Quest 在今年推出的 3D 手勢操控
6.2 手勢在 IOT 場景的應(yīng)用
手勢控制能否超越語音控制成為智能家居設(shè)備自然不過的設(shè)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(yīng)你的空中手勢，可以指揮你喜歡的智能手機(jī)應(yīng)用程序、LifX 或者 Hue 燈泡、互聯(lián)網(wǎng)揚(yáng)聲器、GoPro 和許多其他 IoT 設(shè)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(yīng)用
除了手指點(diǎn)讀，手勢在教育行業(yè)其實(shí)應(yīng)該有更多的應(yīng)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(dòng)感和，同時(shí)對于小朋友來說，手勢/視覺提供的有趣新奇的操控體驗(yàn)也是對幼兒提G課堂注意力非常重要的一環(huán)，例如，引導(dǎo)舉手回答問題。再比如，我們需要做一些課堂小練習(xí)，普通的模式太枯燥，使用動(dòng)態(tài)手勢識別“畫對勾”，“畫叉叉”讓小朋友以互動(dòng)游戲的方式完成這些練習(xí)。
