一、手势估计研究难点

1. 场景

• 手分辨率低（Low-res hand）
• 背景杂乱（Clutter background）
• 手与其它对象交互（Object/surface interaction）
• 手被遮挡（Occlusions/Self-occlusions）

2. 形态

• 不同手势相似（Self-similarity）
• 多自由度（many DoF(Degree of Freedom)）
• 多视角（Multiple viewpoints）
• 不同的形状和尺寸

3. 数据集获取困难

 

二、传统方法

手势估计的传统方法多数是针对RGB-D图像的，不过思路可以迁移到RGB图像上。

1、生成方法（model-based）

首先创建大量的手势；然后选择一个最匹配当前图像的手势。使目标函数（度量输入图像与手模型近似图的相似性）最优化。缺点：初始化复杂、容易陷于局部最优。生成式方法相较判别式应用较少。

2、Approaches  判别方法（appearance-based） 

学习图像到手势配置的映射。缺点：图像低分辨率、自我遮挡、快速移动时会产生大量错误。采用local regression（分层）的方法，可以提高对遮挡的鲁棒性，但是易产生抖动。

判别模型 （Data-Driven，Learning Based Methods）

应用举例：(2014.6) Real-Time Continuous Pose Recovery of Human Hands Using Convolutional Networks. 

使用CNN提取特征，并为关节位置生成小的热图(heatmaps)，然后从特征和小的热图中使用IK(反向 动力学)推断出手的姿势。此方法只能预测关节的2D位置，然后使用深度图算出第三个坐标，这对于隐藏关节是有问题的。精确度受限于heatmap分辨率；因为CNN必须在每个像素位置进行评估，所以创建热图计算量很大。

3、混合方法（Discriminative methods + Generative methods）

应用举例：(2016.4) Spatial Attention Deep Net with Partial PSO for Hierarchical Hybrid Hand Pose Estimation

判别方法产生的手势难以满足运动约束，而生成方法可用于纠正或验证这些手势结果。级联（多阶段）+ 多层  (cascaded (with multiple stages) and hierarchical (with multiple layers))

 

三、深度学习方法

1、算法流程

2、17ICCV-Learning to Estimate 3D Hand Pose from Single RGB Images

第一个模块采用语义分割网络提取手部区域，输出hand mask，然后根据mask重新resize手部区域大小。第二个模块采用类似CPM的结构定位手部关节点位置，输出21张不同keypoint的score map。第三个模块根据2D的节点位置和先验知识恢复出3D节点位置。

上路预测结点位置信息（即正则化后的手的坐标），以手掌的点为原点，且长度进行了normalize。下路估计相对于实际图片的空间的变换关系（即视角角度）。两个任务用采用相似的网络框架。基于左右手的对称性，会对右手进行翻转。最终将预测结果进行融合得到最后的坐标。

3、17CVPR-Hand Keypoint Detection in Single Images using Multiview Bootstrapping

经典的Openpose中的方法。网络可视化后可以看到2D姿态估计阶段采用类似CPM的网络结构3D估计阶段需要多视角信息，采用Muiti Bootstrapping算法：初始化并产生带有噪音的标签；对于正确的标签进行triangulation；对于错误的标签则进行reprojection和retraining，继续用来改善detector；得益于bootstrapping的过程，即使最初的detector效果较差也不会影响最后结果的准确性。

 

四、New State-of-the-art

1、18CVPR-GANerated Hands for Real-Time 3D Hand Tracking From Monocular RGB

该文章主要解决视频中手部tracking问题。GeoConGAN部分产生训练数据，将通过软件仿真出来手转化成非常逼真的手，即给假手渲染上真实的肤色和纹理。通过这种image-to-image的translation即可减少训练数据与真实数据之间的gap。RegNet部分，利用上一阶段产生的数据训练并回归2Dheatmap和3D位置。Kinematic Skeleton Fitting部分根据DOF手关节自由度模型，建立了kinematic hand model 的表示，有助于得到鲁棒的3D模型。

2、18CVPR-Cross-Modal Deep Variational Hand Pose Estimation

该文章通过生成的DNN来学习由跨模态训练的潜在空间表示的统计手模型，同时适用于RGB和RGBD图像。很新颖的一种思路。结构：Encoder Pair（q1，q2），Decoder Pair（p1，p2）.  这样的设计有助于对隐式空间正则化。

 

五、相关数据集

https://github.com/xinghaochen/awesome-hand-pose-estimation#datasets

 

References：

https://blog.****.net/myarrow/article/details/51933651