一、概述
“手勢是人類(lèi)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?
我們或將在智能手機、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(lái)操作的未來(lái)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(píng)果也剛剛提交了手勢在智能音箱上應用的相關(guān)專(zhuān)利，實(shí)際上，手勢作為人機交互自然的方式場(chǎng)景簡(jiǎn)直是不言自明，想像一下這些場(chǎng)景：
總結來(lái)說(shuō)：“You are the only interface you need”。
二、我們現在的業(yè)務(wù)場(chǎng)景
我們所屬天貓精靈 M 實(shí)驗室，主要負責跟天貓精靈相關(guān)的視覺(jué)算法，我們的主要研究方向人機交互視覺(jué)算法，包括手勢識別，肢體識別，還有多模態(tài)視覺(jué)語(yǔ)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(wú)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(chǎng)景中。
3.1.1 單點(diǎn)手勢應用：優(yōu)酷吃飯看劇神器
來(lái)自用戶(hù)的聲音：吃飯看劇神器
這是在優(yōu)酷上線(xiàn)后用戶(hù)自發(fā)介紹的使用視頻，也非常符合我們的場(chǎng)景預期和用戶(hù)痛點(diǎn)：
3.2 走的更遠：大屏遠距手勢交互
3.2.1 大屏交互場(chǎng)景
近年來(lái)，智能電視（智屏）正越來(lái)越多的進(jìn)入千家萬(wàn)戶(hù)。據工信部預測，到 2020 年，智能電視市場(chǎng)滲透率有望達到 90% 以上。除了數量?jì)?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(gè)重要入口，智能電視的大屏幕更易實(shí)現交互。
3.2.2 挑戰
要走的更遠，也常常伴隨更大的挑戰。和天貓精靈 CC 或 iPad 這種近身設備相比，在智能電視場(chǎng)景進(jìn)行手勢算法研發(fā)面臨主要面臨的挑戰有：
3.2.3 大屏方案
針對以上挑戰，經(jīng)過(guò)我們算法研發(fā)探索，提出語(yǔ)義注意力機制導引的快速人手檢測和分類(lèi)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(lèi) hourglass 模塊對輸入進(jìn)行下采樣，在獲取具有G層語(yǔ)義信息的特征圖的同時(shí)，盡量保留細節性特征，有利于對 tiny hand 的檢測。
2）Contextual attention
3-5 米場(chǎng)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(cháng)“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(huì )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�；诖�，我們利用 Similarity Context 和 Semantics Context 來(lái)作為 Contextual attention ，從而指導網(wǎng)絡(luò )獲取手區域以外的語(yǔ)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(gè)做過(guò) AI 算法落地的同學(xué)，都會(huì )遇到各種各樣的實(shí)際算法問(wèn)題，不管是科大訊飛的語(yǔ)音交互，到現在無(wú)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，并漸漸形成數據相關(guān)壁壘。
我們在手勢先后在天貓精靈和優(yōu)酷上線(xiàn)后，我們同樣也經(jīng)歷了這樣的一個(gè)過(guò)程，為了讓我們的算法“越用越好”：
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(jué)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(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(guò)在實(shí)際算法的落地的過(guò)程中，我們發(fā)現目前流行的 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(guò)學(xué)習的方法，學(xué)習每一層的 min/max 范圍，動(dòng)態(tài)的調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(lái)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(xiàn)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(lèi)似模型蒸餾的思想，通過(guò)采用預先訓練好的復雜模型（Teacher model）的輸出作為監督信號去訓練線(xiàn)上網(wǎng)絡(luò )（student model）。我們可以在不直接接觸業(yè)務(wù)數據的情況下，不斷進(jìn)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(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(lái)說(shuō)，動(dòng)態(tài)手勢提供了更多的交互感和參與感，其應用的場(chǎng)景可能也是不一樣的，比如單點(diǎn)手勢可能應用與 IOT 設備等操控類(lèi)型的算法場(chǎng)景，動(dòng)態(tài)手勢其d特的參與感讓其更適用于教育，娛樂(lè )，線(xiàn)下運營(yíng)等實(shí)際場(chǎng)景，這也是我們不斷突破這個(gè)場(chǎng)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(guò)程中，我們發(fā)現對于通用的動(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、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，要讓計算機認識這兩個(gè)行為，需要兩張及以上的幀圖像來(lái)相互輔助識別。一個(gè)行為需要被多個(gè)幀協(xié)作來(lái)解釋。這種方案很好的解決了 motion blur 的問(wèn)題，且算力上更可控。
Our Temporal Generation Network_
為解決運動(dòng)模糊等問(wèn)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)習并回歸，檢測出手指的運動(dòng)軌跡，與 RGB 分支進(jìn)行特征融合，輔助動(dòng)態(tài)手勢識別。算法整體結合了基于 RGB 和關(guān)鍵點(diǎn)方案的優(yōu)勢，達到了速度與精度的平衡。
六、未來(lái)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(lái)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，骨節點(diǎn)）位置的過(guò)程。我們生活在三維世界，三維手勢交互必然帶來(lái)更自然更舒適的交互體驗。我們也在 3D 人手交互方面正進(jìn)行積J探索，未來(lái)在電商產(chǎn)品交互式展示、VR/AR、手語(yǔ)識別、在線(xiàn)教育等方面，我們會(huì )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(wù)。
Oculus Quest 在今年推出的 3D 手勢操控
6.2 手勢在 IOT 場(chǎng)景的應用
手勢控制能否超越語(yǔ)音控制成為智能家居設備自然不過(guò)的設備呢？在 IOT 場(chǎng)景，如果可以使用手勢控制電視，燈泡，空調等等。目前已經(jīng)有一些 startup 開(kāi)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(wàn)用遙控器,除了萌系的外觀(guān)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(lái)源：https://www.indiegogo.com/projects/bearbot#/
6.3 手勢在教育場(chǎng)景的更多應用
除了手指點(diǎn)讀，手勢在教育行業(yè)其實(shí)應該有更多的應用，比如現在大火的在線(xiàn)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(lái)說(shuō)，手勢/視覺(jué)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(wèn)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(dòng)態(tài)手勢識別“畫(huà)對勾”，“畫(huà)叉叉”讓小朋友以互動(dòng)游戲的方式完成這些練習。
