【手势识别】基于 MediaPipe 的手语接口调用

基于 MediaPipe 的手语接口调用

SignAll SDK：使用 MediaPipe 的手语接口现对开发者开放

当 Google 发布第一个基于 MediaPipe 的设备端手部追踪技术时，它便成为了开发者构建手语识别解决方案应用的基础。Google 之后对这个手部跟踪解决方案的进一步更新，将其准确率提升至其他技术所无法达到的水平（图 1）。

图 1 随着时间推移，MediaPipe 的改进：较早版本（2020 年 2 月 10 日）和最新版本（2020 年 12 月 16 日）的手部骨架追踪输出。这种手形经常在手语中使用，但由于缺少表示法的训练数据集而经常被遗漏

SignAll 是一家研发手语翻译技术的初创公司，致力于为失聪人士普及手语翻译，让他们能够与听力正常的人群以及计算机进行交流。SignAll 的产品采用了复杂的多摄像头设置和带有彩色标记的手套，广泛用于美国的通信和教育领域。虽然手语的复杂性不仅限于手形（还包括面部特征、肢体、语法等），但准确追踪手部确实已经给预处理程序（即计算机视觉）造成了巨大阻碍。MediaPipe 为 SignAll 的解决方案提供了更多可能性，不仅能够免除手套，还可以使用单摄像头设置。SignAll 已经宣布针对此类型开放首版 SDK，所以开发者现在能够在自己的应用中启用手语输入。

• SignAll

  https://www.signall.us/

• 开放首版 SDK

  https://signall.us/sdk

近期，该公司在 App Store 上发布了一个互动式教育应用，该应用可以让用户通过即时反馈来练习手语，还能够展现出 SDK 的潜力。

SignAll 与 MediaPipe Hands

我们的系统在手语识别方面采用多个数据层，各层数据的抽象性越来越高。低级数据层从 2D 和 3D 摄像头中提取关键的手部、躯体和面部数据。在我们的第一个实现中，此数据层会检测手套的颜色，并创建 3D 手部数据。将其替换为 MediaPipe Hands（MediaPipe Pose 和 MediaPipe Face Mesh 作为补充）具有颠覆性的重要意义，因为你不再需要手套或特殊光线来使用我们的系统。

• MediaPipe Hands

  https://google.github.io/mediapipe/solutions/hands.html

• MediaPipe Pose

  https://google.github.io/mediapipe/solutions/pose.html

• MediaPipe Face Mesh

  https://google.github.io/mediapipe/solutions/face_mesh.html

如上文所述，我们使用了多个带有深度传感器的摄像头，并在实际中对这些传感器进行了校准。相较于本地摄像头或张量空间，这种方法能够实现更加准确的 3D 世界空间探测，但每个摄像头都需要进行手部特征点检测。摄像头的位置和屏幕方向各不相同，因此可以实现更高的手部可视频率，因为从一个摄像头的角度来看，手部可能会被另外一只手遮挡，但从另一个摄像头的角度来看，可能并不存在遮挡。

图 3 在三个摄像头的基础上纠正 3D 手形。由于其镜头方向的特殊性，正前方的摄像头检测有误，但侧面的摄像头能够纠正结果

接下来的步骤是过滤数据，并进行数据平滑处理，以复制彩色手套标记提供的精确测量值。虽然 SignAll 的标记与 MediaPipe 提供的界标不同，但我们使用了手部模型并根据界标生成彩色标记。因此，新的动作捕捉数据与之前的数据完全兼容。

虽然我们主要关注手部，但我们同时整合了 MediaPipe Pose 和 MediaPipe Face Mesh。即便在彼此接触，或距离很近的情况下，姿态界标都能提供准确的手部姿态信息。

虽然这两个版本的动作捕捉是兼容的，但工件的性质不同：一种是直接测量各个标记，另一种是根据全局检测的手部模拟标记。因为存在差异，所以我们必须在更高层级对参数进行优化。另一方面，我们仍可以利用我们的大型手语数据库来进行无手套配置。我们可以通过替换低级数据，优化高级数据，以无手套形式测试我们的系统。实现无手套化，对于手语识别技术的全球推广具有重要意义。

使用 MediaPipe 框架的 SignAll 系统

将 MediaPipe Hands 整合至系统后，我们还希望能够利用 MediaPipe 框架在多个平台上提供的自定义和扩容机会。这样我们不仅可以用 Python 原型化我们的状态研究方法，而且还可以为 Windows、iOS、Android 甚至 Web 提供最终用户解决方案。由于我们的模块图系统和 MediaPipe 的计算图之间具有相似性，现有的处理单元只需稍作修改就可以在这个新框架中重用。尽管如此，扩展平台组还面临着其他挑战，例如在大多数情况下我们只能使用单个 2D 摄像头而不是经过校准的多摄像头系统。

我们开发并使用的模型、算法和技术，主要是为了在 3D 全局世界中处理动作捕捉数据。毫无疑问，从单摄像头设置中提取的数据达不到同样的详细程度。所以我们必须对实现进行一些调整，微调算法并添加一些额外逻辑（例如，动态适应手持摄像头用例导致的空间变化）。幸运的是，MediaPipe 框架让我们能够用 C ++ 实现核心处理单元，因此我们仍然可以从先前开发的运行时优化核心解决方案中受益。

为了更好地处理来自单个 2D 源的数据，一些基于 3D 数据训练的高级模型需要重新训练。MediaPipe 界标由 3D 坐标定义，因此可以重复使用现有的训练方法和概念。另一方面，2D 信息的提取比三维坐标更为直接也更为稳定，在修改设计训练时需要考虑到这一点。

幸运的是，我们无需为实现此目标而进行全新的数据记录。我们仍然可以使用注释详细的大型视频数据库。预处理的动作捕捉数据可以从我们的记录中提取，并在 3D 世界中解释，从而用来模拟任何虚拟摄像头视图中的手部、骨架或面部界标检测。

在虚拟摄像头视图的数据中，我们同时使用传统的 2D 记录，以足够的比例覆盖界标检测的独特噪点特征。由于大多数此类数据已经提前收集了，所以我们可以专注于尝试最新技术并训练新模型。

总结

在 MediaPipe 助力的改进，让 SignAll 可以更改其模型。除了提供用于手语教学和翻译的多合一产品之外，SignAll 现在也开始提供面向开发者的 SDK。此 SDK 的功能取决于摄像头的类型和可用的算力。SDK 可以启用的功能包括：

• 面向开发者的 SDK

  https://signall.us/sdk

• 通过用手语表示联系人的姓名来发起视频通话

• 通过手语（与语音输入相对应）在导航中添加地址，或在快餐店的信息亭或直通车道中进行点餐。

SignAll 的使命是让手语能够全方位替代语音，而我们非常高兴看到越来越多的应用实现了此功能。

我们十分期待 MediaPipe 未来的更新，这些更新能够帮助我们进一步实现终极目标——让所有人在任何设备上都能使用我们的解决方案。最值得期待的更新是能够建立自定义的 MediaPipe 图，并添加我们自己的计算器，从而在 WebAssembly 技术的辅助下实现基于网络的解决方案，这样网站就能够为失聪访问者提供全新水平的无障碍功能。