[发明专利]一种手势数据标注方法、装置、电子设备及存储介质

说明书

本公开关于一种手势数据标注方法、装置、电子设备及存储介质，解决了手势数据标注准确度低的问题，该方法包括：采用手势检测模型对基于切割同一样本手势图像获得的切割手势图像集合进行检测，得到相应的手势包围框，以及各个手势包围框包含的各个内角关键点，针对表征同一相对位置的各个第一内角关键点集合，将离心距离最远的N个内角关键点删除，基于各个第二内角关键点集合中各个内角关键点的距离集合，确定各个第二内角关键点集合在样本手势图像中新的坐标位置，并基于各个新的坐标位置，重新标注样本手势图像中的手势数据。基于各个第二内角关键点集合新的坐标位置，重新标注样本手势图像中的手势数据，降低人工标注手势数据的不稳定性。

技术领域

本公开涉及计算机技术，特别涉及一种手势数据标注方法、装置、电子设备及存储介质。

背景技术

众所周知，人类的肢体语言直观易懂，不受地域、语言等因素的限制，简单的几个姿势就能将基本的意图表达清楚，且不易产生歧义，而人类的双手更是肢体语言表达时最重要的一部分，因此，随着科学技术的迅猛发展，采用手势识别技术，使得计算机可以对人类摆出的不同手势进行识别，进而获取手势信息中传达的丰富信息。

相关技术中，主要采用卷积神经网络(Convolutional Neural Network,CNN)模型，完成对原始手势图像中的手势检测。

具体的，在训练卷积神经网络模型对手势进行检测时，首先，将待检测手势图像作为输入层输入到卷积神经网络模型中，通过隐藏层中的矩阵信息，提取待识别手势图像中的特征向量；其次，采用循环迭代的方式，重复上述步骤，直到模型收敛，将最后一轮迭代中的当前特征向量作为最终特征向量输出；再次，基于最终特征向量，确定手势包围框目标检测点的位置；最后，基于手势包围框目标检测点的位置，确定待检测手势图像的手势包围框。

然而，目前卷积神经网络模型也存在其应用的局限性。

具体的，相关技术下，在训练卷积神经网络模型时，需要使用海量的人工标注的样本手势图像，但目前对人工标注的手势包围框目标检测点的定位没有统一的标准，尤其是手势包围框靠近手腕的部分，这样，可能出现同一人对不同的样本手势图像中的手势包围框目标检测点的定位不同，或者不同人对同一幅样本手势图像中的手势包围框目标检测点的定位不同的情况，进而导致基于定位标准不一致的样本手势图像训练出的卷积神经网络模型，对待检测手势图像中的手势包围框目标检测点的定位也不准确，使得最终输出的手势包围框并没有呈现出完整的手部姿态，从而降低了手势姿态检测的准确率。

发明内容：

本公开提供一种手势数据标注方法、装置、电子设备及存储介质，以至少解决相关技术中人工标注手腕关键点的不稳定性的问题。

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种手势数据标注方法，包括：

对样本手势图像进行多次切割，获得多张切割手势图像，并且各张切割手势图像中均包含有处于不同位置的同一手势；

采用预设的手势检测模型，检测各张切割手势图像中对应的手势包围框，以及将各个手势包围框的顶点确定为相应的内角关键点，并将具有同一相对位置的内角关键点归属为一类，获得各个第一内角关键点集合；

删除所述各个第一内角关键点集合中离心距离最远的N个内角关键点，生成各个第二内角关键点集合，其中所述离心距离表征一个内角关键点与各个当前中心点的距离平均值，N为预设参数，所述当前中心点表征一个第一内角关键点集合的中心位置的假想中心点；

基于所述各个第二内角关键点集合中各个内角关键点，重新确定所述各个第二内角关键点集合在所述样本手势图像中的坐标位置；

基于所述各个第二内角关键点集合新的坐标位置，重新标注所述样本手势图像中的手势数据。

可选的，删除所述各个第一内角关键点集合中离心距离最远的N个内角关键点，包括：