[发明专利]手势关键点的半自动标注方法及系统

说明书

本发明实施例提供一种手势关键点的半自动标注方法及系统，该方法包括：将待标注图片输入至预先训练好的手部检测模型和手部关键点检测模型中，获得输出的手部坐标和手部关键点坐标；将所述手部坐标和所述手部关键点坐标作为预标注数据。本发明实施例，通过深度学习先预标注手势关键点，然后人为地进行微调，并且标注好的数据集可以再次训练深度学习模型，从而形成一个闭环，提高模型的鲁棒性、标注的效率。

技术领域

本发明涉及轨道交通领域，更具体地，涉及一种手势关键点的半自动标注方法及系统。

背景技术

近年来，随着人工智能、5G网络等技术蓬勃发展，人机交互(Human ComputerInteraction)已成为重大的科学技术之一。手势输入是一种重要的非接触式的人机交互方式，它常被用于智能家居、智能穿戴、虚拟现实、增强现实等场景中。目前，手势识别方法分为基于外部硬件设备、基于计算机视觉和基于深度学习，其中基于外部硬件设备的手势识别通过数据手套采集手部运动信息，虽然它的识别率高，但是硬件设备普遍昂贵，且长时间穿戴容易出汗；基于计算机视觉的手势识别采用肤色、纹理等特征提取关键点，但是容易受到遮挡、光照的影响，造成精度较低、鲁棒性较差；基于深度学习的手势识别采用监督学习的方式，首先从已标注的数据集中训练、学习，然后对图片中的手势进行检测、识别。目前，深度学习在图像处理、计算机视觉、目标检测等领域取得了很大的进展，它避免了传统方法中人工选择特征的环节，采用端到端的方式直接从数据集中学习，这种方式避免了人为因素的影响，精度更高、鲁棒性更好。

基于深度学习的手势识别方法需要大量的已标注数据集。这些数据集往往都是通过人工标注的方式获取，这种方法效率低，从而耗费大量的人力和时间成本，因此提高标注效率是亟需解决的问题。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的手势关键点的半自动标注方法及系统。

根据本发明实施例的第一方面，提供一种手势关键点的半自动标注方法，该方法包括：将待标注图片输入至预先训练好的手部检测模型和手部关键点检测模型中，获得输出的手部坐标和手部关键点坐标；将所述手部坐标和所述手部关键点坐标作为预标注数据。

根据本发明实施例第二方面，提供了一种手势关键点的半自动标注系统，该系统包括：输入模块，用于将待标注图片输入至预先训练好的手部检测模型和手部关键点检测模型中，获得输出的手部坐标和手部关键点坐标；标注模块，用于将所述手部坐标和所述手部关键点坐标作为预标注数据。

根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的手势关键点的半自动标注方法。

根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的手势关键点的半自动标注方法。

本发明实施例提供的手势关键点的半自动标注方法及系统，通过深度学习先预标注手势关键点，然后人为地进行微调，并且标注好的数据集可以再次训练深度学习模型，从而形成一个闭环，提高模型的鲁棒性、标注的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。

图1为本发明实施例提供的手势关键点的半自动标注方法的流程示意图；

图2为本发明另一实施例提供的手势关键点的半自动标注方法的流程示意图；