HandAI开源项目，拉近人和摄影的距离：基于手势识别完成不同的拍摄行为

在12月初，我诞生了这个想法。现在的拍摄效果的转换都是人和机器通过物理接触完成，包括开始拍摄，各种拍摄效果等，几乎都是通过手指来完成。人类具有丰富的表达自我的能力，手势是表达自我的手段之一。无论是哪个地域的文化，一些手势都有其含义。在深度学习时代，我们完全可以用手势代替手指，告诉机器我们想做什么样的事情，想调换什么拍摄模式，因此HandAI诞生了。固然手指在更多的场合还是很方便，但我做这个事情，不想去探讨手势控制的价值以及实用性，我只是单纯想做这个事情。

效果展示视频
友情提示：后半段视频声音略大，请调小音量。
项目地址

项目功能

HandAI能识别出8种手势。这八种手势是亚洲地区常用的手势，其意义都是积极或中性的，没有贬义手势。
Note: 如果gif图像没法显示（有些图像较大），可以去github上下载项目，在pictures文件夹中查看。

• one：背景虚化，实现景深效果，前景人物不虚化
  
• two：背景变化
  
• three：背景调成黑白模式，前景人物依然有色彩。
  
• four：人脸贴纸
  
• five：画面横向复制扩展
  
• good：视频背景转换模式，当右上角出现红点之后，使用yeah手势（two），即可把背景换成视频数据，而不是单纯的图像。
  
• eight：华丽防挡弹幕模式。
  
• ok：结束录制
  

项目设计思路

项目包括三个深度学习模型，分别是手部关键点检测以及识别（算统一的一个模型）， 人像精细分割模型，人脸即五个关键点检测。

• 手部关键点检测以及识别：对每一帧都要运行该模型，用来判断手势的含义（8个类别之一）。
• 人像分割模型：也是每一帧都要运行，获得前景人物的掩码。用于做背景变化，背景虚化，背景黑白，防挡弹幕。
• 人脸及五个关键点检测：用于做人脸贴纸。

下面具体讲解，首先看整个项目的结构图，非常简单。

我使用了一个flags.py文件设置各种手势的当前状态。这些状态会保留并施加到下一帧上，所以每个手势都不是独立作用的。正如视频中描述，这些手势对应的效果能一起作用在同一帧上。

手势识别

在2019年8月，谷歌发布了一个能检测手部关键点的开源apk，当时很多公众号对其进行了报道。在他们开放的视频中，该开源模型可以检测手部21个关键点并且识别手势。但是遗憾的是，在开源的代码中，并没有识别手势的部分，仅仅有关键点检测。但是在谷歌发布的博客中，提到了他们识别手势的方法是，判断手部关节点的弯曲程度以及关系。在HandAI中，我使用了他们开源的网络检测手部关键点，根据他们的描述，复现了8种手势的识别。

• 如果判断手部弯曲程度： 计算指关节到指尖的向量，计算指关节到手掌底部的向量，再计算两个向量的余弦距离。根据余弦距离判断手指的弯曲程度。再把每个手指的状态（弯曲，伸直）映射到一组预定义的手势上即可。不需要在训练一个分类网络。

背景的虚化，变化，黑白效果

关于背景的虚化，变化，以及黑白效果。本质上就是得到了人像的mask，然后把mask迁移到另一张图像上罢了。不多介绍。

人脸贴纸的实现思路：

首先贴纸肯定要往脸上贴，所以需要一个人脸检测网络。还需要确保贴纸能贴到脸上的合理区域，比如猫耳朵不能把人眼睛覆盖了是吧。所以需要关键点检测。越是需要贴的准，贴的多样，就越需要检测多个关键点，一般98个关键点是很合适的，因为关键点还覆盖了头部，可以贴帽子。当然68个点也可以，只是需要根据面部比例算出头部的位置。
在我的项目中，我简化了操作。首先我在网上找到了这样的素材

这个猫脸贴纸图包含了足够多的部分，所以我没有必要定位每个需要贴纸的位置，贴上合适的贴纸。我只要找到人脸鼻子的位置，和猫鼻子对应。然后计算合适的比例，对猫脸素材缩放，然后把素材的mask找到，算出相对坐标，直接覆盖在人脸上就ok了。
详细说下计算比例的问题。我使用centerFace检测人脸。centerFace还能输出人脸的眼部中心，鼻子，两个嘴角这五个位置的关键点。通过计算人脸鼻子到嘴角（左或者右）的距离，和猫脸素材的鼻子中心到嘴角（估计一下大概位置）的距离，这两个距离的比值，就是猫脸素材应该缩放的尺度。
然后在猫脸素材上求得所有像素点相对于鼻子中心的相对坐标，加上人脸鼻子的坐标，就是猫脸素材应该在人脸图像坐标上的具体位置。
$f_1(x,y) = (x_{nose}, y_{nose}) + f_{relative}(x,y)$
$f_{relative} (x,y)= (x,y) - (x_{cat\_nose}, y_{cat\_nose})$
其中，$x,y$是猫脸素材在猫脸图像坐标系下的坐标。通过函数$f_1$，将坐标变换到人脸坐标系下。

画面扩展

如果检测到了5这个手势，flags将会设置对应的状态。首先会记录手掌中心的位置$pos$。然后后续帧在移动5的过程中，计算当前帧手掌中心和$pos$在x轴的距离，按照合理的比例求出当前画面有多宽的位置应该被扩展。包括画面的扩展，以及收回扩展画面，都是这样做的。

防挡弹幕

防挡弹幕，其中防挡的效果自然是用人像精细分割得到的mask来实现的，不多说。至于这个弹幕效果如何生成。哈哈。将每一条弹幕视作一个对象，加入到队列中。首先没有一个弹幕被发出，所有的弹幕都在一个队列中。每一帧都有弹幕发出，发出的弹幕出列，并进入另一个队列中。所以有两个队列，其中一个队列用来保存没有发出的弹幕，另一个队列用来保存发出的队列。对每一帧，都遍历保存发出的队列，弹幕这个对象中保存了弹幕应该出现的位置，然后draw出来，再把位置更新一下，就是x轴减去一个合理的数值，数值是和fps有关的。

项目例子

推荐先运行webCamera_demo.py看看效果。需要pytorch-GPU， tensorflow2.0等库。在我的电脑，cpu是intel i5-8300， GPU GTX1060（6GB）上，处理速度是5fps。
同时我还提供了每个模型使用的例子，可以去example文件夹查看。

致谢

本项目受很多开源项目支撑。其中有谷歌的mediapipe，centerFace，PortraitNet。
mediapipe
centerFace
PortraitNet
谷歌手势识别
hand tracking
感谢这些开源项目，今后我也将会秉持开源精神，促进知识传播，共享技术，共同进步。

来源：CSDN

作者：咆哮的阿杰

链接：https://blog.csdn.net/qq_34914551/article/details/103746527