基于锚点的快速三维手部关键点检测算法

在人机协作任务中，手部关键点检测为机械臂提供目标点坐标，A2J(Anchor-to-Joint)是具有代表性的一种利用锚点进行关键点检测的方法。A2J以深度图为输入，可实现较好的检测效果，但对全局特征获取能力不足。文中设计了全局-局部特征融合模块(Global-Local Feature Fusion, GLFF)对骨干网络浅层和深层的特征进行融合。为了提升检测速度，文中将A2J的骨干网络替换为ShuffleNetv2并对其进行改造，用5×5深度可分离卷积替换3×3深度可分离卷积，增大感受野，有效提升了骨干网络对全局特征的提取能力。文中在锚点权重估计分支引入高效通道注意力模块(Efficient Channel Attention, ECA),提升了网络对重要锚点的关注度。在主流数据集ICVL和NYU上进行的训练和测试结果表明，相比于A2J,文中所提方法的平均误差分别降低了0.09 mm和0.15 mm。在GTX1080Ti显卡上实现了151 frame·s^-1的检测速率，满足人机协作任务对于实时性的要求。