20、深度解析Kinect的手势识别与3D重建技术

深度解析Kinect的手势识别与3D重建技术

1. 手势识别基础与平均RMS误差

在手势识别分析中，平均RMS（Root Mean Squared Error，均方根误差）是一个重要指标，用于衡量手势检测数据库中的值与实际观测值之间的差异。平均RMS误差为0表示完美匹配。当点击分析中使用的特定剪辑时，可以查看其与手势数据库定义的贴合程度。图8 - 15中的绿线代表手势识别数据库认为手势在分析剪辑中发生的位置，它通常会稍微滞后于每个（蓝色）标签部分。如果数据库认为存在手势，而实际并非如此，就需要重新处理训练数据集，比如添加额外剪辑并调整标签。创建手势数据库是一个迭代过程，需要大量微调。

2. 连续手势的创建

2.1 连续手势与离散手势的关系

创建连续手势与离散手势有相似之处，但通常需要为连续手势创建一个等效的离散手势，反之则不必要。连续检测始终会给出一个进度值，即使动作未执行。离散检测有助于确定动作是否正在执行，还能关闭连续手势检测器以节省系统资源并忽略错误的进度值。此外，还可以在代码中将多个简单手势组合成一个更复杂的手势。

2.2 创建连续手势的步骤

1. 打开VGB手势向导，创建一个名为“Clapping”的手势，并选择进度选项。
2. 在最终对话框中，如果已经有离散版本的“Clapping”手势，可以取消勾选离散手势的复选框。
3. 为新的“ClappingProgress”项目添加剪辑。与离散手势不同，标记连续手势时使用的是浮点值来描述手势的进度，而非布尔值。
4. 在时间轴上选择一个点，然后在属性部分将“ClappingProgress”值