SFINGE3D

SFINGE 3D数据集旨在测试在线检测多种类型（静态、精细、粗糙）手势的方法，通过3D手指轨迹进行描述。该数据集包含两部分：Dictionary和Sequences，分别存储了手指轨迹的实例和长序列的手势数据。数据集详细记录了20个关节的位置和方向四元数，适用于多种手势的检测和识别。

The SFINGE 3D dataset is designed to test methods for online detection of various types (static, fine, coarse) of gestures, described through 3D finger trajectories. The dataset consists of two parts: Dictionary and Sequences, which store instances of finger trajectories and long sequences of gesture data, respectively. It meticulously records the positions and orientation quaternions of 20 joints, making it suitable for the detection and recognition of a wide range of gestures.

原始信息汇总

Dataset V1 概述

数据集结构

字典部分

• 内容：包含分割后的手指轨迹实例，每个实例以文本文件形式存储。
• 数据格式：每行代表连续的手指姿势，以20fps捕获，包含20个关节的位置（x,y,z）和方向四元数（x,y,z,w）。
• 数据结构：每行详细记录手掌及每个手指的关节位置和四元数。
• 子文件夹：包含13个子文件夹，对应13种不同手势，每个子文件夹包含36个实例。

序列部分

• 内容：包含长序列的手势捕捉数据，同样以20fps捕获。
• 目的：在序列中定位3至5个手势的正确时间位置。
• 附加文件：包含sequencesGT.csv文件，用于标注每个序列中手势的位置。

标注与评估

• 标注文件：sequencesGT.csv，记录每个序列的索引、手势数量及每个手势的标签、起始和结束帧ID。
• 评估标准：
  • 正确检测条件：手势起始帧在真实手势起始帧的20帧范围内，且手势标签与真实标签一致。
  • 评估工具：将提供Matlab代码进行评估，输入文件格式与sequenceGT.csv相同。

搜集汇总

数据集介绍

构建方式

SFINGE3D数据集的构建基于对多种手势（静态、精细、粗大）的在线检测需求，通过捕捉手指的三维轨迹来实现。数据集分为两个主要部分：Dictionary和Sequences。Dictionary部分包含13种不同手势的实例，每种手势有36个实例，每个实例以文本文件形式存储，记录了手指关节的位置和方向四元数。Sequences部分则包含长时间的手势序列，其中嵌入了3到5个手势，需在时间轴上精确定位。

特点

SFINGE3D数据集的特点在于其对手势的多样性和复杂性进行了全面覆盖，涵盖了从静态手势到动态手势的广泛范围。每个手势实例都详细记录了20个关节的位置和方向信息，数据以20帧每秒的频率捕获，确保了手势轨迹的高精度描述。此外，数据集还提供了手势序列的标注文件，便于进行手势检测和识别的评估。

使用方法

使用SFINGE3D数据集时，研究人员可以通过Dictionary部分的手势实例进行模型训练和验证，而Sequences部分则用于测试模型在长时间序列中的手势检测能力。数据集附带的sequencesGT.csv文件提供了手势的起始和结束帧信息，便于进行精确的评估。评估协议允许在检测手势时有一定的帧数容错范围，确保模型的鲁棒性。Matlab代码的提供进一步简化了评估过程，使得研究人员能够快速验证其算法的性能。

背景与挑战

背景概述

SFINGE3D数据集由Ariel Caputo、Andrea Giachetti、Franca Giannini等研究人员于2020年提出，旨在为多类型手势（静态、精细、粗大）的在线检测与识别提供基准测试。该数据集通过捕捉手指的三维轨迹，详细记录了手掌及各个手指关节的位置和四元数方向信息，为手势识别领域的研究提供了丰富的数据支持。SFINGE3D的发布推动了手势识别技术在虚拟现实、人机交互等领域的应用，成为该领域的重要参考数据集之一。

当前挑战

SFINGE3D数据集在构建和应用中面临多重挑战。首先，手势的多样性和复杂性使得数据标注和模型训练变得困难，尤其是精细手势与粗大手势的区分需要高精度的数据采集和标注。其次，数据采集过程中，如何确保手指关节位置和方向的准确性是一个技术难点，尤其是在动态手势的连续捕捉中，数据噪声和时间同步问题尤为突出。此外，在线检测任务要求模型能够在实时数据流中快速且准确地识别手势，这对算法的效率和鲁棒性提出了更高要求。

常用场景

经典使用场景

SFINGE3D数据集主要用于测试和评估在线手势检测与识别算法的性能。该数据集通过捕捉手指的三维轨迹，提供了多种类型的手势数据，包括静态手势、精细手势和粗大手势。研究人员可以利用这些数据来训练和验证手势识别模型，特别是在多类型手势混合场景下的识别能力。

解决学术问题

SFINGE3D数据集解决了手势识别领域中的多个关键问题，尤其是在线手势检测的挑战。通过提供精确的三维手指轨迹数据，该数据集帮助研究人员克服了手势识别中的时间同步、手势边界定位以及多类型手势混合识别等难题。其标注的序列数据为算法评估提供了可靠的基准，推动了手势识别技术的进步。

衍生相关工作

基于SFINGE3D数据集，许多经典研究工作得以展开。例如，研究人员开发了多种基于深度学习的手势识别模型，利用该数据集进行训练和验证。此外，该数据集还启发了手势分割、手势时序分析以及多模态手势识别等研究方向，推动了手势识别技术的多样化和精细化发展。