基于单帧图像的二维手指关键点检测数据

通过构建一个包含海量手部图像及其对应的21个手指关键点（如指尖、指关节）精确二维坐标的数据集，为深度学习模型提供训练基础。该数据广泛适用于虚拟键盘输入、手语翻译、AR滤镜与特效、以及消费级应用的精细手势控制。利用该数据训练的模型能够实时、准确地捕捉手指的形态和位置，解决了需要精确指尖或关节位置信息才能实现的交互任务，是实现高精度手势理解的基础。二维手指关键点检测旨在从单张图像中定位手指关节的像素坐标。具体过程包括：（1）数据收集：采集各类姿态的手部图像，并由专业标注员为每个图像标注21个标准手指关键点的 (x,y) 坐标。（2）数据处理：首先通过手掌检测模型定位手部区域并进行裁剪归一化，得到预处理图像，以减少背景干扰。手部特征向量是手部图像在高维特征空间的映射,通过公式 F_hand​=Encoderhand​(I_crop) 提取，其中 F_hand为手部特征向量，I_crop为预处理图像。（3）模型构建：设计一个基于深度卷积网络的回归模型，用于从手部特征中预测手指关键点坐标。根据公式 KPs2D=Decoderkpt(F_hand) 从特征中解码出预测手指关键点坐标，其中 KPs2D为21个关键点的坐标；关键评估指标为关键点正确率（Percentage of Correct Keypoints, PCK），用于衡量预测关键点与真实关键点之间距离在一定阈值内的比例。

搜集汇总

背景与挑战

背景概述

该数据集专注于基于单帧图像的二维手指关键点检测，包含手部图像、预处理图像、标注和预测关键点坐标等结构化数据，规模为77.36条。它旨在为深度学习模型提供训练基础，广泛应用于虚拟键盘输入、手语翻译、AR滤镜和精细手势控制等场景，通过精确检测21个手指关键点实现高精度手势理解。