Intel想用6个深感相机实现全身追踪(4)

机器学习结合模型拟合的办法
Krejov曾将机器学习和模型拟合相结合，编写了一款能够在40fps的CPU上运行的手势识别算法。他利用随机决策森林来收集手部数据，然后将数据与模型拟合。同样适用这种方式的DoubleFusion技术，能够估测人体的动作和轮廓/表面，不过局限依然是对计算要求高。
AI 点云拟合
随后他由结合机器学习与点云拟合技术，研发了骨骼识别方案。为了提高追踪效率，他还结合了头显与手柄的位置信息。
下图解释了该方案的动作识别流程，前两步是基于多视图系统的校准和图像捕捉，接着是数据标记、数据矫正、实时动作估测（包括关节拟合 机器学习）。

在实时动作估测部分，机器将捕捉到的人像数据以及头显、手柄的位置数据输入体积很小的卷曲神经网络，生成由人体关节的热感图以及头显、手柄的浮点值。
采集真实训练数据

深度摄像数据包含红黄蓝和深度信息