摘要
手势识别在计算机视觉中扮演着重要角色，在人在交互、智能感知和接触式交互系统中有广泛应用。然而，现有的基于检测的方法主要依赖手部外观特征，这些特征往往不足以区分具有相似局部手部形状但不同手部-头部空间配置的手势类别。为了解决这一问题，提出了一种基于YOLOv5s的多尺度双头手部手势检测框架。该框架引入一个辅助检测分支来显式检测手部和头部区域，并将相应的多尺度特征表示进行融合，以将手部-头部空间上下文信息融入手势识别中。此外，采用空间金字塔池化(SPP)和卷积块注意力模块(CBAM)来增强最终手势预测前的多尺度上下文表示和特征判别能力。为了评估所提出的框架，在基于HaGRID的数据集、UAV-Gesture数据集以及自收集的现实世界零样本数据集上进行了实验。实验结果表明，所提出的框架在保持相对轻量级模型复杂度和实时推理能力的同时，持续改善了相对于YOLOv5s基线的检测性能。此外，消融研究验证了所提出的双头架构、多尺度特征融合、SPP和CBAM的有效性，而跨数据集和零样本评估进一步证明了所提出框架在不同手势数据集和未见现实场景中的适用性。
