Face au problème de haute liberté de la main et aux erreurs d'estimation de la pose des points clés 3D causées par des structures similaires, cet article propose un réseau de régression de la pose du squelette de la main 3D combinant reconnaissance, détection et estimation de la pose. Utilisant un réseau de prétraitement basé sur YOLOv3, un réseau de détection des points clés 2D et 3D basé sur des cartes thermiques de caractéristiques en cascade est proposé, avec l'introduction de contraintes du squelette de la main humaine dans l'architecture d'extraction des caractéristiques. Un module d'amélioration progressive des caractéristiques par réseau de neurones convolutionnel graphique affine plus précisément les résultats des points clés du squelette, achevant l'ajustement de la pose du grossier au fin. Cet article compare son algorithme à plusieurs existants selon les indicateurs PCK et AUC sur différents jeux de données publics; l'algorithme atteint les meilleures valeurs AUC dans différents ensembles de test, avec une précision AUC moyenne de 92,9%. Les expériences démontrent que la méthode peut estimer précisément et finement la pose 3D de la main à partir d'une image 2D unique, avec une bonne performance sur les ensembles de test et en conditions naturelles.

estimation de pose 3D; détection d'objets; reconnaissance de gestes; renforcement des caractéristiques; réseaux neuronaux convolutionnels; réseaux neuronaux convolutionnels graphiques