泰语手指拼写识别：探究 MediaPipe Hands 的潜力

泰语手指拼写（TFS）手势识别可使听障人群社群受益于与主流听人群体的沟通桥梁。由于字母数量相对较多，TFS 采用多种手势方案。两种更常见的手势方案——静态与动态单手手势（其他手语中广泛使用）——已在先前若干工作中得到处理。为完善 TFS 手势识别，其余两种差异显著的手势方案——静态与动态点触手背手势——需得到充分处理。鉴于许多现成的手部骨架预测模型问世，且从零训练识别手语的模型代价高昂，我们探索了一种基于近期发布的 MediaPipe Hands（MPH）的方法。MPH 是一个用于手部关键点检测的高精度预训练模型。我们研究了 MPH 在三种 TFS 方案上的表现：静态单手（S1）、简化动态单手（S2）和静态点触手背（P1）方案。结果表明，MPH 可较好地处理单手方案，在 S1 和 S2 上准确率均为 84.57%。然而，我们发现 MPH 在处理点触手背方案上存在缺陷，其在 P1 上准确率为 23.66%，而从零训练的传统分类方法可达 69.19%。该缺陷经探究归因于自遮挡与左右手性。