基于樹莓派的行人檢測小車設計

劉鵬程

摘 要：行人檢測設備一般不可移動，多數是在電腦端進行處理。通過樹莓派搭建一個視頻采集與移動小車，同時結合Faster RCNN（Faster Region Based CNN，更快的基于區域的卷積神經網絡）與OpenCV（Open Source Computer Vision Libra）進行行人檢測，并且通過樹莓派的WiFi（Wireless Fidelity，無線保真技術）將處理好的視頻數據回傳到電腦。實驗證明，基于樹莓派的行人檢測小車可以滿足行人檢測要求，同時可以進行移動端的行人檢測。

關鍵詞：不可移動性；行人檢測；樹莓派；無線保真技術

DOIDOI：10.11907/rjdk.172363

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）002-0114-03

0 引言

隨著Deep Learning（深度學習）[1]與各種小型計算機的研發，圖像處理的移動性需求越來越大。文獻[2-3]提出了基于深度學習的車輛識別與人臉識別，但是沒有做到檢測設備的可移動性。文獻[4-6]做到了視頻處理的整體性，也就是嵌入式視頻處理設備，但是沒有做到視頻采集的可移動性。文獻[7-9]做到了視頻采集的可移動性，卻沒有做到視頻處理的智能性。文獻[10]提出并設計了基于嵌入式的移動智能視頻監控系統，但卻沒有做到基于深度學習的行人檢測。本文設計了一款基于樹莓派的移動視頻采集與處理小車，實現了視頻采集的可移動性與視頻處理的智能性。

1 相關基礎知識

1.1 樹莓派

樹莓派是一款只有信用卡大小的微型計算機，其系統基于Linux。本文使用的是樹莓派3B，它使用了博通2837芯片，1.2GHz，64位處理器，其性能比上一代提高了近一倍，能完全滿足本文的圖像處理需求。

此外，樹莓派3B功能集成度更高，新的BCM43438無線芯片直接將IEEE 802.11n無線和藍牙4.1 BLE（Bluetooth Low Energy）等功能模塊集成，同時還集成了相應無線功能的天線和放大器，可以讓基于樹莓派3B開發的產品外形更為緊湊、驅動開發更簡單，同時滿足無線視頻傳輸要求。

樹莓派具有豐富的GPIO口，圖1為樹莓派小車接口示意圖。其中，12，16，18，22是控制小車的云臺，27，29，31，33是控制小車的電機，攝像頭則是通過樹莓派的USB接口進行控制。

1.2 樹莓派小車

本文的樹莓派小車由云臺、攝像頭和電機組成，云臺可以實現360度旋轉，攝像頭使用的是高清微型720P的USB攝像頭，電機使用的是步進電機，作為小車的車輪進行運動。圖2為樹莓派小車。

小車的工作流程：首先電腦端通過WiFi控制GPIO口進而控制電機模塊和云臺，然后樹莓派通過攝像頭采集的視頻信息進行實時視頻處理，最后通過樹莓派的WiFi將處理后的視頻回傳到電腦端，如圖3所示。

2 軟件環境搭建

2.1 樹莓派的無線傳輸搭建

雖然樹莓派3B上搭載了WiFi[11]，但在首次使用時并不會自動連接，而是要通過putty的方式實現樹莓派的無線連接。

樹莓派可通過putty實現兩種方式連接：串口線連接和SSH登錄。串口線連接時輸入連接串口號和比特速率（115 200 bit/s），SSH登錄時輸入樹莓派的IP地址，并將端口號設為22，如圖4所示。

首先通過putty輸入IP，進入之后安裝VNC包，如圖5所示。

之后在PC端用tightVNC客戶端啟動樹莓派的虛擬圖形界面，如圖6所示。

這種方式能夠讓樹莓派共享電腦的屏幕、鍵盤、鼠標等資源，同時也方便電腦端和樹莓派之間的文件互傳。通過VNC進入樹莓派虛擬圖形界面后，將連接方式改成無線網絡連接，如圖7所示。

2.2 安裝OpenCV

在安裝OpenCV之前需要安裝攝像頭，攝像頭正常工作以后才可安裝OpenCV。為了調試方便，本文的攝像頭采用免驅動即插即用的USB攝像頭，通過編譯源代碼的方式進行安裝。

根據OpenCV的官方說明，首先安裝需要的第三方環境：

sudo apt-get install build-essential

sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

安裝完成后通過命令makdir opencv建立一個文件夾，然后將下載好的OpenCV源文件拷貝到新建的文件夾中，最后使用cmake在該文件夾中生成makefile文件。如果出現如圖8所示的界面，證明編譯成功。

2.3 行人檢測算法搭建

目前，Faster R-CNN[12]是基于深度學習R-CNN系列目標檢測中最好的方法，技術上是將RPN（Region Proposal Networks，生成建議窗口）網絡[13]和Fast R-CNN網絡結合在一起，Faster R-CNN中的結構如圖9所示。

在Faster R-CNN中，一張圖片經過前面的5個卷積層，輸出256張大小為13*13的特征圖。將特征圖分別輸入到RPN和Fast R-CNN中的卷積神經網絡全連接層，通過交替優化學習共享特征，最后分別輸出分類、邊框回歸及檢測。分類包含2個元素，用于判別目標和非目標的估計概率。邊框回歸包含4個坐標元素（x，y，w，h），x，y指當前格子預測的物體邊框中心位置的坐標，w，h是邊框的寬度和高度。檢測反映當前邊框是否包含物體以及物體位置的準確性。endprint

2.4 Faster R-CNN實驗設計

（1）下載Faster RCNN源代碼并安裝。

（2）編譯caffe和pycaffe。

（3）預訓練模型。Faster RCNN提供了3種預訓練模型作為基本模型，分別是小型網絡ZF、中型網絡VGG_CNN_M_1024和大型網絡VGG16，本文在樹莓派上使用的是小型網絡。

（4）測試模型。

3 實驗結果與分析

本系統在學校道路上進行測試，在電腦端的控制下，小車能夠穩定快速地實現前進轉彎等功能，樹莓派也能將攝像頭采集到的視頻信息進行行人檢測，并且快速地把識別結果回傳到電腦端。設計測試設置的視頻流為720p、24幀，因為使用的是樹莓派自帶的WiFi模塊進行視頻傳輸，所以顯示十分流暢。實驗證明本系統基本實現了行人檢測目的。系統能長時間正常穩定運行，可靠性較高。圖10所示為行人檢測結果。

4 結語

本文通過樹莓派搭建了一個可移動的行人檢測小車，通過WiFi控制樹莓派小車，將樹莓派小車處理后的視頻流回傳到電腦端。實驗結果證明，在電腦端的控制下，小車能穩定地完成行人檢測，并且將圖像回傳給電腦端。但該可移動無線視頻處理設備還有許多有待改進之處，比如行人檢測精度，以及視頻回傳發生的延遲現象等，這將是筆者后續研究的重點。

參考文獻：

[1] YU KAI， JIA LEI， CHEN YU-QIANG， et al. Deep learning： yesterday， today， and tomorrow[J]. Journal of Computer Research and Development，2013，50（9）：1799-1804.

[2] TAIGMAN Y，YANG M，RANZATO M A，et al. Web-scale training for face identification[C].Computer Vision and Pattern Recognition（CVPR），IEEE Conference on. Boston，USA：IEEE，2015：2746-2754.

[3] SUN Y， LIANG D， WANG X， et al. DeepID3： face recognition with very deep neural networks[J]. The Chinese University of Hong Kong Technical report，arXiv，2015（1502）：873-879.

[4] 李濤.基于OpenCV的嵌入式視頻監控系統應用研究[D].荊州：長江大學，2016.

[5] 王曉，蹤琳.基于OpenCV視覺庫的嵌入式視頻處理系統[J].電子質量，2017（3）：54-59.

[6] 郝林煒，梁穎.基于樹莓派+云服務器的網絡監控及家居控制系統的研究與實際應用[J].物聯網技術，2016（9）：45-50.

[7] 武明利，武奇，駱興芳.基于無線控制和視頻傳輸的多功能探測車[J].江西師范大學學報：自然科學版，2017（1）：73-78.

[8] 張璐，宋秋紅.自動巡線小車的圖像采集系統開發與優化[J].計算機工程與設計，2010（17）：3754-3819.

[9] 王玉成，王庭有，徐麗娟.遙控履帶小車視頻監控系統設計[J].新技術新工藝，2010（9）：39-42.

[10] 徐曉峰.基于嵌入式和OpenCV的移動智能視頻監控系統的設計與實現[D].太原：太原科技大學，2014.

[11] 李曉陽.WiFi技術及其應用與發展[J].信息技術，2012（2）：196-198.

[12] S REN. Faster R-CNN： towards real-time object detection with region proposal networks[C]. IEEE Transactions on Neural Networks，2015，73：1-24.

[13] JIFENG DAI， YI LI， KAIMING HE， et al. R-FCN：object detection via region-based fully convolutional networks[C]. Conference on Neural Information Processing Systems （NIPS），2016：1884-1893.endprint