基于ROS平臺(tái)的機(jī)器人目標(biāo)識(shí)別系統(tǒng)的設(shè)計(jì)

賈浩東

（西安交通大學(xué)附屬中學(xué)，陜西西安，710043）

0 引言

目前，隨著人工智能技術(shù)的不斷發(fā)展與控制芯片處理能力的不斷提高，智能機(jī)器人在現(xiàn)實(shí)生活中的應(yīng)用也越來越廣泛。作為智能機(jī)器人的一個(gè)重要的組成部分，視覺識(shí)別系統(tǒng)也越來越受到人們的重視[1]。智能機(jī)器人的視覺識(shí)別系統(tǒng)是指利用計(jì)算機(jī)或微處理器來實(shí)現(xiàn)系統(tǒng)對(duì)現(xiàn)實(shí)世界信息的感知與識(shí)別，主要是通過目標(biāo)對(duì)象的紋理、顏色、形狀等信息提取其關(guān)鍵特征，進(jìn)而完成對(duì)環(huán)境中指定目標(biāo)對(duì)象的識(shí)別。機(jī)器人視覺系統(tǒng)主要致力于令機(jī)器人的核心控制芯片具有從二維圖像獲取到現(xiàn)實(shí)世界中三維環(huán)境信息的能力。這不但包括對(duì)現(xiàn)實(shí)世界中三維物體的位置、形狀、運(yùn)動(dòng)等信息的感知,而且能對(duì)其進(jìn)行深度地識(shí)別與反饋。

本文以ROS平臺(tái)為基礎(chǔ)，搭建了針對(duì)移動(dòng)機(jī)器人的目標(biāo)識(shí)別系統(tǒng)。系統(tǒng)可通過Adaboost算法使移動(dòng)機(jī)器人自動(dòng)識(shí)別區(qū)域中的目標(biāo)對(duì)象，對(duì)于移動(dòng)機(jī)器人領(lǐng)域的研發(fā)具有較高的理論及實(shí)際應(yīng)用價(jià)值。中。ROS也支持一種類似于代碼共享的云平臺(tái)，不同位置的開發(fā)者可通過該平臺(tái)實(shí)現(xiàn)相關(guān)項(xiàng)目的協(xié)同開發(fā)與聯(lián)合發(fā)布。基于上述思想，ROS可以使一個(gè)項(xiàng)目實(shí)現(xiàn)從底層文件系統(tǒng)到上層用戶接口完全獨(dú)立研發(fā)。與此同時(shí)， ROS工具包也能將項(xiàng)目的所有內(nèi)容整合到一起。

2 系統(tǒng)架構(gòu)介紹

1 ROS平臺(tái)簡(jiǎn)要介紹

ROS（Robot Operating System）是一個(gè)開源的、廣泛適用于機(jī)器人的開發(fā)與應(yīng)用的操作平臺(tái)。它不但為機(jī)器人開發(fā)者提供包括機(jī)器人硬件抽象，底層驅(qū)動(dòng)與控制，模塊間消息傳遞等功能。而且也包含用于獲取、編譯、和跨平臺(tái)運(yùn)行程序所需的工具和API接口[2]。

為機(jī)器人開發(fā)者提供代碼和功能上的支持是ROS平臺(tái)的主要開發(fā)宗旨[3]。它提供了一個(gè)分布式的運(yùn)行平臺(tái)，平臺(tái)中各獨(dú)立的、分布式運(yùn)行的模塊被封裝在開源通用的ROS程序包和功能包

2.1 軟件架構(gòu)

機(jī)器人目標(biāo)識(shí)別算法的實(shí)現(xiàn)主要依賴ROS平臺(tái)。該平臺(tái)的運(yùn)行架構(gòu)是一種使用經(jīng)過特殊集成與封裝的通信機(jī)制實(shí)現(xiàn)平臺(tái)中各子模塊間松耦合連接的處理架構(gòu)，ROS平臺(tái)提供若干種不同類型的通訊方式，包括基于服務(wù)（Service）的同步遠(yuǎn)程過程調(diào)用通訊、基于話題（Topic）的異步數(shù)據(jù)通訊，此外還支持服務(wù)器對(duì)用戶輸入的指定的參數(shù)信息的存儲(chǔ)與應(yīng)用。ROS系統(tǒng)中模塊間的通信采用點(diǎn)對(duì)點(diǎn)的通信方式。系統(tǒng)中的每一個(gè)模塊可設(shè)置為一個(gè)節(jié)點(diǎn)（node），節(jié)點(diǎn)之間的通信協(xié)議采用訂閱（subscribe）和發(fā)布（publ ish）的形式。通信前在系統(tǒng)中建立一個(gè)話題（topic）。在每個(gè)節(jié)點(diǎn)中發(fā)布方在此話題中發(fā)布相應(yīng)的通信數(shù)據(jù)，接收方訂閱相應(yīng)的通信數(shù)據(jù)并完成相應(yīng)的通信。圖1為機(jī)器人系統(tǒng)中圖像處理節(jié)點(diǎn)示意，在該節(jié)點(diǎn)中我們訂閱“ /image_raw”話題中的消息，在節(jié)點(diǎn)中完成相應(yīng)的識(shí)別，再將識(shí)別結(jié)果發(fā)布至“dj i_sdk/image_raw”中，其余節(jié)點(diǎn)可訂閱該話題上的消息，完成其余功能。

2.2 硬件架構(gòu)

移動(dòng)機(jī)器人目標(biāo)識(shí)別系統(tǒng)采用了NVIDIA公司生產(chǎn)的Jetson TK1作為開發(fā)平臺(tái)，該平臺(tái)基于嵌入式Linux系統(tǒng)，具有豐富的接口，搭載了圖像采集模塊，整個(gè)系統(tǒng)具備小型化、低功耗、低成本、高靈活性等顯著特點(diǎn)[4]。Jetson TK1是NVIDIA嵌入式Linux開發(fā)平臺(tái)，其核心處理器具備與現(xiàn)代桌面GPU相同的高級(jí)功能和架構(gòu)，同時(shí)具有移動(dòng)芯片的低功耗，可連續(xù)在繁重的工作量下運(yùn)作。因此，本文所設(shè)計(jì)算法的代碼實(shí)現(xiàn)可以輕松的在TK1上完成，具有與桌面相似的GPU加速性能水平。

圖1 ROS系統(tǒng)節(jié)點(diǎn)通信示意圖

3 基于Adaboost的目標(biāo)識(shí)別算法

3.1 算法簡(jiǎn)介

本系統(tǒng)的圖像識(shí)別算法采Freund和Schapire提出的Adaboost算法，該算法的檢測(cè)模型由多個(gè)弱分類器級(jí)聯(lián)組成。Adaboost算法在訓(xùn)練的過程中不需要預(yù)先設(shè)定每個(gè)弱分類器的錯(cuò)誤率下限，而是通過弱學(xué)習(xí)的過程自適應(yīng)地調(diào)整個(gè)分類器的錯(cuò)誤率，因此該算法在不需要提供弱學(xué)習(xí)器先驗(yàn)信息的前提下仍保證了極高的檢測(cè)和識(shí)別率，在提出之后得到了廣泛的應(yīng)用。

通過Adaboost算法實(shí)現(xiàn)對(duì)指定目標(biāo)對(duì)象的識(shí)別的過程主要由模型訓(xùn)練和目標(biāo)對(duì)象識(shí)別兩個(gè)部分組成。模型訓(xùn)練是指根據(jù)給定的樣本，提取訓(xùn)練集中圖片的特征組成訓(xùn)練集（如Haar-l ike小波特征、HOG特征等），并以此為基礎(chǔ)不斷調(diào)整模型中各弱分類器的參數(shù)，使給定樣本中模型的最終的分類誤差最低；對(duì)象識(shí)別是指在模型訓(xùn)練完成的基礎(chǔ)上，對(duì)于輸入圖像的特征，利用算法模型計(jì)算得出該圖像的分類信息，根據(jù)分類結(jié)果實(shí)現(xiàn)對(duì)象的識(shí)別。

3.2 算法實(shí)現(xiàn)

Adaboost算法的主要訓(xùn)練流程如下[4]，其中hj(x ) = Pw(y = 1 |x ) - Pw(y = - 1 |x),反映了屬于正樣本和屬于負(fù)樣本之間的概率差。

(1)給定訓(xùn)練集的樣本(x1,y1) ,( x1,y1), … ,( xN, yN)，對(duì)于正樣本令 yi= 1 ;負(fù)樣本，令 yi=-1。對(duì)樣本中的各權(quán)重按照下式進(jìn)行初始化，式中l(wèi)為正樣本個(gè)數(shù)，m為負(fù)樣本個(gè)數(shù)；

(2)給定分類器個(gè)數(shù)T,對(duì)于 t = 1 ,…,T

①對(duì)于每個(gè)輸入的特征j，得到弱分類器 ht∈[-1 , 1];

②計(jì)算弱分類器 ht分類誤差,選出最優(yōu)的弱分類器 ht；

最終經(jīng)過上述訓(xùn)練過程得到Adaboost的數(shù)學(xué)模型，在目標(biāo)識(shí)別的過程中，本系統(tǒng)通過提取目標(biāo)圖像的Haar關(guān)鍵特征，然后將特征輸入Adaboost模型中進(jìn)行目標(biāo)識(shí)別[5]。具體檢測(cè)過程如下所示：首先，初始化檢測(cè)窗口并載入訓(xùn)練模型的各參數(shù)值；其次，按照一定的方向移動(dòng)檢測(cè)窗口，提取窗口內(nèi)的Haar特征，直至檢測(cè)窗口遍歷整個(gè)圖像；然后，利用訓(xùn)練好的Adaboost模型對(duì)目標(biāo)進(jìn)行檢測(cè)，若發(fā)現(xiàn)目標(biāo)則在圖形中標(biāo)出被檢測(cè)的目標(biāo)，否則按照一定的倍數(shù)對(duì)檢測(cè)窗口進(jìn)行放大，再次按照上述步驟進(jìn)行一次圖像遍歷；不斷的放大檢測(cè)窗口并對(duì)目標(biāo)圖像執(zhí)行上述遍歷的過程，直至檢測(cè)窗口超過原圖像的一半大小，并輸出最終的檢測(cè)結(jié)果。該過程的具體過程如圖2所示。

圖2 目標(biāo)識(shí)別系統(tǒng)識(shí)別目標(biāo)的流程圖

經(jīng)過上述過程，機(jī)器人利用Adaboost算法最終完成了在指定區(qū)域內(nèi)自動(dòng)對(duì)目標(biāo)的識(shí)別與檢測(cè)。圖3展示了機(jī)器人利用該目標(biāo)識(shí)別系統(tǒng)進(jìn)行人臉識(shí)別的結(jié)果，結(jié)果表明，該系統(tǒng)對(duì)單目標(biāo)和多目標(biāo)都有很強(qiáng)的目標(biāo)識(shí)別能力。

圖3 目標(biāo)識(shí)別系統(tǒng)在人臉識(shí)別過程中的運(yùn)行結(jié)果

4 結(jié)論

本文利用開源的ROS機(jī)器人平臺(tái)，提出并設(shè)計(jì)了一種移動(dòng)機(jī)器人目標(biāo)識(shí)別系統(tǒng)，該系統(tǒng)通過視覺傳感器采集圖像信息并上傳至機(jī)器人主控芯片，主控芯片上運(yùn)行的ROS平臺(tái)上利用Adaboost算法實(shí)現(xiàn)了對(duì)指定區(qū)域內(nèi)對(duì)目標(biāo)的實(shí)時(shí)識(shí)別與檢測(cè)。

本文提出的基于ROS平臺(tái)的機(jī)器人目標(biāo)系統(tǒng)充分利用ROS分布式計(jì)算與實(shí)時(shí)交互的特性，不但降低了開發(fā)難度，而且提高了目標(biāo)識(shí)別的效率及效果[6]，使移動(dòng)機(jī)器人能夠自動(dòng)識(shí)別目標(biāo)區(qū)域內(nèi)的對(duì)象，為后續(xù)移動(dòng)機(jī)器人的自主運(yùn)行、精確定位以及自主避障的相關(guān)研究奠定了一定的基礎(chǔ)。

[1]劉潔,平雪良,齊飛,蔣毅.基于視覺跟蹤的機(jī)器人測(cè)量方法與實(shí)現(xiàn)[J].應(yīng)用光學(xué).2016,37(05)：686-692.

[2]劉曉帆,趙彬.基于ROS的移動(dòng)機(jī)器人平臺(tái)系統(tǒng)設(shè)計(jì)[J/OL].微型機(jī)與應(yīng)用.2017,(11)：54-56+59.

[3]左 軒 塵 ,韓 亮 亮 ,莊 杰 ,石 琪 琦 ,黃 煒 .基 于 ROS 的空間機(jī)器人人機(jī)交互系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)工程與設(shè)計(jì) ,2015,36(12)：3370-3374.

[4]文學(xué)志,方巍,鄭鈺輝.一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識(shí)別算法[J].電子學(xué)報(bào) .2011,5：1121-1126.

[5]李婷俐.基于多特征級(jí)聯(lián)分類器的道路車輛檢測(cè)方法研究[D].湖南大學(xué).2012-05.

[6]劉彬.基于ROS和OpenCV的云服務(wù)系統(tǒng)與人臉識(shí)別應(yīng)用[J].科技廣場(chǎng).2016,11：40-43.