基于YOLOv5手勢識別的無人小車運動交互控制系統(tǒng)設(shè)計*

羅曉杰，郭建文，苗涵琪，曹夢華，晏曉輝，李宇琛，候鵬鵬，梁志翔

（東莞理工學(xué)院機械工程學(xué)院，廣東東莞 523808）

0 引言

無人小車在使用過程中系統(tǒng)的控制部分需要專門人機交互方式實現(xiàn)相關(guān)的功能[1-2]。手勢控制人機交互方式運用移動端（無人小車）來進行手勢識別，并基于識別的結(jié)果來執(zhí)行命令，操作者通過簡單的手勢完成他們想要完成的控制動作。手勢控制作為一種新興的人機交互控制方式，在無人小車領(lǐng)域得到越來越多的關(guān)注[3]。

手勢識別的人機交互方式一般有數(shù)據(jù)手套和視覺傳感器兩類。數(shù)據(jù)手套[4]的手勢識別方式：使用者需要戴上部署了傳感器的手套，手勢識別系統(tǒng)通過手套上的傳感器獲取手的位置、姿態(tài)等信息。由于需要配置額外的手套設(shè)備，數(shù)據(jù)手套的手勢識別方式在應(yīng)用過程中存在應(yīng)用場景受限、成本高等不足[5]。視覺傳感器的手勢識別基于計算機視覺技術(shù)，對視覺傳感器采集設(shè)備拍攝到的包含手勢圖像序列，通過計算機視覺技術(shù)進行目標(biāo)檢測，識別出手勢[6]。目標(biāo)檢測是指從圖像中找出所有感興趣的目標(biāo)，同時確認(rèn)目標(biāo)的種類和位置，是城市安防、自動導(dǎo)航、醫(yī)療診斷、增強現(xiàn)實等領(lǐng)域非常重要的應(yīng)用之一[7-8]。視覺傳感器的方式可以分為專用的視覺設(shè)備和普通攝像頭。微軟Kinect 是典型的專用的視覺設(shè)備代表，基于基Kinect 這種特殊功能的攝像頭，可以很好地識別手勢的信息，領(lǐng)域內(nèi)相關(guān)學(xué)者開展了大量的研究并在多方面得到應(yīng)用[9]。然而基于Kinect的手勢識別和數(shù)據(jù)手套都有一個共同的不足，就是設(shè)備昂貴，不利于普及應(yīng)用。基于普通攝像頭的方法不需要采購價格昂貴的數(shù)據(jù)手套設(shè)備或者專有的視覺傳感設(shè)備，在有普通視覺傳感器（攝像頭）的場景下都可以使用，具有設(shè)備成本低、普及率高等優(yōu)勢[10]。

近年來深度學(xué)習(xí)目標(biāo)檢測上取得的突破進展[11]，目前基于深度學(xué)習(xí)的目標(biāo)檢測已經(jīng)成為主流。同時Intel 的神經(jīng)計算棒、NVIDIA Jetson 等邊緣計算產(chǎn)品的計算能力得到進一步發(fā)展，可以為算力不足的移動設(shè)備（無人小車等）提供深度學(xué)習(xí)的目標(biāo)檢測解決方案[12]。

本文采用深度學(xué)習(xí)技術(shù)，設(shè)計了一種基于YOLOv5 手勢識別的無人小車運動交互控制系統(tǒng)，具有結(jié)構(gòu)簡單、操作靈活、性能可靠等特點，能夠較為精準(zhǔn)地識別指令并達(dá)到人機交互的控制效果。

1 無人小車交互系統(tǒng)的設(shè)計

本系統(tǒng)設(shè)計思想是采用移動的無人小車+普通的攝像頭+深度學(xué)習(xí)，設(shè)計一套手勢識別的無人小車交互控制系統(tǒng)。

1.1 軟件平臺的選用

無人小車的軟件平臺選用Ubuntu18.04，運行環(huán)境為Jetson nano 開發(fā)板，CPU 基于四核ARM Cortex-A57，GPU 為NVIDIA MAXWELL，Arduino Maga 2560，樹莓派USB 攝像頭，軟件環(huán)境為OpenCV 4.1.0、Pytorch-GPU等。實驗平臺實物如圖1所示。

圖1 實驗平臺實物

1.2 無人小車的硬件結(jié)構(gòu)設(shè)計

無人小車的硬件結(jié)構(gòu)如圖2 所示。考慮到須在平地上運動，其設(shè)計結(jié)構(gòu)采用小車底盤是上下兩層亞克力橫板，上層亞克力橫板安裝固定云臺，云臺上連接六軸機械臂，在機械臂第四軸處安裝樹莓派攝像頭模塊，亞克力橫板頂部固定Jetson nano 開發(fā)板模塊；下層亞克力橫板固定裝有Arduino Maga 2560單片機模塊，24 V直流電源模塊，電機驅(qū)動模塊，亞克力橫板底部左右兩側(cè)分別固定有4 個直流電機模塊，直流電機模塊用麥科納姆輪連接，亞克力橫板間由銅柱固定連接。采用輪式控制結(jié)構(gòu)設(shè)計，可以使小車在平地上行走平穩(wěn)。

圖2 無人小車硬件結(jié)構(gòu)

1.3 無人小車的人機交互系統(tǒng)設(shè)計

人機交互系統(tǒng)結(jié)構(gòu)如圖3 所示。系統(tǒng)樹莓派攝像頭模塊獲取包括領(lǐng)航者在內(nèi)的特定手勢數(shù)據(jù)視頻流，實時傳輸給上位機Jetson nano 模塊，通過部署在上位機Jetson nano 模塊上的已經(jīng)訓(xùn)練達(dá)到識別精度要求的YOLOv5 模型進行識別，根據(jù)識別算法來做出判斷，處理數(shù)據(jù)得到相應(yīng)的控制信息。上位機與下位機通訊根據(jù)串口通訊原理，通過有線usb串口通訊方式向Arduino Maga 2560單片機傳送控制指令，Arduino Maga 2560單片機接受控制指令處理并傳達(dá)控制信息給電機驅(qū)動模塊，驅(qū)動4 個直流電機模塊進行正反轉(zhuǎn)，實現(xiàn)無人小車的運動控制。

圖3 人機交互系統(tǒng)結(jié)構(gòu)

本文中的YOLOv[13-14]的核心思想是把物體目標(biāo)檢測（object detection）問題處理成回歸問題，用一個卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從輸入圖像直接預(yù)測檢測框和類別概率，是典型的目標(biāo)檢測one stage 方法。YOLOv 算法將候選區(qū)域和檢測階段合二為一，將輸入劃分成s×s個窗格，每個格子會生成不同長寬比的B個邊界框（bounding box）。當(dāng)目標(biāo)框中心點落在某個窗格，則此目標(biāo)的檢測由該窗格負(fù)責(zé)，同時預(yù)測出邊界框的位置信息、分類概率及置信度（confidence）。

在YOLOv5 中，一共出現(xiàn)了5 個版本，分別是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五個模型。其中，YOLOv5s 網(wǎng)絡(luò)是YOLOv5 系列中深度最小，特征圖的寬度最小的網(wǎng)絡(luò)。其他4 種都是在此基礎(chǔ)上不斷加深和加寬。綜合考慮下，本文選擇用YOLOv5s 網(wǎng)絡(luò)模型。YOLOv5 模型的訓(xùn)練利用深度學(xué)習(xí)框架Pytorch，首先在YOLOv5模型中對手勢數(shù)據(jù)集進行訓(xùn)練，調(diào)用YOLOv5 針對訓(xùn)練的腳本文件，在基于YOLOv5預(yù)訓(xùn)練模型yolov5.xyam 的前提下，在權(quán)重文件yolov5x.pt 的輸入下進行手勢識別模型訓(xùn)練，生成手勢識別和檢測的.yaml 文件，將模型與測試集數(shù)據(jù)進行匹配，選擇訓(xùn)練識別精度最高的權(quán)重文件輸入作為視覺模型。

2 實驗與結(jié)果分析

2.1 手勢數(shù)據(jù)集的制作

系統(tǒng)根據(jù)識別手勢圖片的不同，實現(xiàn)控制小車不同的運動方式，定義手勢數(shù)字代表指令如下：手勢0 控制小車啟動，手勢1控制小車直行，手勢2控制左轉(zhuǎn)，手勢3控制右轉(zhuǎn)，手勢4控制后退，手勢6、7、8 共同控制小車上的機械臂運動，手勢9控制小車停止運動。

系統(tǒng)通過樹莓派攝像頭采集空白背景處人體手勢圖像視頻流，分別有數(shù)字0、1、2、3、4、5、6、7、8、9 下所代表的特定人體手勢圖像。系統(tǒng)利用Opencv 圖像處理技術(shù)將數(shù)據(jù)視頻流逐幀轉(zhuǎn)化為圖片數(shù)據(jù)，結(jié)合立體匹配算法，獲取包含控制者目標(biāo)在內(nèi)的深度圖像，在對圖像進行閾值化、歸一化等圖像預(yù)處理方法，融合基于YCrCb 顏色空間Cr、Cb 范圍篩選法色彩空間轉(zhuǎn)換算法來排除周圍環(huán)境因素的干擾，得到只有控制者特定手勢的深度圖片，通過圖像轉(zhuǎn)化的技術(shù)還原初始的圖像空間色彩和人物信息，并分類不同的手勢圖片信息制作數(shù)據(jù)集進行篩選，最終得到每個數(shù)字代表的特定手勢圖片503 張，共有5 030 張手勢圖片數(shù)據(jù)，在python 的LabelImg模塊工具中對手勢圖片進行標(biāo)注，并生成YOLOv5 深度學(xué)習(xí)模型的手勢圖片數(shù)據(jù)集，分為訓(xùn)練集85%，測試集15%。部分?jǐn)?shù)據(jù)如圖4 所示。

圖4 部分手勢數(shù)據(jù)集

2.2 實驗

實驗過程一共分為3 個部分。實時手勢視頻流識別檢測，控制指令通訊測試和無人小車運動測試。在YOLOv5 模型手勢數(shù)據(jù)訓(xùn)練中，設(shè)定每次訓(xùn)100 輪，訓(xùn)練批次大小為8，分多次進行試驗。預(yù)測識別率達(dá)到85%～90%以上，基本符合實驗要求，預(yù)測結(jié)果如圖5 所示。實時手勢視頻流識別檢測，設(shè)置置信度在0.5，迅速準(zhǔn)確檢測出各手勢分別代表控制指令信息，控制指令通訊測試，將檢測到的手勢數(shù)據(jù)通過usb 串口通訊準(zhǔn)確轉(zhuǎn)化無人小車的控制指令，無人小車運動方式按照預(yù)期手勢控制指令運動。在手勢數(shù)據(jù)訓(xùn)練識別率達(dá)到一定精度后符合測試要求，將訓(xùn)練后模型文件部署到移動端，實現(xiàn)手勢指令控制小車的運動，小車前進，后退，轉(zhuǎn)彎，停止等。系統(tǒng)運行界面效果如圖6所示。

圖5 手勢預(yù)測結(jié)果

圖6 系統(tǒng)運行界面效果

2.3 實驗結(jié)果分析

針對YOLOv5模型手勢數(shù)據(jù)集的訓(xùn)練，對0～9的手勢圖片數(shù)據(jù)識別進行測試及結(jié)果的統(tǒng)計分析，結(jié)果如圖7 所示。圖8所示為F1分?jǐn)?shù)與置信度之間的關(guān)系，圖9所示為召回率跟置信度的關(guān)系，都能夠反映訓(xùn)練后性能的指標(biāo)。F1 分?jǐn)?shù)（F1-score）是分類問題的一個衡量指標(biāo)，是精確率precision 和召回率recall的調(diào)和平均數(shù)，最好為1，最差為0。

圖7 YOLOv5模型手勢數(shù)據(jù)集的訓(xùn)練分析

圖8 F1分?jǐn)?shù)與置信度分析

圖9 召回率與置信度分析

根據(jù)實驗訓(xùn)練數(shù)據(jù)分析，訓(xùn)練后測試的識別率穩(wěn)定在85%～95%之間，達(dá)到本系統(tǒng)允許的控制誤差范圍內(nèi)，在保證快速識別手勢指令而精確控制小車運動的前提下，本系統(tǒng)手勢控制無人小車測試結(jié)果達(dá)到預(yù)期效果。同時需要說明的是，由于手勢數(shù)據(jù)集制作的大小限制以及訓(xùn)練過程中訓(xùn)練迭代次數(shù)的限制，識別率精度受限制。

3 結(jié)束語

本文設(shè)計的基于YOLOv5 手勢識別的無人小車運動交互控制系統(tǒng)，將YOLOv5 改進算法融合在無人小車運動控制，實現(xiàn)精確控制指令傳達(dá)效果，與相比于傳統(tǒng)的手勢識別控制系統(tǒng)，利用普通攝像頭作為單一傳感器來實現(xiàn)對周圍環(huán)境的感知，作為控制的輸入端，只需要攝像頭傳感器識別操作者簡單的特定手勢便可實現(xiàn)控制，控制操作簡便快捷，可降低控制系統(tǒng)對于控制人員專業(yè)性的依賴。同時利用YOLOv5 模型應(yīng)用開發(fā)的深度學(xué)習(xí)圖像識別技術(shù)，對硬件算力要求較小，支持使用最新的圖像識別模型，體積小，對訓(xùn)練的手勢圖像識別率高，系統(tǒng)控制反應(yīng)速度更快，精度高。