论文部分内容阅读
摘要：本文介绍了一种基于深度学习的人脸识别算法进行人脸检测达到智能跟随的六足机器人。该机器人系统包括人脸捕捉单元、主控制单元和行为运动控制单元。所述人脸捕捉单元是利用摄像机获取人脸图像或视频并传输给机器人主控制单元。而主控制单元运用改进的VGGNet人脸识别算法进行人脸检测，再根据检测结果发出信号到行为运动控制单元完成智能跟随，通过驱动直流电机实现六足机器人的运动。
关键词：人脸识别;VGGNet;目标跟随;六足机器人
中图分类号：TN919.5文献标识码：A
机器人时代即将到来，而跟随性机器人将成为该产业发展的下一个大趋势。智能跟随机器人应具有目标识别和自主导航的功能，服务于特定的目標对象，帮助人们完成任务。目前跟随机器人的跟随方式有基于图像处理、基于激光传感器等的跟随技术。
图像处理方式对目标的跟踪容易丢掉信息;如果采用基于激光传感器的跟随技术对目标人物的采集方法较为单一，易受环境中相似物体干扰。
本文设计实现了一种基于人脸追踪进行智能跟随的六足机器人。该机器人使用目前效果较好的改进的VGGNet算法进行目标检测，检测出图像中目标人脸后，触发跟踪器，对显著运动目标进行高速、精确的跟踪。
1 基于深度学习的人脸识别算法
1.1 改进的VGGNet算法
VGG是谷歌公司参与Imagenet竞赛的一个模型，对于图像分类的效果很好。本文采用改进的VGGNet对目标人脸进行特征提取，旨在获取更精确的人脸图像特征，它对特征提取的方法明显优于传统局部特征提取算法。改进的VGGNet网络结构是在池化方式中用均值下采样层代替单元模块5的最大池化层。该方法既不会较大影响网络性能，还可以提取更精确的人脸图像特征，用该方法，单元模块5需保存的数据计算量仅为之前的1/25，从而达到节省存储空间的效果。对卷积核数目而言，该方法将单元模块5中卷积核数目500更改到700，旨在获取更详细的人脸图像特征信息，但也缩短了网络的训练时间，并且增多了网络参数，对计算机硬件内存的要求进一步提高。最后是针对全连接层，该算法使用VGGNet神经网络提取人脸图像的特征，然后用PCA对获取的人脸图像特征降低维度，进而用SVM分类器完成对人脸图像的识别。VGGNet网络结构中保留了全连接层1和2，去掉全连接层3，目的是更充分的保留人脸图像特征信息。
1.2 算法识别效果
用已改进的VGGNet深度卷积神经网络对FLW人脸数据库中的人脸图像提取特征，经实验验证使用PCA降低维度后的识别效果如下表所示：
根据上表看出，将得到的深度特征不降维进行分类识别的情况下，识别率为95.2%;而将深度特征进行PCA降维进行分类识别，识别率会根据降低的不同维度发生变化，但效果均高于不将维的效果，当维数在到800左右时，算法识别效率最好，达到95.70%。因此本文将采用上述效果最好的算法。
2 机器人控制系统设计
2.1 机器人控制系统总体框架
六足机器人采用仿生学设计，仿真原型是六足昆虫，因为其独特的机械结构，拥有很好的自调节能力，对复杂环境有较强的应变能力。相较于轮式机器人，履带式机器人等地面运动机器人，六足机器人对于复杂地形适应性更强，稳定性更高，移动更灵活。该六足机器人总体思路为stm32处理器接受来自VGGNet算法提供的信息并在处理后生成控制命令发送至32路舵机控制板生成PWM波控制六足机器人底盘各个舵机的运动，从而实现目标跟随运动。
2.2 六足机器人的步态控制
六足机器人的步态是多种多样的，三脚架步态是六足机器人的典型步态。图2中，机器人在水平和垂直方向上运动时，B，D，F脚为摆动脚，向水平或垂直方向摆动，A，C，E脚保持原有位置不动，只发挥支撑作用。由于机器人重心较低，移动时Z轴方向几乎没有抖动，不需要协调，所以该方案得到广泛的应用。
2.3 机器人跟随实现
在六足机器人根据VGGNet识别到的目标人脸调整自己的位置并进行跟随。该机器人能够自动跟随的基本原因是系统根据视觉目标算法获取了自身与目标人脸位置坐标，目标人脸的位置移动时，机器人自身也会跟随移动与目标保持固定的距离。例如目标人脸坐标是（300，300），摄像头图像中心坐标是（200，200）此时的目标人脸在摄像头右上方，向控制板发出调整位置的信息，机器人立刻向右运动同时摄像头仰角变大，正对目标人脸后，目标形心将锁定于图像中心区域（190210，190210），随后调整与目人脸的距离，根据目标人脸锁定框面积值，控制机器人前进或后退，这个过程中机器人一直保持着正对人脸。对于静止或运动的目标人脸，机器人都可以用该方式稳定跟随。
3 实验结果分析
基于深度学习的人脸识别跟随六足机器人。采用改进的VGGNet人脸识别算法完成对视频中的人脸进行识别，融入机器视觉算法和自动控制系统的六足机器人对目标人脸进行自动跟随。在行为运动控制单元采用的嵌入式
处理器可以高效控制六足机器人前进后退和转向等。实验结果如图2。
通过调整目标人脸与机器人之间的距离，六足机器人会自动完成前进后退和转向等指令理控制机身完成目标跟随。
4 结语
本文提出了一种基于深度学习的人脸识别跟随六足机器人，机器人的摄像头通过融合改进的VGGNet人脸识别算法完成对人脸的识别与检测，再利用先进的机器视觉的跟踪算法长期、稳定并精确地跟随并锁定目标。再根据电脑端运行的机器视觉目标算法获取自身与目标人脸位置坐标关系，从而调整机身位置，达成高效控制六足机器人转向。为后续研究提供了基础，对于智能机器人的发展具有深远应用研究价值。
参考文献：
[1]易诗，张磊，谢子琼，张健.基于机器视觉的目标跟随六足机器人[J].重庆邮电大学学报（自然科学版），2017（4）.
[2]马良慧.基于深度学习的人脸识别算法研究[D].
[3]杨巨成，刘娜，房珊珊.基于深度学习的人脸识别方法研究综述[J].天津科技大学学报，2016（6）.
[4]童林.基于视频的人脸识别与跟踪算法研究[J].计算机与现代化，2013（2）：14.
Reference：
[1]Yi Shi，Zhang Lei，Xie ZiQiong，Zhang Jian.Target following hexapod robot based on machine vision[J].Journal of chongqing university of posts and telecommunications（natural science edition），2017（4）.
[2]Ma LiangHui.Research on face recognition algorithm based on deep learning[D].
[3]Yang JuCheng，Liu Na，Fang ShanShan.Research review of face recognition methods based on deep learning[J].Journal of tianjin university of science and technology，2016（6）.
[4]Tong Lin.Research on face recognition and tracking algorithm based on video[J].Computer & modernization，2013（2）：14.
基金项目：国家大学生创新创业项目，基于深度学习的人脸识别跟随机器人，项目编号：201810616033负责人：张洋溢;成都理工大学学生课外科技立项项目，基于深度学习的人脸识别跟随机器人，项目编号：2018KJY0200 负责人：张洋溢
作者简介：张洋溢（1998），男，四川成都人，成都理工大学本科生，主要从事电子信息科学与技术专业。
关键词：人脸识别;VGGNet;目标跟随;六足机器人
中图分类号：TN919.5文献标识码：A
机器人时代即将到来，而跟随性机器人将成为该产业发展的下一个大趋势。智能跟随机器人应具有目标识别和自主导航的功能，服务于特定的目標对象，帮助人们完成任务。目前跟随机器人的跟随方式有基于图像处理、基于激光传感器等的跟随技术。
图像处理方式对目标的跟踪容易丢掉信息;如果采用基于激光传感器的跟随技术对目标人物的采集方法较为单一，易受环境中相似物体干扰。
本文设计实现了一种基于人脸追踪进行智能跟随的六足机器人。该机器人使用目前效果较好的改进的VGGNet算法进行目标检测，检测出图像中目标人脸后，触发跟踪器，对显著运动目标进行高速、精确的跟踪。
1 基于深度学习的人脸识别算法
1.1 改进的VGGNet算法
VGG是谷歌公司参与Imagenet竞赛的一个模型，对于图像分类的效果很好。本文采用改进的VGGNet对目标人脸进行特征提取，旨在获取更精确的人脸图像特征，它对特征提取的方法明显优于传统局部特征提取算法。改进的VGGNet网络结构是在池化方式中用均值下采样层代替单元模块5的最大池化层。该方法既不会较大影响网络性能，还可以提取更精确的人脸图像特征，用该方法，单元模块5需保存的数据计算量仅为之前的1/25，从而达到节省存储空间的效果。对卷积核数目而言，该方法将单元模块5中卷积核数目500更改到700，旨在获取更详细的人脸图像特征信息，但也缩短了网络的训练时间，并且增多了网络参数，对计算机硬件内存的要求进一步提高。最后是针对全连接层，该算法使用VGGNet神经网络提取人脸图像的特征，然后用PCA对获取的人脸图像特征降低维度，进而用SVM分类器完成对人脸图像的识别。VGGNet网络结构中保留了全连接层1和2，去掉全连接层3，目的是更充分的保留人脸图像特征信息。
1.2 算法识别效果
用已改进的VGGNet深度卷积神经网络对FLW人脸数据库中的人脸图像提取特征，经实验验证使用PCA降低维度后的识别效果如下表所示：
根据上表看出，将得到的深度特征不降维进行分类识别的情况下，识别率为95.2%;而将深度特征进行PCA降维进行分类识别，识别率会根据降低的不同维度发生变化，但效果均高于不将维的效果，当维数在到800左右时，算法识别效率最好，达到95.70%。因此本文将采用上述效果最好的算法。
2 机器人控制系统设计
2.1 机器人控制系统总体框架
六足机器人采用仿生学设计，仿真原型是六足昆虫，因为其独特的机械结构，拥有很好的自调节能力，对复杂环境有较强的应变能力。相较于轮式机器人，履带式机器人等地面运动机器人，六足机器人对于复杂地形适应性更强，稳定性更高，移动更灵活。该六足机器人总体思路为stm32处理器接受来自VGGNet算法提供的信息并在处理后生成控制命令发送至32路舵机控制板生成PWM波控制六足机器人底盘各个舵机的运动，从而实现目标跟随运动。
2.2 六足机器人的步态控制
六足机器人的步态是多种多样的，三脚架步态是六足机器人的典型步态。图2中，机器人在水平和垂直方向上运动时，B，D，F脚为摆动脚，向水平或垂直方向摆动，A，C，E脚保持原有位置不动，只发挥支撑作用。由于机器人重心较低，移动时Z轴方向几乎没有抖动，不需要协调，所以该方案得到广泛的应用。
2.3 机器人跟随实现
在六足机器人根据VGGNet识别到的目标人脸调整自己的位置并进行跟随。该机器人能够自动跟随的基本原因是系统根据视觉目标算法获取了自身与目标人脸位置坐标，目标人脸的位置移动时，机器人自身也会跟随移动与目标保持固定的距离。例如目标人脸坐标是（300，300），摄像头图像中心坐标是（200，200）此时的目标人脸在摄像头右上方，向控制板发出调整位置的信息，机器人立刻向右运动同时摄像头仰角变大，正对目标人脸后，目标形心将锁定于图像中心区域（190210，190210），随后调整与目人脸的距离，根据目标人脸锁定框面积值，控制机器人前进或后退，这个过程中机器人一直保持着正对人脸。对于静止或运动的目标人脸，机器人都可以用该方式稳定跟随。
3 实验结果分析
基于深度学习的人脸识别跟随六足机器人。采用改进的VGGNet人脸识别算法完成对视频中的人脸进行识别，融入机器视觉算法和自动控制系统的六足机器人对目标人脸进行自动跟随。在行为运动控制单元采用的嵌入式
处理器可以高效控制六足机器人前进后退和转向等。实验结果如图2。
通过调整目标人脸与机器人之间的距离，六足机器人会自动完成前进后退和转向等指令理控制机身完成目标跟随。
4 结语
本文提出了一种基于深度学习的人脸识别跟随六足机器人，机器人的摄像头通过融合改进的VGGNet人脸识别算法完成对人脸的识别与检测，再利用先进的机器视觉的跟踪算法长期、稳定并精确地跟随并锁定目标。再根据电脑端运行的机器视觉目标算法获取自身与目标人脸位置坐标关系，从而调整机身位置，达成高效控制六足机器人转向。为后续研究提供了基础，对于智能机器人的发展具有深远应用研究价值。
参考文献：
[1]易诗，张磊，谢子琼，张健.基于机器视觉的目标跟随六足机器人[J].重庆邮电大学学报（自然科学版），2017（4）.
[2]马良慧.基于深度学习的人脸识别算法研究[D].
[3]杨巨成，刘娜，房珊珊.基于深度学习的人脸识别方法研究综述[J].天津科技大学学报，2016（6）.
[4]童林.基于视频的人脸识别与跟踪算法研究[J].计算机与现代化，2013（2）：14.
Reference：
[1]Yi Shi，Zhang Lei，Xie ZiQiong，Zhang Jian.Target following hexapod robot based on machine vision[J].Journal of chongqing university of posts and telecommunications（natural science edition），2017（4）.
[2]Ma LiangHui.Research on face recognition algorithm based on deep learning[D].
[3]Yang JuCheng，Liu Na，Fang ShanShan.Research review of face recognition methods based on deep learning[J].Journal of tianjin university of science and technology，2016（6）.
[4]Tong Lin.Research on face recognition and tracking algorithm based on video[J].Computer & modernization，2013（2）：14.
基金项目：国家大学生创新创业项目，基于深度学习的人脸识别跟随机器人，项目编号：201810616033负责人：张洋溢;成都理工大学学生课外科技立项项目，基于深度学习的人脸识别跟随机器人，项目编号：2018KJY0200 负责人：张洋溢
作者简介：张洋溢（1998），男，四川成都人，成都理工大学本科生，主要从事电子信息科学与技术专业。