摘要：本文介紹了一種基于深度學(xué)習(xí)的人臉識別算法進(jìn)行人臉檢測達(dá)到智能跟隨的六足機(jī)器人。該機(jī)器人系統(tǒng)包括人臉捕捉單元、主控制單元和行為運(yùn)動控制單元。所述人臉捕捉單元是利用攝像機(jī)獲取人臉圖像或視頻并傳輸給機(jī)器人主控制單元。而主控制單元運(yùn)用改進(jìn)的VGGNet人臉識別算法進(jìn)行人臉檢測，再根據(jù)檢測結(jié)果發(fā)出信號到行為運(yùn)動控制單元完成智能跟隨，通過驅(qū)動直流電機(jī)實(shí)現(xiàn)六足機(jī)器人的運(yùn)動。

關(guān)鍵詞：人臉識別;VGGNet;目標(biāo)跟隨;六足機(jī)器人

中圖分類號：TN919.5文獻(xiàn)標(biāo)識碼：A

機(jī)器人時代即將到來，而跟隨性機(jī)器人將成為該產(chǎn)業(yè)發(fā)展的下一個大趨勢。智能跟隨機(jī)器人應(yīng)具有目標(biāo)識別和自主導(dǎo)航的功能，服務(wù)于特定的目標(biāo)對象，幫助人們完成任務(wù)。目前跟隨機(jī)器人的跟隨方式有基于圖像處理、基于激光傳感器等的跟隨技術(shù)。

圖像處理方式對目標(biāo)的跟蹤容易丟掉信息;如果采用基于激光傳感器的跟隨技術(shù)對目標(biāo)人物的采集方法較為單一，易受環(huán)境中相似物體干擾。

本文設(shè)計(jì)實(shí)現(xiàn)了一種基于人臉追蹤進(jìn)行智能跟隨的六足機(jī)器人。該機(jī)器人使用目前效果較好的改進(jìn)的VGGNet算法進(jìn)行目標(biāo)檢測，檢測出圖像中目標(biāo)人臉后，觸發(fā)跟蹤器，對顯著運(yùn)動目標(biāo)進(jìn)行高速、精確的跟蹤。

1 基于深度學(xué)習(xí)的人臉識別算法

1.1 改進(jìn)的VGGNet算法

VGG是谷歌公司參與Imagenet競賽的一個模型，對于圖像分類的效果很好。本文采用改進(jìn)的VGGNet對目標(biāo)人臉進(jìn)行特征提取，旨在獲取更精確的人臉圖像特征，它對特征提取的方法明顯優(yōu)于傳統(tǒng)局部特征提取算法。改進(jìn)的VGGNet網(wǎng)絡(luò)結(jié)構(gòu)是在池化方式中用均值下采樣層代替單元模塊5的最大池化層。該方法既不會較大影響網(wǎng)絡(luò)性能，還可以提取更精確的人臉圖像特征，用該方法，單元模塊5需保存的數(shù)據(jù)計(jì)算量僅為之前的1/25，從而達(dá)到節(jié)省存儲空間的效果。對卷積核數(shù)目而言，該方法將單元模塊5中卷積核數(shù)目500更改到700，旨在獲取更詳細(xì)的人臉圖像特征信息，但也縮短了網(wǎng)絡(luò)的訓(xùn)練時間，并且增多了網(wǎng)絡(luò)參數(shù)，對計(jì)算機(jī)硬件內(nèi)存的要求進(jìn)一步提高。最后是針對全連接層，該算法使用VGGNet神經(jīng)網(wǎng)絡(luò)提取人臉圖像的特征，然后用PCA對獲取的人臉圖像特征降低維度，進(jìn)而用SVM分類器完成對人臉圖像的識別。VGGNet網(wǎng)絡(luò)結(jié)構(gòu)中保留了全連接層1和2，去掉全連接層3，目的是更充分的保留人臉圖像特征信息。

1.2 算法識別效果

用已改進(jìn)的VGGNet深度卷積神經(jīng)網(wǎng)絡(luò)對FLW人臉數(shù)據(jù)庫中的人臉圖像提取特征，經(jīng)實(shí)驗(yàn)驗(yàn)證使用PCA降低維度后的識別效果如下表所示：

根據(jù)上表看出，將得到的深度特征不降維進(jìn)行分類識別的情況下，識別率為95.2%;而將深度特征進(jìn)行PCA降維進(jìn)行分類識別，識別率會根據(jù)降低的不同維度發(fā)生變化，但效果均高于不將維的效果，當(dāng)維數(shù)在到800左右時，算法識別效率最好，達(dá)到95.70%。因此本文將采用上述效果最好的算法。

2 機(jī)器人控制系統(tǒng)設(shè)計(jì)

2.1 機(jī)器人控制系統(tǒng)總體框架

六足機(jī)器人采用仿生學(xué)設(shè)計(jì)，仿真原型是六足昆蟲，因?yàn)槠洫?dú)特的機(jī)械結(jié)構(gòu)，擁有很好的自調(diào)節(jié)能力，對復(fù)雜環(huán)境有較強(qiáng)的應(yīng)變能力。相較于輪式機(jī)器人，履帶式機(jī)器人等地面運(yùn)動機(jī)器人，六足機(jī)器人對于復(fù)雜地形適應(yīng)性更強(qiáng)，穩(wěn)定性更高，移動更靈活。該六足機(jī)器人總體思路為stm32處理器接受來自VGGNet算法提供的信息并在處理后生成控制命令發(fā)送至32路舵機(jī)控制板生成PWM波控制六足機(jī)器人底盤各個舵機(jī)的運(yùn)動，從而實(shí)現(xiàn)目標(biāo)跟隨運(yùn)動。

2.2 六足機(jī)器人的步態(tài)控制

六足機(jī)器人的步態(tài)是多種多樣的，三腳架步態(tài)是六足機(jī)器人的典型步態(tài)。圖2中，機(jī)器人在水平和垂直方向上運(yùn)動時，B，D，F(xiàn)腳為擺動腳，向水平或垂直方向擺動，A，C，E腳保持原有位置不動，只發(fā)揮支撐作用。由于機(jī)器人重心較低，移動時Z軸方向幾乎沒有抖動，不需要協(xié)調(diào)，所以該方案得到廣泛的應(yīng)用。

2.3 機(jī)器人跟隨實(shí)現(xiàn)

在六足機(jī)器人根據(jù)VGGNet識別到的目標(biāo)人臉調(diào)整自己的位置并進(jìn)行跟隨。該機(jī)器人能夠自動跟隨的基本原因是系統(tǒng)根據(jù)視覺目標(biāo)算法獲取了自身與目標(biāo)人臉位置坐標(biāo)，目標(biāo)人臉的位置移動時，機(jī)器人自身也會跟隨移動與目標(biāo)保持固定的距離。例如目標(biāo)人臉坐標(biāo)是（300，300），攝像頭圖像中心坐標(biāo)是（200，200）此時的目標(biāo)人臉在攝像頭右上方，向控制板發(fā)出調(diào)整位置的信息，機(jī)器人立刻向右運(yùn)動同時攝像頭仰角變大，正對目標(biāo)人臉后，目標(biāo)形心將鎖定于圖像中心區(qū)域（190210，190210），隨后調(diào)整與目人臉的距離，根據(jù)目標(biāo)人臉鎖定框面積值，控制機(jī)器人前進(jìn)或后退，這個過程中機(jī)器人一直保持著正對人臉。對于靜止或運(yùn)動的目標(biāo)人臉，機(jī)器人都可以用該方式穩(wěn)定跟隨。

3 實(shí)驗(yàn)結(jié)果分析

基于深度學(xué)習(xí)的人臉識別跟隨六足機(jī)器人。采用改進(jìn)的VGGNet人臉識別算法完成對視頻中的人臉進(jìn)行識別，融入機(jī)器視覺算法和自動控制系統(tǒng)的六足機(jī)器人對目標(biāo)人臉進(jìn)行自動跟隨。在行為運(yùn)動控制單元采用的嵌入式

處理器可以高效控制六足機(jī)器人前進(jìn)后退和轉(zhuǎn)向等。實(shí)驗(yàn)結(jié)果如圖2。

通過調(diào)整目標(biāo)人臉與機(jī)器人之間的距離，六足機(jī)器人會自動完成前進(jìn)后退和轉(zhuǎn)向等指令理控制機(jī)身完成目標(biāo)跟隨。

4 結(jié)語

本文提出了一種基于深度學(xué)習(xí)的人臉識別跟隨六足機(jī)器人，機(jī)器人的攝像頭通過融合改進(jìn)的VGGNet人臉識別算法完成對人臉的識別與檢測，再利用先進(jìn)的機(jī)器視覺的跟蹤算法長期、穩(wěn)定并精確地跟隨并鎖定目標(biāo)。再根據(jù)電腦端運(yùn)行的機(jī)器視覺目標(biāo)算法獲取自身與目標(biāo)人臉位置坐標(biāo)關(guān)系，從而調(diào)整機(jī)身位置，達(dá)成高效控制六足機(jī)器人轉(zhuǎn)向。為后續(xù)研究提供了基礎(chǔ)，對于智能機(jī)器人的發(fā)展具有深遠(yuǎn)應(yīng)用研究價(jià)值。

參考文獻(xiàn)：

[1]易詩，張磊，謝子瓊，張健.基于機(jī)器視覺的目標(biāo)跟隨六足機(jī)器人[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（4）.

[2]馬良慧.基于深度學(xué)習(xí)的人臉識別算法研究[D].

[3]楊巨成，劉娜，房珊珊.基于深度學(xué)習(xí)的人臉識別方法研究綜述[J].天津科技大學(xué)學(xué)報(bào)，2016（6）.

[4]童林.基于視頻的人臉識別與跟蹤算法研究[J].計(jì)算機(jī)與現(xiàn)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，F(xiàn)ang 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.

基金項(xiàng)目：國家大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目，基于深度學(xué)習(xí)的人臉識別跟隨機(jī)器人，項(xiàng)目編號：201810616033負(fù)責(zé)人：張洋溢;成都理工大學(xué)學(xué)生課外科技立項(xiàng)項(xiàng)目，基于深度學(xué)習(xí)的人臉識別跟隨機(jī)器人，項(xiàng)目編號：2018KJY0200 負(fù)責(zé)人：張洋溢

作者簡介：張洋溢（1998），男，四川成都人，成都理工大學(xué)本科生，主要從事電子信息科學(xué)與技術(shù)專業(yè)。