陶 金，王智勇，林鴻生，周怡伶

（1.海軍士官學校，安徽 蚌埠 233012；2.92682 部隊，廣東 湛江 524000）

視覺感知交互系統(tǒng)在民用領域應用廣泛。早期的視覺感知一般是物體探知，如避障拐杖[1]、電子式行進輔具[2]、導盲機器人[3]等，其原理大多都是利用可見光、紅外、聲吶等傳感器進行探測，判斷障礙物的情況，然后通過報警的形式提醒用戶，但隨著AI 技術的進步，僅探測功能并不能滿足“感知”層次的需求，即對環(huán)境與物體的性質(zhì)判斷與屬性解釋。在這方面，語音智能助理發(fā)展較快、應用更廣，語音智能助理主要意義在于解放雙手，語義辨識功能就是感知的直接體現(xiàn)。因循這一思路，可以開發(fā)一種對環(huán)境與物體進行視覺感知，配合輔助語音交互的嵌入式系統(tǒng)，具有較強的現(xiàn)實意義和應用前景。

該系統(tǒng)的開發(fā)需要考慮以下幾個方面。

1）采集圖像以后，需要判斷圖像中存在哪些目標以及獲取它們的坐標位置。

2）采用卷積神經(jīng)網(wǎng)絡對不同的目標進行分類識別，并在嵌入3 式平臺上實現(xiàn)。

3）語音識別如何實現(xiàn)。

4）語音播放如何實現(xiàn)。

1 系統(tǒng)硬件設計

系統(tǒng)以ARM Cortex-A9 處理器為核心，頻率達到650 MHz，片內(nèi)集成了32 KB 指令Cache 和32 KB 數(shù)據(jù)Cache，NEON 媒體處理引擎，非常適合于圖像處理。

系統(tǒng)構成主要包括語音識別、語音播放、圖形采集、中央處理控制等功能模塊。硬件組成框圖如圖1 所示。由圖1 可看出，語音識別模塊收集語音指令，引導圖像采集模塊完成圖形采集，中央處理控制模塊對采集的圖像數(shù)據(jù)進行計算處理，完成圖像中邏輯目標的分割并智能識別，識別結果通過語音播放模塊輸出給用戶。

1.1 圖像采集模塊

考慮到系統(tǒng)使用的是Ubuntu 操作系統(tǒng)，圖像采集模塊采用支持UVC 協(xié)議的Rmoncam S907 USB 攝像頭為圖像采集設備。鏡頭焦距為6 mm；輸出分辨率為640×480；像素為130 萬。

1.2 語音識別模塊

語音識別目前主要有2 個方案：本地語音識別方案和云端語音識別方案?？紤]到云端語音識別需要連接網(wǎng)絡，所以采用本地語音識別方案。識別框架如圖2所示。

圖2 本地語音識別框架

1.3 語音播放模塊

語音播放模塊采用MP3 播放模式，選用型號為BY8301-16P 模塊。該模塊支持MP3、WAV 格式的解碼，內(nèi)部獨立存儲介質(zhì)使用SPI-FLASH，設計安裝功率為3 W 的語音播放驅(qū)動單元。

2 系統(tǒng)軟件設計

本系統(tǒng)底層硬件提供驅(qū)動支持、中斷管理、內(nèi)存管理等功能通過嵌入式操作系統(tǒng)實現(xiàn)，當系統(tǒng)啟動后，引導程序?qū)硬僮飨到y(tǒng)并初始化各部分硬件，再進入目標分割與識別的主程序。本系統(tǒng)采用Ubuntu 操作系統(tǒng)。系統(tǒng)軟件流程如圖3 所示。

圖3 系統(tǒng)軟件流程

本文重點研究其中的目標分割算法[4-10]與目標識別算法[11-13]。

2.1 目標分割算法

該算法的主要程序步驟如下。

1）選擇基于面截塊的圖像分割算法獲取初始化分割截塊R={r1，r2，…，rn}。

2）將擬合度集合初始化S=?。

3）計算相鄰分割截塊擬合程度量化值，并將該量化值以元素形式納入擬合度集合S中。

4）查詢到擬合度集合S中擬合度最大的2 個分割截塊。在此標記為ri和rj，將ri和rj合并成為一個分割截塊，并標記為rt，查詢上一步中所涉及的ri和rj分別相鄰的分割截塊，再次計算獲取擬合度，并將此值從擬合度集合S中剔除；再次計算rt與相鄰分割截塊（即第一步中與ri或rj相鄰的分割截塊）的擬合度，重新將新獲得的計算結果納入擬合度集合S中；最后，將通過合并得到的新分割截塊rt添加到分割截塊集合R中。

5）逐一提取各分割截塊的邊界矩形，聯(lián)合所有矩形，即可獲得目標物體的概略位置。

此步的難點在于原始分割截塊的獲取和擬合度的計算。

2.1.1 原始分割截塊的獲取

將最小生成樹算法與分割截塊合并方法結合，采用基于自適應閾值的快速最小生成樹分割方法，分別取2 個相鄰分割截塊各自的最大邊權值與閾值求和數(shù)，當該分割截塊之間的閾值小于上述數(shù)值使即將此兩分割截塊進行合并處理。

式中：K為一個常數(shù)，|C1|和|C2|為分割截塊C1和C2的二維平面大小，Int（C）為最小生成樹中分割截塊C的最大邊權值。為分割截塊C1和C2邊緣連接指數(shù)的最小權值。

2.1.2 擬合度的計算

1）顏色擬合度。為使用高維向量表示每個分割截塊的顏色特征，使用L1 范數(shù)歸一化逐一顏色通道計算獲得圖像的數(shù)值分布直方圖，由于每個顏色通道的直方圖有25 位，因此各分割截塊可得到唯一對應的75 維向量。分割截塊之間顏色擬合度通過下面的公式計算

合并分割截塊時，新生成分割截塊的直方圖需要重新計算，如下式所示

2）紋理擬合度。每個顏色通道含8 個不同方向，設方差σ=1，運行高斯微分，獲得10 bins 的分通道單色值直方圖。參照顏色擬合度計算方式運行紋理擬合度計算，新分割截塊紋理特征計算過程亦類似。

3）二維平面大小擬合度。通過合度方法計算二維平面大小數(shù)值，數(shù)值小的分割截塊優(yōu)先合并

4）吻合擬合度。取已合并分割截塊Bounding Box值，該值大小對應吻合擬合度低與高，即值越大，吻合擬合度越低，反之越高。

最后，組合上述各類擬合指標的擬合度計算方式。

2.2 圖像分類識別算法

作為最常見的深度學習網(wǎng)絡架構，卷積神經(jīng)網(wǎng)絡在解決圖像目標識別方面具有非常實用和卓越的效果。

綜合考慮運算速度和識別準確率，本文采用卷積網(wǎng)絡的典型架構。采用的分類網(wǎng)絡結構如圖4 所示。輸入彩色圖像尺寸為32×32×3，卷積層組合（3×3 卷積、3×3 卷積、池化層）重復3 次，2 個全連接層都含有1 024 個神經(jīng)元，輸出層為SVM。其中卷積核大小均為3×3，池化層尺寸為2×2。

圖4 圖像分類識別網(wǎng)絡結構

本文采用Cifar-10 和Cifar-100 作為物體識別的數(shù)據(jù)集。從2 個數(shù)據(jù)集中抽取10 個類別的數(shù)據(jù)組成一個新的數(shù)據(jù)集，用于網(wǎng)絡訓練。每個類別抽取600 張圖片，其中500 張為訓練集，100 張為測試集。

3 實驗結果

為了驗證本文方法的可行性，作者從網(wǎng)絡上收集了簡單背景的圖片12 張，圖片里共有物體21 個；收集了復雜背景的圖片16 張，圖片里共有物體21 個。

按照上述方法進行實驗，重點對目標分割算法和圖像分類識別算法進行驗證。目標的分割結果在圖像上以方框來呈現(xiàn)，如圖5 所示；目標的識別結果以分類識別的概率大小來呈現(xiàn)。本文對簡單背景和復雜背景下的場景進行實驗，部分實驗對象如圖6 和圖7 所示。簡單背景的實驗結果見表1，復雜背景的實驗結果見表2。

表1 簡單背景的實驗結果

表2 復雜背景的實驗結果

圖5 目標的定位結果

圖6 簡單背景的部分實驗對象

圖7 復雜背景的部分實驗對象

通過實驗，得到如下結論。

1）簡單背景和復雜背景下，均識別了21 個物體，其中3 個識別錯誤，識別準確率均為85.7%。

2）圖像分辨率越大，消耗時間越多。

3）進行物體識別所消耗的時間比較小，適合于應用到嵌入式系統(tǒng)。

4）復雜背景的圖片要比簡單背景的圖片耗時長。

4 結論

本文設計并實現(xiàn)了嵌入式視覺感知交互系統(tǒng)，實現(xiàn)了目標圖像的采集、目標的分割、目標的識別以及語音識別、語音播放。針對設計的目標分割定位算法、目標識別算法，本文進行了大量實驗，驗證了系統(tǒng)設計的可行性。下一步研究方向是在嵌入式平臺上采用卷積神經(jīng)網(wǎng)絡實現(xiàn)目標分割，提高分割的準確率及縮短運行時間，達到可以實時處理的水平，并將其應用于一些智能化系統(tǒng)之中。