基于視覺處理的全天候健康檢測機器人研究

劉建杰，邵一鳴，李陽陽，郭東旭

(黑龍江科技大學，哈爾濱 150000)

1 健康檢測機器人的技術(shù)方案

全天候健康檢測機器人的視覺系統(tǒng)以raspberry作為主控核心處理器，機械結(jié)構(gòu)由機械臂、履帶、齒輪傳動結(jié)構(gòu)、支架組成。機械控制芯片使用的是stm32單片機，操作流程主要是通過視覺處理，由處理器內(nèi)部的疲勞檢測算法、表情識別算法及時對面向用戶進行數(shù)據(jù)分析，并將分析結(jié)果通過串口通信技術(shù)使stm32單片機與處理器建立實時數(shù)據(jù)通信及時控制履帶及傳動結(jié)構(gòu)運作，用戶能夠與機器人進行語音交互，實現(xiàn)人機互動。計算機算法結(jié)合機械結(jié)構(gòu)控制及人機交互，實現(xiàn)了健康檢測機器人的智能化、人性化。

結(jié)構(gòu)方面包括機體，其頂端轉(zhuǎn)動連接有頭部，頭部的外側(cè)設置有智能語音人物交互機構(gòu)。機體的前表面開設有存放槽，存放槽內(nèi)側(cè)壁設置有存放機構(gòu)，機體底端固定安裝有底座，底座前后兩側(cè)均設置了行走機構(gòu)。存放機構(gòu)包括電動推桿，存放槽的內(nèi)腔后側(cè)壁固定安裝有電動推桿，電動推桿的輸出端固定安裝有推桿，推桿頂端固定安裝有安裝板，安裝板頂端固定安裝了兩個立板，兩個立板相對一側(cè)之間均與兩個存放架固定連接，上方存放架頂端固定安裝有穩(wěn)固機構(gòu)。

行走機構(gòu)包括第一傳動軸，底座的前表面轉(zhuǎn)動連接有兩個第一傳動軸，同一水平面上兩個第一傳動軸的外部均與履帶傳動連接，底座的左右兩端均轉(zhuǎn)動連接有活動桿，活動桿遠離底座的一端固定安裝有固定套，固定套內(nèi)部固定安裝有第二傳動軸，第二傳動軸的前后表面均設置有行走輪，活動桿的頂端轉(zhuǎn)動連接有液壓推桿，液壓推桿的輸出端轉(zhuǎn)動連接于底座的外側(cè)。

2 技術(shù)實現(xiàn)背景

現(xiàn)有的陪護機器人缺少可以存放急救物品的位置，當陪護老人出現(xiàn)意外突發(fā)狀況時無法及時對其進行急救，且現(xiàn)有的陪護機器人在使用時只能適用于平坦路面或坑洼地面，導致使用過程中存在適應能力差等缺點。市面上的健康檢測系統(tǒng)大部分使用的是通用檢測健康數(shù)值指標(如心率、血壓等)，并沒有對用戶心理狀況進行分析處理。基于視覺處理的全天候健康檢測機器人可解決以上問題。

3 健康檢測機器人的結(jié)構(gòu)設計

設計的健康檢測機器人具備適用性強和便于存儲急救物品的優(yōu)點，解決了陪護機器人存在的問題，能夠通過表情識別算法、疲勞檢測算法及時檢測心理情況。

1-機體；2-頭部；3-智能語音人機交互裝置；4-存放槽；6-底座；7-行走機構(gòu)；8-機器人手；31-攝像頭；32-觸屏電腦；33-語音接收器；54-立板；71-第一傳動軸；72-履帶；73-活動桿；76-行走輪；77-液壓推桿 圖1 整體外部結(jié)構(gòu)圖Fig.1 Entirety external structure

4 健康檢測機器人的技術(shù)原理

4.1 機械視覺部分

通過python-opencv實現(xiàn)計算機視覺算法的實現(xiàn)。

4.1.1 疲勞檢測算法

在不進行深度學習的情況下進行面部疲勞檢測，對眼睛進行特征計算，實現(xiàn)對人物疲勞度的檢測。具體技術(shù)原理是在確定人物眼睛位置后，計算機將眼睛分為6點，按如圖2所示標號。

圖2 疲勞檢測眼部特征點Fig.2 Fatigue detection eye feature points

記錄上述6點的位置，通過相應算法判斷出眼部開閉狀態(tài)，當眼睛處于睜開狀態(tài)時，內(nèi)部箭頭長度偏長；眼睛閉上(疲勞狀態(tài))時，這個箭頭會變短。但是由于觀看的距離不同，單純用高度來表示狀態(tài)缺少參考比較，因此提出如下公式表示狀態(tài)：

利用這個數(shù)據(jù)可以相對客觀地表示眼睛狀態(tài)，通過大量測試發(fā)現(xiàn)了一個統(tǒng)計結(jié)果，即當EAR遠遠小于0.25時，便是疲勞狀態(tài)。

4.1.2 表情識別算法

人物表情識別算法涉及深度學習，本研究涉及的深度學習僅包括部分技術(shù)，通過TensorFlow深度學習，將搜集到的大量表情圖片進行分類訓練，通過50 000輪的測試后精確度將提升至95%。

4.1.3 人臉檢測

人臉識別技術(shù)涉及圖像預處理、色彩通道轉(zhuǎn)換、圖像特征提取。根據(jù)不同的特征提取，面部識別算法有很多種，主要是通過將面部分區(qū)處理，分別對不同區(qū)域進行特征提取，與相應人物圖片進行對比。主要方法是通過haar級聯(lián)分類器(Haar Cascade Classifiers，in the “datahaarcascades” folder)進行人臉檢測。為了提高人臉識別系統(tǒng)的準確率，應用多種預處理技術(shù)對將要識別的圖片進行標準化處理，并對預處理之后的臉部圖片使用特征臉(PCA)進行人臉識別，對比數(shù)據(jù)庫中已存在的臉部圖像特征。

4.2 語音交互

語音識別處理設備會將收集到的語音波形進行特征提取和信號分析處理，此過程可去除雜質(zhì)信息，將分析處理好的信息進行關(guān)鍵信息的特征提取。提取到的特征一般是多維向量形式，可通過聲學模型中的算法對收取到的特征進行進一步處理。在解碼階段，計算機會按照語言模型及詞匯表對處理完成的信息進行按序分析識別，根據(jù)關(guān)鍵意思進行排列。

5 結(jié)語

目前，陪護機器人的發(fā)展形成了較大的規(guī)模，市面上出現(xiàn)了較多的陪護機器人產(chǎn)品。但是，如何能夠更加人性化地陪護老年人，做好老年人突發(fā)性疾病、緊急狀況下的應急處理是急需解決的問題。健康檢測機器人能夠解決陪護機器人存在的問題，促進了養(yǎng)老陪護行業(yè)的發(fā)展。