基于樹莓派的安防機器人

許龍銘，黃雨泉，陳卓睿

（廣州城市理工學院 通信工程學院，廣東廣州，510800）

0 引言

近年來，人工智能、物聯網、云計算、大數據等新技術的進步極大地推動了機器人的發展及其在各個行業的落地化應用。傳統的安防體系是“人防+物防”來實現，可隨著人口老齡化加重、勞動力成本飆升、安保人員流失率高等問題，已經難以適應現代安防需求，安防機器人作為安防產業典型的高科技產品，屬于智能機器人的一個細分領域，已成為一個新的研究熱點。作為機器人的重要分支之一，安防機器人產品定位清晰明確，技術成熟度越來越高，已經開始出現在銀行、商業中心、社區、政務中心等場景，成為了安防安保領域的一支新力量。現在國內外對于深度圖像的研究還處在初級階段，基于深度圖像的研究更是不多，因此本設計具有廣闊的研究空間。

1 系統總體設計

基于樹莓派的安防機器人組成如圖1 所示，多軸轉動相機是由多個支撐板多角度調節機構和多個相機轉動電機組成的一體功能模塊，通過Python 語言編程運用圖像處理算法實現Haar 特征人臉檢測，從而準確的檢測到每個進入該區域的人。多軸轉動相機采集人臉數據后，返回人臉數據后由樹莓派進行識別處理，再通過匹配實現記錄非法侵入人員信息，最終發出警報，并儲存到系統中，以供管理員查看。同時也通過 2.4G 無線局域網的網絡共享實現云端 服務器api 調用存儲資源并記錄，并可通過無線終端操控。

圖1 系統結構圖

2 系統硬件設計

■2.1 硬件組成原理概述

硬件系統是每個產品的首要設計，基于樹莓派的安防機器人的硬件組成結構圖如圖2 所示，由多軸相機模塊進行人臉收集，通過串口將人臉數據傳輸給終端控制模塊，視覺模塊進行圖像處理，處理完成后將相關數據通過2.4G 無線局域網發送回樹莓派與云端儲存人臉數據進行比較，如果不匹配，通過通信模塊控制電機驅動模塊發出警報并啟用YOLOv3 視頻流檢測搭配全向驅動模塊對該對象進行跟蹤。因為樹莓派連著2.4G 無線局域網，因此可以實現云端服務器 api 調用存儲資源并記錄，并可通過無線終端操控。

圖2 硬件組成結構圖

■2.2 CSI 攝像頭在系統中的應用

CSI 攝像頭是整個硬件系統的核心，它承載了人員圖像收集的任務。CSI-2 接口是由MIPI 聯盟組織于2005 年發布的相機串行接口，基于CSI-2 攝像頭數據傳輸過程使用了數據差分信號對視頻中像素值進行傳輸，同時CSI-2 傳輸接口能夠非常靈活的進行精簡或者擴展，對于樹莓派等接口較少的應用場景，CSI-2 接口可以只使用一組差分數據信號線以及一組差分時鐘線就能夠完成攝像頭的數據串行傳輸過程，這樣便減少了負載，同時也能夠滿足一定的傳輸速率，同時CSI-2 接口也能夠擴展其差分數據線，從而滿足多組數據線并行傳輸的高速要求，這也是本硬件系統選擇CSI 攝像頭的原因。

■2.3 全向驅動模塊在系統中的應用

傳統車輛的轉向在一些特定的環境里面使用起來非常不便，在特殊安防領域使用傳統車輛運載拼裝會消耗大量的人力、物力和時間。本安防機器人采用四個麥克納姆輪組成全向運動模式，能夠讓機器人不用轉動機身就能任意角度平移、旋轉。麥克納姆輪是由輪轂和圍繞輪轂的輥子組成的，輥子是一種沒有動力地從動小滾輪，麥克納姆輪輥子軸線和輪轂軸線夾角是45 度，并且有互為鏡像關系的A、B 輪兩種，或者會被稱為左旋輪和右旋輪。通過對比傳統車輛，普通車輛在移動的時候輪子都是向一個方向轉，而使用麥輪的車子在做全向移動的時候，每個麥輪的運動方向都不一樣，麥克納姆輪想要做到真正的全向移動，每個麥輪都需要一個單獨的電機來驅動，所以我們參考設計了一套控制系統來把握每個輪子的轉向和轉速，以實現整個安防機器的高機動轉向，達到無死角安防監控的目的。同時我們使用的車底底盤加裝麥克納姆輪之后是精心設計的正方形，是最為理想的車底盤，能夠適應于各類地形、材質的地面。

圖3 安防機器人麥克納姆驅動組

3 系統軟件設計

■3.1 采集識別軟件設計

CSI 攝像頭主控在系統中主要完成人臉識別以及數據傳輸功能，其中人臉識別通過機器視覺算法來判斷是否有人進入，數據傳輸則是通過向通信模塊發送指令來聯網以及將處理后的數據發送到云端服務器中存儲。

CSI 攝像頭主控軟件開始后首先進行系統初始化操作，完成人臉檢測需要用到的Haar Cascade 特征檢測算法庫函數的初始化以及串口初始化，后續才能調用算法來檢測人臉以及使用串口相關收發函數與通信模塊進行通信。初始化完成后CSI 攝像頭進行現場照片的拍攝，并對照片進行人臉檢測。在檢測步驟中檢測到人臉則加載PDI 算法與云端儲存的人臉進行比較，然后將數據通過通信模塊發送到云端服務器中，發送完成后再次進行下一次拍攝檢測。如果在檢測步驟中沒有發現人臉則直接進行下一次拍攝檢測。

圖4 CSI 攝像頭主控軟件流程圖

人臉檢測所使用的Haar 特征是一種有效的目標檢測方法。它基于機器學習的方法，由大量的正負樣本圖像訓練級聯函數，然后用于檢測其他圖像中的對象。Haar 人臉檢測采用固定圖像大小，采用不同尺度的滑動窗口依次滑動整張圖像進行檢測，檢測過程選取當前滑動窗口對應的圖像區域進行檢測和分類，把對應的區域放入第一個強分類器，只要強分類器的任意弱分類器判別此區域不含人臉，就結束檢測，并滑動窗口至下一區域。若第一個強分類器判別出該部分含有人臉，就會送入下一強分類器進行再檢測和分類，此后的過程和第一個強分類器，檢測為無人臉即滑動檢測下一區域，若檢測為有人臉，則傳至下一強分類器判別為有人臉，如果最后一個強分類器判別為有人臉，則以窗口作為整張圖片的人臉檢測框。此方法識別速度較快，可以同時檢測多個人臉有較高的識別成功率，并可以方便輸出人臉識別信息與云端服務器校對，達到安全檢測的目的。

■3.2 人體檢測軟件設計

在識別到非法人物入侵后安防機器人需轉換工作模式對非法人物進行跟蹤，在此處采用了YOLOv3 算法實現行人檢測以及非法人物的選定與標識。YOLOv3 系列算法的基本原理是利用固定大小的圖像作為網絡輸入利用回歸思想獲得邊界框的位置及其所屬類別。其在目標檢測精度和檢測速度上都達到較為先進的水平。

本安防機器人通過加強YOLOv3 算法特征提取能力來減少人體遮擋目標的漏檢現象，對遮擋行人這類小尺度目標的實時檢測起到一定的改善作用。遮擋行人檢測是智能視頻監控中急需解決的問題，復雜場景下實時檢測算法的研究可以更好地服務于實時視頻監控中的人員跟蹤以及預警報警需求。本安放機器人主要是在對YOLOv3 算法應用修改的過程中通過對網絡結構剪枝提高網絡泛化能力，防止過擬合。采用卷積層剪枝的方法精簡網絡冗余以及在網絡全連接層引入SSP 層增強了網絡多尺度特征融合能力。網絡由1×1 和3×3 大小卷積交替進行卷積計算，全連接層輸出為y1、y2、y3 多尺度檢測各減去5 層卷積層，實現相對原始算法更優的檢測效果，一定程度上提高算法的檢測準確率和檢測速度，也減輕了硬件系統運行的負擔。損失函數是決定網絡訓練算法效果的重要因素之用于表示模型預測值和真實值間的偏差程度，本機器人的算法損失函數計算公式仍沿用YOLOv3 算法，綜合邊界框預測誤差、置信度誤差和分類預測誤差3 方面。

同時安防機器人針對主要安防場景制作遮擋行人數據集。目前主流COCO 公共行人數據集并沒有針對封閉、區域性場景做優化。由于安防機器人需要以仰視角度采集圖像，攝像頭的傾斜觀察視角與人員運動交互過程中不同程度的遮擋與視角深度變化都會造成目標尺度的多樣性，需要專門的訓練集來提高整個算法的參數準確性。數據集中包含公共交通樞紐、物流倉儲、辦公樓宇走道等一系列場景照片。在收集圖片同時對原始圖片進行縮放、裁剪、翻轉、改變對比度來增強圖像數據，提高了模型的檢測精度，具有更好的泛化效果，提高魯棒性。同時本數據集具有一定的適用通用性，可運在多個主流檢測神經網絡算法，為后續產品算法升級迭代以及不同工作場景的切換提供了輔助作用。

■3.3 PID 控制設計

在本安防機器人的設計中，PID 的算法控制是非常重要的一環。PID 就是對輸入偏差進行比例積分微分運算，運算的疊加結果去控制執行機構，在自動化控制領域中有非常重要的應用。本安放機器人在多個模塊控制中采用了增量式PID，增量型 PID 是對位置型 PID 取增量，這時控制器輸出的是相鄰兩次采樣時刻所計算的位置值之差，得到的結果是增量，即在上一次的控制量的基礎上需要增加（負值意味減少）控制量根據增量式公式可以很好地看出，一旦確定了 Kp、Ti、Td，只要使用前后三次測量值的偏差，即可由公式求出控制增量而得出的控制量Δu(k）對應的是近幾次位置誤差的增量，而不是對應與實際位置的偏差。控制增量Δu(k）的確定僅與最近3 次的采樣值有關，容易通過加權處理獲得比較好的控制效果，并且在系統發生問題時，增量式不會嚴重影響系統的工作，可以保證安防機器人在遇到突發情況時仍保證控制驅動系統正常運作。本安放機器人充分開發增量式PID 潛力并運用在圖像采集時多軸相機控制與麥克納姆輪全向控制。

4 系統測試

完成了系統的整體設計后需要大量的實驗與測試數據來測試本安防機器上是否能投入實際應用。首先將設備打開，連接上2.4G 無線局域網后，通過改變經過安防守衛區域的陌生人人數，從而獲取陌生人入侵情況下多次警報檢驗的正確率，并將相關數據記錄表。在通過人數分別為1-6 個，每次改變人數后均保證檢測次數為100 次，得到系統測試數據如表1 所示。由表1 的測試數據分析可以看出在通過人數為1-3 人時系統能保證100%的檢測正確率，而通過人數增加到4 人時檢測正確率雖然有所下降，但仍然保持在95%以上。而當通過人數增加到6 人時報警正確率有較大程度地降低，因此整個系統的在同時通過人數在1-4 人時能保證較高的檢測正確率。

表1 安防機器人測試數據

5 結論

本文基于樹莓派硬件平臺搭配相機視覺模塊人臉特征檢測來人臉檢測，并將檢測數據通過處理實時與云端數據進行配對比對，結合電機驅動系統搭配增量式PID 算法及YOLO 實時視頻流檢測實現區域安防管理，能夠廣泛運用于倉儲、交通樞紐區域。整個安防機器人識別率高、報警及時，能夠做到全天候24 小時高可靠性工作，是系統投入商用的基本保證。