陳小順 錢鑫雨

摘要：增強(qiáng)人機(jī)交互形式，對(duì)機(jī)器人控制具有重要意義。然而，目前控制方式多集中于遙控控制方式，與人的互動(dòng)性不足。研究提出基于手勢(shì)識(shí)別的YOLOv5l算法提升機(jī)器人控制的交互性能。首先，精簡(jiǎn)HaGRID手勢(shì)數(shù)據(jù)集至8類，因手勢(shì)在圖像中屬于小目標(biāo)，采用帶有CBAM注意力機(jī)制的YOLOv5l模型進(jìn)行訓(xùn)練；其次，通過(guò)QT平臺(tái)搭建控制系統(tǒng)，部署手勢(shì)識(shí)別模型。對(duì)機(jī)器人進(jìn)行Mesh組網(wǎng)，以廣播機(jī)制傳輸控制指令。實(shí)驗(yàn)結(jié)果表明，該模型在HaGRID數(shù)據(jù)集上平均準(zhǔn)確度達(dá)到98%，自建數(shù)據(jù)集平均準(zhǔn)確度達(dá)到95%，檢測(cè)速度34FPS，模型大小88.5MB，機(jī)器人可建立Mesh網(wǎng)絡(luò)，通過(guò)手勢(shì)識(shí)別控制機(jī)器人運(yùn)動(dòng)。

關(guān)鍵詞：手勢(shì)識(shí)別; YOLOv5; HaGRID; CBAM; Mesh

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）36-0037-05

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

智能機(jī)器在如今的科技世界中扮演著越來(lái)越重要的角色。機(jī)器人不僅用于工業(yè)和生產(chǎn)自動(dòng)化，還在醫(yī)療、軍事、農(nóng)業(yè)、服務(wù)業(yè)等多個(gè)領(lǐng)域發(fā)揮著巨大的作用[1-2]。機(jī)器人可以是無(wú)人車、仿生機(jī)器人、無(wú)人機(jī)、機(jī)械臂等。人機(jī)交互是人與機(jī)器之間的溝通，以人為中心，機(jī)器需要能夠理解人的交互手段，其中包含對(duì)于手勢(shì)動(dòng)作的理解。使機(jī)器能夠識(shí)別手勢(shì)的方法通常有3類：3D傳感器、機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法[3]。韓彥鵬等人使用LeapMotion傳感器獲取數(shù)據(jù)，使用SVM改進(jìn)的KNN算法進(jìn)行手勢(shì)識(shí)別，理想情況下對(duì)5種手勢(shì)的識(shí)別準(zhǔn)確率達(dá)95%以上[4]。王松林等人使用Kinect景深攝像機(jī)獲取人體骨骼姿態(tài)數(shù)據(jù)，進(jìn)而進(jìn)行手勢(shì)分割，使用DTW算法識(shí)別手勢(shì)，對(duì)6種動(dòng)態(tài)手勢(shì)識(shí)別的平均準(zhǔn)確率達(dá)到94%[5]。徐玥等人通過(guò)機(jī)器學(xué)習(xí)方法，改進(jìn)手勢(shì)分割和手勢(shì)特征提取方法，基于Opencv采用支持向量機(jī)構(gòu)建手勢(shì)識(shí)別模型，對(duì)13種手勢(shì)平均識(shí)別率達(dá)到89.96%[6]。李國(guó)玄等人提出HOG+SVM的手勢(shì)識(shí)別算法，對(duì)手勢(shì)數(shù)據(jù)集提取HOG特征，通過(guò)SVM進(jìn)行分類識(shí)別，在復(fù)雜背景情況下手勢(shì)識(shí)別率達(dá)95%[7]。谷學(xué)靜等人提出CNN混合LSTM模型識(shí)別動(dòng)態(tài)手勢(shì)類型，對(duì)8種動(dòng)態(tài)手勢(shì)的識(shí)別率達(dá)92.5%[8]。李泰國(guó)等人提出有CBAM模塊的YOLOv5s算法識(shí)別列車駕駛員的手勢(shì)動(dòng)作，在測(cè)試集的識(shí)別率達(dá)95.5%，檢測(cè)速度為71FPS，模型大小15.9MB[9]。王粉花等人通過(guò)對(duì)YOLOv3算法改進(jìn)，縮小最大值池化后的通道數(shù)進(jìn)行手勢(shì)識(shí)別訓(xùn)練，減少模型參數(shù)量與計(jì)算量，在UST數(shù)據(jù)集上檢測(cè)精度達(dá)92.24%[10]。孟青云等人提出基于YOLOv8算法進(jìn)行手勢(shì)識(shí)別，實(shí)驗(yàn)得出YOLOv8精確度高于YOLOv5，但是檢測(cè)速度稍慢，準(zhǔn)確率達(dá)到95.7%[11]。針對(duì)現(xiàn)有YOLOv5l神經(jīng)網(wǎng)絡(luò)模型對(duì)手勢(shì)特征表征不足的問(wèn)題[12]，采用帶有CBAM注意力機(jī)制[13]的YOLOv5l模型進(jìn)行對(duì)手勢(shì)數(shù)據(jù)集進(jìn)行訓(xùn)練，增強(qiáng)特征表征能力，提高手勢(shì)識(shí)別的分類精度[14-15]。

1 YOLOv5算法

1.1 數(shù)據(jù)預(yù)處理

手勢(shì)識(shí)別數(shù)據(jù)集HaGRID[16]是一個(gè)大型圖像數(shù)據(jù)集，每張圖片的手勢(shì)部分被額外截取成為新的數(shù)據(jù)集，如圖1所示，數(shù)據(jù)集包含了18種類型手勢(shì)，共723GB，共包含553 991張全高清RGB圖像，每個(gè)手勢(shì)數(shù)據(jù)集約40GB大小，每張圖像成像距離相機(jī) 0.5～4 米。

根據(jù)HaGRID數(shù)據(jù)集已有的算法檢測(cè)結(jié)果，結(jié)合手勢(shì)控制機(jī)器的實(shí)際需求，去除容易與peace混淆識(shí)別的rock、three、three2、two up、two up inv手勢(shì)，去除容易與one和ok混淆的mute手勢(shì)，選取call、dislike、fist、like、ok、one、peace、stop共8類手勢(shì)作為控制機(jī)器人的手勢(shì)數(shù)據(jù)集，每個(gè)手勢(shì)從數(shù)據(jù)集中抽選200張，并額外拍攝真實(shí)使用背景下標(biāo)注的100張圖像作為補(bǔ)充數(shù)據(jù)，使得每個(gè)手勢(shì)有300張圖像數(shù)據(jù)，提升算法的魯棒性。

HaGRID數(shù)據(jù)集采用COCO數(shù)據(jù)集標(biāo)注形式，需要將數(shù)據(jù)從.xml格式轉(zhuǎn)換為YOLOv5l所使用的.txt 格式。通過(guò)ElementTree工具將.xml文件解析成樹形結(jié)構(gòu)，提取.xml文件中鍵值對(duì)，獲得輸入數(shù)據(jù)size中的width、height，object中的name，bndbox中的xmin、ymin、xmax、ymax。對(duì)數(shù)據(jù)進(jìn)行歸一化處理，如公式（1）所示，獲得YOLOv5中所需的數(shù)據(jù)格式：calss、x、y、w、h。

其中，分類名name，映射為數(shù)字0～7。x為手勢(shì)框中心點(diǎn)x的坐標(biāo)除以原圖width值、y為手勢(shì)框中心點(diǎn)y的坐標(biāo)除以原圖height、w為手勢(shì)框的寬度除以原圖width、h為手勢(shì)框的高度除以原圖height。手勢(shì)數(shù)據(jù)集來(lái)源：https：//github.com/hukenovs/hagrid。

1.2 C3CBAM模塊

CBAM模塊整體結(jié)構(gòu)如圖2所示，模塊由通道注意力模塊和空間注意力模塊組成。

如公式（2）所示，給定一個(gè)輸入的特征F∈RC×H×W，對(duì)F做Mc∈RC×1×1通道注意力計(jì)算，并與F做元素相乘，得到計(jì)算結(jié)果F′，對(duì)F′做Ms∈R1×H×W空間注意力計(jì)算，并與F′做元素相乘，得到計(jì)算結(jié)果F″。

YOLOv5模型一共有5個(gè)版本，分別為：YOLOv5n、YOLOv5s、 YOLOv5m 、YOLOv5l、 YOLOv5x。

如圖3所示，添加CBAM注意力機(jī)制的YOLOv5l算法網(wǎng)絡(luò)結(jié)構(gòu)分為Backbone、Head兩大部分，共25大層，769小層，48 065 087個(gè)參數(shù)。YOLOv5每個(gè)版本深度不同，但基礎(chǔ)框架相同。其中P0～P9為Backbone，P10～P23為Neck與P24的Detect合稱Head。

如表1所示，將原Backbone中P2、P4、P6、P8層的C3結(jié)構(gòu)替換為C3CBAM結(jié)構(gòu)，其他保持不變。各層參數(shù)量、參數(shù)及數(shù)據(jù)來(lái)源如表1所示，其中from表示數(shù)據(jù)來(lái)源，-1為上一層數(shù)據(jù)。P12、P16、P19、P22層分別由（P6、P11）、（P4、P15）、（P14、P18）、（P10、P21）張量拼接所得。

C3結(jié)構(gòu)即（CSP Bottleneck with 3 Convolutions），如圖4所示，C3可以增強(qiáng)CNN的學(xué)習(xí)能力，使網(wǎng)絡(luò)輕量化的同時(shí)提升準(zhǔn)確度。C3參考CSPNet方法，利用n個(gè)Bottleneck、3個(gè)卷積模塊、1個(gè)Concat來(lái)實(shí)現(xiàn)。增強(qiáng)了backbone的學(xué)習(xí)能力、降低內(nèi)存成本。

Bottleneck用于減少模型計(jì)算量和參數(shù)量。如圖5所示修改原有結(jié)構(gòu)，在Conv2與Add（shortcut）之間添加CBAM模塊。

1.3 模型訓(xùn)練與分析

實(shí)驗(yàn)使用Anaconda+Pycharm集成開(kāi)發(fā)環(huán)境，使用PyTorch框架實(shí)現(xiàn)。GPU設(shè)備型號(hào)GTX1070、8G顯存、內(nèi)存32GB。手勢(shì)數(shù)據(jù)集中80%用于模型訓(xùn)練、10%用于測(cè)試、10%用于驗(yàn)證。訓(xùn)練參數(shù)epochs設(shè)置為200，batch-size設(shè)置為4，初始weights設(shè)置為YOLOv5l.pt，optimizer設(shè)置為SGD，學(xué)習(xí)率設(shè)置為0.01。最終訓(xùn)練時(shí)長(zhǎng)33 h，模型大小88.5 MB。項(xiàng)目訓(xùn)練源碼、訓(xùn)練方法、數(shù)據(jù)集、格式轉(zhuǎn)換、模型參數(shù)、測(cè)試方法、測(cè)試結(jié)果等數(shù)據(jù)已上傳至倉(cāng)庫(kù)：https：//gitee.com/destiny_shun/yolov5-master。

F1 值綜合考慮Precision和recall雙面因素，如圖6所示，模型訓(xùn)練后的F1值達(dá)到了0.99。

如圖7所示，模型對(duì)8個(gè)手勢(shì)類別均有較好的識(shí)別效果，其中peace手勢(shì)識(shí)別精度較低，只有0.967。

如圖8所示，圖中為在數(shù)據(jù)集上檢測(cè)出錯(cuò)的示例，手勢(shì)在數(shù)據(jù)集中屬于小目標(biāo)，極易受到背景信息干擾，當(dāng)人體手勢(shì)動(dòng)作與皮膚、強(qiáng)光、陰影疊加在一起，遇到相似顏色造型，錯(cuò)檢、漏檢率上升。如圖9混淆矩陣所示，模型在目標(biāo)檢測(cè)任務(wù)中，主對(duì)角線顏色深，表示正確預(yù)測(cè)數(shù)量多，其中ok、one、peace三類存在預(yù)測(cè)錯(cuò)誤情況。如圖10所示，模型分類損失、置信度損失、邊框損失在迭代200次訓(xùn)練后已經(jīng)收斂，模型mAP值可達(dá)99.1%，模型的Precision、recall值趨于穩(wěn)定。

如表2所示，從HaGRID數(shù)據(jù)集中，每個(gè)手勢(shì)類別抽選100張新的圖像，測(cè)試模型檢測(cè)效果。由于實(shí)驗(yàn)平臺(tái)限制，模型在第一次迭代次數(shù)設(shè)置為100次，并未有明顯收斂，故而設(shè)置為200次，訓(xùn)練時(shí)長(zhǎng)達(dá)到33h，出現(xiàn)較為明顯的、穩(wěn)定的收斂現(xiàn)象，故而此次訓(xùn)練過(guò)程有效。由于模型在數(shù)據(jù)集上檢測(cè)效果非常好，為驗(yàn)證模型是否在數(shù)據(jù)集上出現(xiàn)過(guò)擬合現(xiàn)象，額外抽取、拍攝數(shù)據(jù)集外手勢(shì)數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試結(jié)果表明，模型檢測(cè)具有良好的精確度。模型在數(shù)據(jù)集上平均識(shí)別準(zhǔn)度率為98%。自建數(shù)據(jù)集中每個(gè)手勢(shì)分別拍攝100張圖像，結(jié)果表明，模型在自建數(shù)據(jù)集上平均識(shí)別準(zhǔn)確率為95%。模型加載后，平均檢測(cè)時(shí)間為0.028 7s，480×640分辨率圖片，幀率為34，達(dá)到實(shí)時(shí)檢測(cè)效果。

1.4 控制平臺(tái)設(shè)計(jì)

Qt是跨平臺(tái)開(kāi)發(fā)常用工具，方便后續(xù)嵌入式移動(dòng)端的使用[17]。在Pycharm平臺(tái)上安裝PyQt5庫(kù)，并嵌入QtDesigner界面設(shè)計(jì)工具、pyuic5界面代碼轉(zhuǎn)換工具。

如圖11所示，完成簡(jiǎn)易控制界面設(shè)計(jì)，界面加載訓(xùn)練好的best.pt模型，可調(diào)用電腦攝像頭，視頻實(shí)時(shí)識(shí)別手勢(shì)，根據(jù)手勢(shì)類型發(fā)送控制指令。

1.5 機(jī)器人及mesh組網(wǎng)設(shè)計(jì)

機(jī)器人之間的通信是機(jī)器人控制的關(guān)鍵組成部分，這包括使用Wi-Fi、藍(lán)牙、Zigbee、LoRa等不同的通信技術(shù)，以便機(jī)器人之間進(jìn)行信息共享和協(xié)同工作[18]。ESP8266 Mesh是一種用于構(gòu)建自組織、低功耗物聯(lián)網(wǎng)（IoT）網(wǎng)絡(luò)的技術(shù)，由樂(lè)鑫公司開(kāi)發(fā)。它建立在ESP8266 Wi-Fi模塊之上，提供了一種方便的方式來(lái)連接和管理大量ESP8266設(shè)備，使它們能夠相互通信和協(xié)同工作[19]。將手勢(shì)識(shí)別模型應(yīng)用到機(jī)器人控制中，能夠增加人機(jī)交互的互動(dòng)性。將集群中的所有機(jī)器人的舵機(jī)控制板通過(guò)串口通信連接ESP8266模塊，舵機(jī)控制板通過(guò)上位機(jī)預(yù)先錄入指定動(dòng)作及編號(hào)，ESP8266編寫指令完成機(jī)器人的Mesh組網(wǎng)。通過(guò)Mesh組網(wǎng)全網(wǎng)廣播命令，實(shí)現(xiàn)機(jī)器人的集群控制[20]。

如圖12所示，Esp8266 Mesh允許機(jī)器人內(nèi)部相互廣播通信，網(wǎng)絡(luò)無(wú)中心節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都可以作為中繼節(jié)點(diǎn)，節(jié)點(diǎn)數(shù)量與范圍更大，各個(gè)機(jī)器人節(jié)點(diǎn)之間根據(jù)節(jié)點(diǎn)編號(hào)和控制命令可以相互通信也可以獨(dú)立控制，網(wǎng)絡(luò)自主修復(fù)能力好，心跳包斷連和接入均可自更新完成，通過(guò)與路由器相連可以實(shí)現(xiàn)遠(yuǎn)程互動(dòng)控制。

如圖13所示，手勢(shì)控制界面可以通過(guò)stop手勢(shì)停止所有機(jī)器人動(dòng)作，通過(guò)fist手勢(shì)立正機(jī)器人，通過(guò)call手勢(shì)，激活舞蹈模式，通過(guò)like與dislike手勢(shì)切換舞蹈動(dòng)作，fist手勢(shì)作為中間過(guò)渡手勢(shì)，無(wú)實(shí)際意義，OK手勢(shì)為確認(rèn)執(zhí)行當(dāng)前動(dòng)作。one、peace手勢(shì)分別表示調(diào)整機(jī)器人語(yǔ)音音量大小。機(jī)器人收到各類手勢(shì)執(zhí)行指令時(shí)，通過(guò)語(yǔ)音播報(bào)與實(shí)施者確認(rèn)是否準(zhǔn)確識(shí)別命令。

2 結(jié)論

通過(guò)手勢(shì)動(dòng)作控制機(jī)器人，提升人機(jī)交互性能，手勢(shì)識(shí)別的精確度是指令發(fā)出的關(guān)鍵。手勢(shì)數(shù)據(jù)集HaGRID提供了手勢(shì)數(shù)據(jù)來(lái)源，手勢(shì)動(dòng)作在實(shí)際使用過(guò)程中屬于較小的檢測(cè)目標(biāo)，需要深層與淺層特征圖在語(yǔ)義性與空間性上得到更好的均衡。使用帶有CBAM注意力機(jī)制的YOLOv5算法模型進(jìn)行訓(xùn)練。在實(shí)驗(yàn)準(zhǔn)備階段，對(duì)COCO數(shù)據(jù)標(biāo)注形式的數(shù)據(jù)進(jìn)行轉(zhuǎn)化，并添加真實(shí)使用場(chǎng)景圖像補(bǔ)充數(shù)據(jù)集，用以增強(qiáng)算法魯棒性。實(shí)驗(yàn)過(guò)程中，選擇YOLOv5l模型，使用官方Y(jié)OLOv5.pt作為初始參數(shù)展開(kāi)訓(xùn)練。最終得到此次訓(xùn)練測(cè)試最好的best.pt模型文件，實(shí)現(xiàn)對(duì)手勢(shì)的識(shí)別，同時(shí)搭建可視化平臺(tái)驗(yàn)證手勢(shì)控制機(jī)器人的可行性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的模型在測(cè)試數(shù)據(jù)集上的檢測(cè)精度達(dá)到98%，在自建數(shù)據(jù)集上的檢測(cè)精度達(dá)95%，最終的權(quán)重文件大小88.5MB，預(yù)測(cè)一張尺寸大小為640×480的圖像需要28.7ms，處理速度達(dá)到34FPS，可以滿足實(shí)時(shí)檢測(cè)要求。在實(shí)際控制中，機(jī)器人間可以穩(wěn)定組網(wǎng)運(yùn)行，能夠通過(guò)手勢(shì)識(shí)別控制機(jī)器人及集群運(yùn)動(dòng)。

參考文獻(xiàn)：

[1]王成，李敏，王克宇.基于改進(jìn)Faster RCNN的機(jī)器人運(yùn)動(dòng)控制與視覺(jué)抓取研究[J/OL].機(jī)械設(shè)計(jì)與制造：1-12.

[2] 叢玉華，何嘯，邢長(zhǎng)達(dá)，等.基于計(jì)算機(jī)視覺(jué)手勢(shì)識(shí)別的人機(jī)交互技術(shù)研究[J].兵器裝備工程學(xué)報(bào)，2022，43（1）：152-160.

[3] 解迎剛，王全.基于視覺(jué)的動(dòng)態(tài)手勢(shì)識(shí)別研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（22）：68-77.

[4] 韓彥鵬，秦飛舟.基于LeapMotion的手勢(shì)識(shí)別算法改進(jìn)與研究[J].電子設(shè)計(jì)工程，2023，31（1）：7-10，15.

[5] 王松林.基于Kinect的手勢(shì)識(shí)別與機(jī)器人控制技術(shù)研究[D].北京：北京交通大學(xué)，2014.

[6] 徐玥，周輝.簡(jiǎn)單背景下基于OpenCV的靜態(tài)手勢(shì)識(shí)別[J].計(jì)算機(jī)科學(xué)，2022，49（S2）：393-398.

[7] 李國(guó)玄，馬凱凱，王文博.基于HOG特征提取和SVM的手勢(shì)識(shí)別方法研究[J].傳感器世界，2022，28（12）：30-36.

[8] 谷學(xué)靜，周自朋，郭宇承，等.基于CNN-LSTM混合模型的動(dòng)態(tài)手勢(shì)識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（11）：205-209.

[9] 李泰國(guó)，張英志，張?zhí)觳?，?基于改進(jìn)YOLOv5s算法的列車駕駛員手勢(shì)識(shí)別[J].鐵道學(xué)報(bào)，2023，45（1）：75-83.

[10] 王粉花，黃超，趙波，等.基于YOLO算法的手勢(shì)識(shí)別[J].北京理工大學(xué)學(xué)報(bào)，2020，40（8）：873-879.

[11] 孟青云，戴佳蔚，查佳佳，等.基于YOLOv8算法的常用手勢(shì)識(shí)別[J].現(xiàn)代儀器與醫(yī)療，2023，29（4）：12-20.

[12] 李熙尉，孫志鵬，王鵬，等.基于YOLOv5s改進(jìn)的井下人員和安全帽檢測(cè)算法研究[J].煤，2023，32（3）：22-25.

[13] WOO S，PARK J，LEE J Y，et al.CBAM：convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision （ECCV）.Munich： ECCV，2018：3-19.

[14] 胡宗承，段曉威，周亞同，等.基于多模態(tài)融合的動(dòng)態(tài)手勢(shì)識(shí)別研究[J].計(jì)算機(jī)工程與科學(xué)，2023，45（4）：665-673.

[15] 胡宗承，周亞同，史寶軍，等.結(jié)合注意力機(jī)制與特征融合的靜態(tài)手勢(shì)識(shí)別算法[J].計(jì)算機(jī)工程，2022，48（4）：240-246.

[16] KAPITANOV A，MAKHLYARCHUK A，KVANCHIANI K.HaGRID - HAnd gesture recognition image dataset[EB/OL].2022：arXiv：2206.08219.http：//arxiv.org/abs/2206.08219.pdf

[17] 潘雪熒，吳慶達(dá).基于Qt的仿蠶機(jī)器人上位機(jī)軟件設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代制造技術(shù)與裝備，2023，59（8）：193-196.

[18] 夏田，張大為，代斌斌.全向移動(dòng)的送餐機(jī)器人控制系統(tǒng)研究與仿真[J].制造業(yè)自動(dòng)化，2022，44（5）：17-20.

[19] 張申毅，樊紹勝，程嘉翊，等.基于STM32的軌道式巡檢機(jī)器人控制系統(tǒng)的設(shè)計(jì)[J].儀表技術(shù)與傳感器，2020（9）：93-97，116.

[20] 劉成濤，郭帥.基于手勢(shì)識(shí)別的智能小車無(wú)線控制系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2023，46（16）：182-186.

【通聯(lián)編輯：唐一東】