Tars-Go Robomaster装甲车视觉检测程序

Robomaster-Detector/
├── detector.py                                 #目标检测检测类
├── tracker.py                                  #视觉跟踪类
├── armor_detection_node.py                     #ROS节点类
├── gimble_ctrl.py                              #相机模型及云台控制
├── README.md                                   #说明文档
├── requirements.txt                            #python依赖模块
├── test_video.mp4                              #测试视频
├── data                                        #神经网络模型权重及配置文件
│   ├── robomaster_trt.pb                       #神经网络权重文件
│   ├── label_map.pbtxt                         #模型类别索引
├── pics                                        #README中插入图片文件
│   ├── left_detection_right_groudtruthx.png    #检测结果与标注对比
│   ├── mAP.png                                 #模型平均精度
│   ├── train_loss.png                          #模型训练损失
│   ├── software_structure.svg                  #软件框架图
│   ├── test_result.gif                         #测试效果动态图
│   └──model_structure.png                      #模型结构图

依赖

• Ubuntu16.04
• ROS Kinetic
• python3.5
• rospy
• TensorFlow==1.14(with contrib)
• numpy
• opencv
• multiprocessing
• threading
• Queue
• cv_bridge

内容简述

本项目代码为机器人的视觉感知功能，主要是识别敌方机器人方位、敌方装甲板，精确测算敌方位置，并计算敌方相对于我方的位姿信息。

• 深度学习检测器（Googlenet-SSD）

• 目标跟踪器（核相关滤波算法）

• 姿态解算与坐标变换模块（PNP算法）

装甲车的视觉检测算法采用基于深度学习的目标检测器+核相关滤波算法的目标跟踪器的模式。

深度学习部分采用改进的SSD目标检测算法，以Googlenet为模型的主干，并消去了用于检测极小目标的分支、并利用模型剪枝技术以提升检测速度。同时，以并行的方式、采用核相关滤波算法对装甲板这一目标进行跟踪，辅助深度学习算法，弥补检测速度上的不足。

采用这样的模式，既可以实现深度学习算法强大的目标检测能力和抗干扰能力，又可以实现较高的实时性。经测试，该算法的平均检测速度可达到80FPS(12.5ms/frame)，满足机器人精确打击的需求。

• 软件流程如下图所示：

  

模块介绍

深度学习检测器

• 采用改进的SSD目标检测算法，输入为300*300的RGB图，输出BoundingBox的位置、类别和置信度.

• 检测目标分为七个类别：红色装甲板(red)、蓝色装甲板(blue)、装甲车前方(front)、装甲车后方(back)、装甲车左方(left)、装甲车(right)、装甲车斜方(tracking).

• 模型训练的loss及mAP：

  

  

• 网络结构图(删除了小目标预测分支)：

  

目标跟踪器

• 采用核相关滤波算法，仅对敌方装甲板这一目标进行跟踪，以弥补深度学习算法检测速度的不足.
• 算法流程图

姿态解算与坐标变换

• 通过相机的标定方法获得相机的内参矩阵
• 以装甲板的中心建立世界坐标系，采用PNP算法求解出相机的外参矩阵 $$R=\left[\begin{matrix}a & b & c \f & g & h \k & l & m \\end{matrix} \right]$$

并根据

$$pitch = atan2(f,k)$$

$$yaw = atan2(a,k) $$

求解出旋转角，进而控制云台转动.

软件测试步骤

从百度网盘下载模型文件和测试视频(提取码：oza7)：None

test.avi放在./robomaster_detector下，robomaster_trt.pb放在./robomaster_detector/model_data下

单独测试深度学习目标检测功能

• 运行pip install requirements.txt安装相关依赖
• 在./Robomaster_Detector目录下，运行python detector.py

单独测试目标跟踪算法功能

• 在./Robomaster_Detector/KCF目录下，运行python setup.py build_ext --inplace
• 在./Robomaster_Detector目录下，运行python tracker.py
• 用鼠标框选要跟踪的装甲板即可

ROS下armor_detection节点的综合测试

• 利用virtualenv建立python3虚拟环境，并安装tensorflow、opencv-python等依赖
• 基于Python3、从ROS Kinetic源码编译ROS
• 基于python3、从源码编译cv_bridge、tf等rospackages
• 基于python3编译EnemyDirection.msg、GimbalAngle.msg两个消息文件和ShootCmd.srv、FricWhl.srv两个服务文件
• 在./Robomaster_Detector目录下，运行armor_detection_node.py

测试结果

开源协议

MIT License