Cozmo&AI作业

学习下面链接内容，将其实现并应用到Cozmo或mrobot机器人中。

参考链接：

1. ros_caffe：github.com/tzutalin/ros_caffe

2. Tensorflow_in_ROS：github.com/shunchan0677/Tensorflow_in_ROS

3. cozmo-tensorflow：github.com/whatrocks/cozmo-tensorflow

ros_people_object_detection_tensorflow

github.com/cagbal/ros_people_object_detection_tensorflow

广泛使用的ROS工具箱，用于物体检测和跟踪以及面部/动作识别，具有2D和3D支持，使机器人了解周围的环境。

技术

此repo使用许多开源项目来正常工作：

• [Tensorflow]
• [Tensorflow-Object Detection API]
• [Tensorflow Hub]
• [ROS]
• [numpy的]
• [face_recognition] https://github.com/ageitgey/face_recognition
• [DLIB]
• [cob_perception_common] https://github.com/ipa-rmb/cob_perception_common.git
• [protobuf的]

对于Tracker部分：

• scikit学习
• scikit图像
• FilterPy

安装

首先，应在您的系统上安装tensorflow。

然后，

  

   

    

     

    
    

     

      $ cd && mkdir -p catkin_ws/src && cd ..
     
    
   

    

     

    
    

     

      $ catkin_make && cd src
     
    
   

    

     

    
    

     

      $ git clone --recursive https://github.com/cagbal/
     
    
   

    

     

    
    

     

      ple_object_detection_tensorflow.git
     
    
   

    

     

    
    

     

      $ git clone https://github.com/cagbal/cob_perception_common.git
     
    
   

    

     

    
    

     

      $ cd cob_people_object_detection_tensorflow/src
     
    
   

    

     

    
    

     

      $ protoc object_detection/protos/*.proto --python_out=.
     
    
   

    

     

    
    

     

      $ cd ~/catkin_ws
     
    
   

    

     

    
    

     

      $ rosdep install --from-path src/ -y -i
     
    
   

    

     

    
    

     

      $ catkin_make
     
    
   

    

     

    
    

     

      $ pip install face_recognition
     
    
  
 

repo包含最快的基于mobilenet的方法，因此您可以跳过以下步骤。

然后，从 Models Zoo中安装tensorflow对象检测模型。

并将这些模型放入src / object_detection /，最后设置launch / cob_people_object_detection_tensoflow_params.yaml的model_name参数

运行

在ROS中打开相机驱动程序，并在启动目录下的yaml配置文件中设置输入RGB主题名称。默认值为openni2。

用于运行一切，（这将适用于2D和3D）

$ roslaunch cob_people_object_detection_tensorflow alltogether.launch
 

上面的代码将启动所有内容。它非常适合从这个回购开始。但是，如果您需要一些灵活性，则需要逐个启动每个节点。如下：

对于物体检测：

$ roslaunch cob_people_object_detection_tensorflow cob_people_object_detection_tensorflow.launch
 

然后，它开始为每个检测到的对象分配ID，并将结果发布到/ object_tracker / tracks。请注意，检测到的跟踪对象编号可能不同。

如果您还想运行跟踪器，

$ roslaunch cob_people_object_detection_tensorflow cob_people_object_tracker.launch
 

如果您还想运行face_recognition，

将人脸图像放入人员文件夹并启动：

$ roslaunch cob_people_object_detection_tensorflow cob_face_recognizer.launch
 

如果你还想运行深度探测器，

$ roslaunch cob_people_object_detection_tensorflow projection.launch
 

并设置detections.pose.pose.position.x / y / z并将其设为pusblishes。

如果您还想运行动作识别，

$ roslaunch cob_people_object_detection_tensorflow action_recognition.launch
 

然后，您将看到/ action_recognition / action_predictions上发布的概率

Subscibes：订阅

• 到* params.yaml文件中设置的任何RGB图像主题。

     Publishes：发布

• / object_detection / detection（cob_perception_msgs / DetectionArray）包括所有具有概率，标签和边界框的检测
• / object_detection / detections_image（sensor_msgs / Image）带有边界框的图像
• / object_tracker / tracks（cob_perception_msgs / DetectionArray）仅包含跟踪对象及其边界框，标签。这里，ID是跟踪器分配的检测ID。示例：DetectionArray.detections [0] .id
• / face_recognizer / faces（cob_perception_msgs / DetectionArray）带有面部和人物边界框的面部标签
• / action_recognition / action_predictions（cob_perception_msgs / ActionRecognitionmsg）使用Kinetics 600数据集标签的动作识别概率

性能

我的计算机（Intel（R）Core（TM）i7-6820HK CPU @ 2.70GHz）的最后五次检测时间为几秒钟：

• 0.105810880661
• 0.108750104904
• 0.112195014954
• 0.115020036697
• 0.108013153076

文章来源: zhangrelay.blog.csdn.net，作者：zhangrelay，版权归原作者所有，如需转载，请联系作者。

原文链接：zhangrelay.blog.csdn.net/article/details/85077253