University of Oulu

Kasvoja seuraavan näköjärjestelmän toteutus robottipäähän

Saved in:
Author: Pirttiaho, Niko1; Räty, Arttu1; Virtala, Matias1
Organizations: 1University of Oulu, Faculty of Information Technology and Electrical Engineering, Department of Computer Science and Engineering, Computer Science
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 3.1 MB)
Pages: 41
Persistent link: http://urn.fi/URN:NBN:fi:oulu-202008192811
Language: Finnish
Published: Oulu : N. Pirttiaho; A. Räty; M. Virtala, 2020
Publish Date: 2020-08-20
Thesis type: Bachelor's thesis
Description:

Tiivistelmä

Työssä kehitettiin robottiin kytketty koneoppimisjärjestelmä, joka käsittelee reaaliajassa kameralta tulevaa videosyötettä. Järjestelmää käytettiin havaitsemaan, jäljittämään ja tunnistamaan ihmisten kasvoja, sekä hallitsemaan kameraa (pään ja silmien suuntaus) tarpeenmukaisella tavalla. Kasvojentunnistukseen hyödynnettiin OpenCV:n Haar-ominaisuuksiin pohjautuvaa kaskadiluokittelijaa. Tunnistettua henkilöä seurattiin suhteessa robotin sijaintiin koordinaatistossa, joka helpottaa tunnistuksien käyttöä ja käsittelyä. Henkilön tunnistamiseen koulutettiin Tensorflow-kirjastoa käyttäen autoenkooderityyppinen neuroverkko, jolla enkoodataan kasvoista helposti muistettava ja matemaattisesti vertailtavissa oleva vektori. Tuotettu kokonaisuus onnistui kohtuullisella tarkkuudella ihmisen silmänliikkeitä imitoiden tunnistamaan ja seuraamaan kasvoja. Kyseessä oli usean kandidaattivaiheen opiskelijan laajempi yhteistyöprojekti, jossa eri ryhmät toteuttavat robotille eri toiminnallisuuksia. Ryhmien tuottamat ominaisuudet yhdistettiin käyttäen ROS (Robot Operating System) -nimistä järjestelmää.

Abstract

In this work we developed a machine learning system for a robot used to process real time video feed of a camera. The system is used to detect, track and recognize faces and control a camera accordingly (head and eye movement). We used OpenCV cascade classifier which uses Haar-features for facial recognition. Recognitions are mapped to a coordinate system relative to the robot which helps the usage and processing of the detections. An autoencoder based solution was trained using Tensorflow-library for facial recognition by encoding an easily mathematically comparable vector from the faces. The produced system was able to imitate human eye movement with reasonable accuracy and track faces. The project was a part of larger collaboration between other bachelor’s degree students on this project course. Each group developed a specific functionality for the robot. All of the functionalities developed by each group were combined using Robot Operating System.

see all

Subjects:
Copyright information: © Niko Pirttiaho; Arttu Räty; Matias Virtala, 2020. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.