作者：賈志剛英特爾邊緣計算創(chuàng)新大使

01OpenVINO場景文字檢測

OpenVINO是英特爾推出的深度學(xué)習(xí)模型部署框架，當(dāng)前最新版本是OpenVINO2023版本。OpenVINO2023自帶各種常見視覺任務(wù)支持的預(yù)訓(xùn)練模型庫Model Zoo，其中支持場景文字檢測的網(wǎng)絡(luò)模型是來自Model Zoo中名稱為：text-detection-0003的模型(基于PixelLink架構(gòu)的場景文字檢測網(wǎng)絡(luò))。

圖-1 PixelLink網(wǎng)絡(luò)模型架構(gòu)

圖-1中的PixelLink場景文字檢測模型的輸入與輸出格式說明

輸入格式：

1x3x768x1280 BGR彩色圖像

輸出格式：

name: "model/link_logits_/add", [1x16x192x320] – pixelLink的輸出
name: "model/segm_logits/add", [1x2x192x320] – 像素分類text/no text

左滑查看更多

02OpenVINO文字識別

OpenVINO支持文字識別(數(shù)字與英文)的模型是來自Model Zoo中名稱為：text-recognition-0012d的模型，是典型的CRNN結(jié)構(gòu)模型。(基于類似VGG卷積結(jié)構(gòu)backbone與雙向LSTM編解碼頭的文字識別網(wǎng)絡(luò))

圖-2 CRNN網(wǎng)絡(luò)模型架構(gòu)

圖-2文本識別模型的輸入與輸出格式如下：

輸入格式：1x1x32x120

輸出格式：30, 1, 37

輸出解釋是基于CTC貪心解析方式，其中37字符集長度，字符集為：0123456789abcdefghijklmnopqrstuvwxyz#

#表示空白。

03MediaPipe手勢識別

谷歌在2020年發(fā)布的mediapipe開發(fā)包說起，這個開發(fā)包集成了包含手勢姿態(tài)等各種landmark檢測與跟蹤算法。其中支持手勢識別是通過兩個模型實現(xiàn)，一個是模型是檢測手掌，另外一個模型是實現(xiàn)手掌的landmakr標記。

圖-3手勢landmark點位說明

04OpenVINO與MediaPipe庫的安裝

pip install openvino==2023.0.2
pip install mediapipe

左滑查看更多

請先安裝好OpenCV-Python開發(fā)包依賴。

05應(yīng)用構(gòu)建說明

首先基于OpenCV打開USB攝像頭或者筆記本的web cam，讀取視頻幀，然后在每一幀中完成手勢landmark檢測，根據(jù)檢測到手勢landmark數(shù)據(jù)，分別獲取左右手的食指指尖位置坐標（圖-3中的第八個點位），這樣就得到了手勢選擇的ROI區(qū)域，同時把當(dāng)前幀的圖像送入到OpenVINO場景文字識別模塊中，完成場景文字識別，最后對比手勢選擇的區(qū)域與場景文字識別結(jié)果每個區(qū)域，計算它們的并交比，并交比閾值大于0.5的，就返回該區(qū)域?qū)?yīng)的OCR識別結(jié)果，并顯示到界面上。整個流程如下：

圖-4程序執(zhí)行流程圖

06代碼實現(xiàn)

根據(jù)圖-4的程序執(zhí)行流程圖，把場景文字檢測與識別部分封裝到了一個類TextDetectAndRecognizer，最終實現(xiàn)的主程序代碼如下：

import cv2 as cv
import numpy as np
import mediapipe as mp
from text_detector import TextDetectAndRecognizer
digit_nums = ['0','1', '2','3','4','5','6','7','8','9','a','b','c','d','e','f','g',
       'h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z','#']


mp_drawing = mp.solutions.drawing_utils
mp_hands = mp.solutions.hands


x0 = 0
y0 = 0
detector = TextDetectAndRecognizer()


# For webcam input:
cap = cv.VideoCapture(0)
cap.set(cv.CAP_PROP_FRAME_HEIGHT, 1080)
cap.set(cv.CAP_PROP_FRAME_WIDTH, 1920)
height = cap.get(cv.CAP_PROP_FRAME_HEIGHT)
width = cap.get(cv.CAP_PROP_FRAME_WIDTH)
# out = cv.VideoWriter("D:/test777.mp4", cv.VideoWriter_fourcc('D', 'I', 'V', 'X'), 15, (np.int(width), np.int(height)), True)
with mp_hands.Hands(
 min_detection_confidence=0.75,
 min_tracking_confidence=0.5) as hands:
 while cap.isOpened():
  success, image = cap.read()


  if not success:
    break


  image.flags.writeable = False
  h, w, c = image.shape
  image = cv.cvtColor(image, cv.COLOR_BGR2RGB)
  results = hands.process(image)


  image = cv.cvtColor(image, cv.COLOR_RGB2BGR)
  x1 = -1
  y1 = -1
  x2 = -1
  y2 = -1
  if results.multi_hand_landmarks:
   for hand_landmarks in results.multi_hand_landmarks:
    mp_drawing.draw_landmarks(
     image,
     hand_landmarks,
     mp_hands.HAND_CONNECTIONS)
    for idx, landmark in enumerate(hand_landmarks.landmark):
      x0 = np.int(landmark.x * w)
      y0 = np.int(landmark.y * h)
      cv.circle(image, (x0, y0), 4, (0, 0, 255), 4, cv.LINE_AA)
      if idx == 8 and x1 == -1 and y1 == -1:
        x1 = x0
        y1 = y0
        cv.circle(image, (x1, y1), 4, (0, 255, 0), 4, cv.LINE_AA)
      if idx == 8 and x1 > 0 and y1 > 0:
        x2 = x0
        y2 = y0
        cv.circle(image, (x2, y2), 4, (0, 255, 0), 4, cv.LINE_AA)


  if abs(x1-x2) > 10 and abs(y1-y2) > 10 and x1 > 0 and x2 > 0:
   if x1 < x2:
 ? ? ? ?cv.rectangle(image, (x1, y1), (x2, y2), (255, 0, 0), 2, 8)
 ? ? ? ?text = detector.inference_image(image, (x1, y1, x2, y2))
 ? ? ? ?cv.putText(image, text, (x1, y1), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)
 ? ? ?else:
 ? ? ? ?cv.rectangle(image, (x2, y2), (x1, y1), (255, 0, 0), 2, 8)
 ? ? ? ?text = detector.inference_image(image, (x2, y2, x1, y1))
 ? ? ? ?cv.putText(image, text, (x2, y2), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)


 ? ?# Flip the image horizontally for a selfie-view display.
 ? ?cv.imshow('MediaPipe Hands', image)
 ? ?# out.write(image)
 ? ?if cv.waitKey(1) & 0xFF == 27:
 ? ? ?break


cap.release()
# out.release()

左滑查看更多

07移植到AlxBoard開發(fā)板上

在愛克斯開發(fā)板上安裝好MediaPipe即可，OpenVINO不用安裝了，因為愛克斯開發(fā)板自帶OpenCV與OpenVINO，然后就可以直接把python代碼文件copy過去，插上USB攝像頭，直接使用命令行工具運行對應(yīng)的python文件，就可以直接用了，這樣就在AlxBoard開發(fā)板上實現(xiàn)了基于手勢選擇區(qū)域的場景文字識別應(yīng)用。

08后續(xù)指南

安裝語音播報支持包：

pip install pyttsx

AlxBorad開發(fā)板是支持3.5mm耳機mic接口，支持語音播報的，如果把區(qū)域選擇識別的文字，通過pyttsx直接播報就可以實現(xiàn)從手勢識別到語音播報了，自動跟讀卡片單詞啟蒙學(xué)英語，后續(xù)實現(xiàn)一波，請繼續(xù)關(guān)注我們。

審核編輯：湯梓紅