前言

本文主要学习 ROS机器人操作系统 ，在ROS系统里调用 OpenCV库 实现人脸识别任务

一、环境配置

1.安装ROS

sudo apt-get install ros-kinetic-desktop-full

2.摄像头调用

安装摄像头组件相关的包，命令行如下：

sudo apt-get install ros-kinetic-usb-cam

启动摄像头，命令行如下：

roslaunch usb_cam usb_cam-test.launch

调用摄像头成功，如下图所示：

摄像头的驱动发布的相关数据，如下图所示：

摄像头 usb_cam/image_raw 这个话题，发布的消息的具体类型，如下图所示：

那么图像消息里面的成员变量有哪些呢？

打印一下就知道了！一个消息类型里面的具体成员变量，如下图所示：

• Header：很多话题消息里面都包含的

  消息头：包含消息序号，时间戳和绑定坐标系

  消息的序号：表示我们这个消息发布是排第几位的，并不需要我们手动去标定，每次

  发布消息的时候会自动地去累加

  绑定坐标系：表示的是我们是针对哪一个坐标系去发布的header有时候也不需要去配置

• height：图像的纵向分辨率

• width：图像的横向分辨率

• encoding：图像的编码格式，包含RGB、YUV等常用格式，都是原始图像的编码格式，不涉及图像压缩编码

• is_bigendian: 图像数据的大小端存储模式

• step：一行图像数据的字节数量，作为数据的步长参数

• data：存储图像数据的数组，大小为step×height个字节

• format：图像的压缩编码格式（jpeg、png、bmp）

3.导入OpenCV

在ROS当中完成OpenCV的安装，命令行如下图所示：

sudo apt-get install ros-kinetic-vision-opencv libopencv-dev python-opencv

安装完成

二、创建工作空间和功能包

1.创建工作空间

mkdir -p ~/catkin_ws/src
cd ~/catkin_ws/src
catkin_init_workspace

• 创建完成工作空间后，在根目录下面，执行编译整个工作空间

cd ~/catkin_ws/
catkin_make

• 工作空间中会自动生成两个文件夹：devel，build

• devel文件夹中产生几个setup.*sh形成的环境变量设置脚本，使用source命令运行这些脚本文件，则工作空间中的环境变量得以生效

source devel/setup.sh

• 将环境变量设置到/.bashrc文件中

gedit ~/.bashrc

• 在打开的文件，最下面粘贴以下代码即可设置环境变量

source ~/catkin_ws/devel/setup.bash

2.创建功能包

开始创建

cd ~/catkin_ws/src
catkin_create_pkg learning std_msgs rospy roscpp

回到根目录，编译并设置环境变量

cd ~/catkin_ws
catkin_make
source ~/catkin_ws/devel/setup.sh

三、人脸识别检测相关代码

基于 Haar 特征的级联分类器检测算法

核心内容，如下所示：

• 灰阶色彩转换
• 缩小摄像头图像
• 直方图均衡化
• 检测人脸

1.python文件

face_detector.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import rospy
import cv2
import numpy as np
from sensor_msgs.msg import Image, RegionOfInterest
from cv_bridge import CvBridge, CvBridgeError
 
class faceDetector:
    def __init__(self):
        rospy.on_shutdown(self.cleanup);
 
        # 创建cv_bridge
        self.bridge = CvBridge()
        self.image_pub = rospy.Publisher("cv_bridge_image", Image, queue_size=1)
 
        # 获取haar特征的级联表的XML文件，文件路径在launch文件中传入
        cascade_1 = rospy.get_param("~cascade_1", "")
        cascade_2 = rospy.get_param("~cascade_2", "")
 
        # 使用级联表初始化haar特征检测器
        self.cascade_1 = cv2.CascadeClassifier(cascade_1)
        self.cascade_2 = cv2.CascadeClassifier(cascade_2)
 
        # 设置级联表的参数，优化人脸识别，可以在launch文件中重新配置
        self.haar_scaleFactor  = rospy.get_param("~haar_scaleFactor", 1.2)
        self.haar_minNeighbors = rospy.get_param("~haar_minNeighbors", 2)
        self.haar_minSize      = rospy.get_param("~haar_minSize", 40)
        self.haar_maxSize      = rospy.get_param("~haar_maxSize", 60)
        self.color = (50, 255, 50)
 
        # 初始化订阅rgb格式图像数据的订阅者，此处图像topic的话题名可以在launch文件中重映射
        self.image_sub = rospy.Subscriber("input_rgb_image", Image, self.image_callback, queue_size=1)
 
    def image_callback(self, data):
        # 使用cv_bridge将ROS的图像数据转换成OpenCV的图像格式
        try:
            cv_image = self.bridge.imgmsg_to_cv2(data, "bgr8")     
            frame = np.array(cv_image, dtype=np.uint8)
        except CvBridgeError, e:
            print e
 
        # 创建灰度图像
        grey_image = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
 
        # 创建平衡直方图，减少光线影响
        grey_image = cv2.equalizeHist(grey_image)
 
        # 尝试检测人脸
        faces_result = self.detect_face(grey_image)
 
        # 在opencv的窗口中框出所有人脸区域
        if len(faces_result)>0:
            for face in faces_result: 
                x, y, w, h = face
                cv2.rectangle(cv_image, (x, y), (x+w, y+h), self.color, 2)
 
        # 将识别后的图像转换成ROS消息并发布
        self.image_pub.publish(self.bridge.cv2_to_imgmsg(cv_image, "bgr8"))
 
    def detect_face(self, input_image):
        # 首先匹配正面人脸的模型
        if self.cascade_1:
            faces = self.cascade_1.detectMultiScale(input_image, 
                    self.haar_scaleFactor, 
                    self.haar_minNeighbors, 
                    cv2.CASCADE_SCALE_IMAGE, 
                    (self.haar_minSize, self.haar_maxSize))
                                         
        # 如果正面人脸匹配失败，那么就尝试匹配侧面人脸的模型
        if len(faces) == 0 and self.cascade_2:
            faces = self.cascade_2.detectMultiScale(input_image, 
                    self.haar_scaleFactor, 
                    self.haar_minNeighbors, 
                    cv2.CASCADE_SCALE_IMAGE, 
                    (self.haar_minSize, self.haar_maxSize))
        
        return faces
 
    def cleanup(self):
        print "Shutting down vision node."
        cv2.destroyAllWindows()
 
if __name__ == '__main__':
    try:
        # 初始化ros节点
        rospy.init_node("face_detector")
        faceDetector()
        rospy.loginfo("Face detector is started..")
        rospy.loginfo("Please subscribe the ROS image.")
        rospy.spin()
    except KeyboardInterrupt:
        print "Shutting down face detector node."
        cv2.destroyAllWindows()

2.lanuch文件

usb_cam.launch

• 摄像头启动文件

<launch>
 
  <node name="usb_cam" pkg="usb_cam" type="usb_cam_node" output="screen" >
    <param name="video_device" value="/dev/video0" />
    <param name="image_width" value="640" />
    <param name="image_height" value="480" />
    <param name="pixel_format" value="yuyv" />
    <param name="camera_frame_id" value="usb_cam" />
    <param name="io_method" value="mmap"/>
  </node>
 
</launch>

face_detector.launch

• 人脸识别启动文件

<launch>
    <node pkg="test2" name="face_detector" type="face_detector.py" output="screen">
        <remap from="input_rgb_image" to="/usb_cam/image_raw" />
        <rosparam>
            haar_scaleFactor: 1.2
            haar_minNeighbors: 2
            haar_minSize: 40
            haar_maxSize: 60
        </rosparam>
        <param name="cascade_1" value="$(find robot_vision)/data/haar_detectors/haarcascade_frontalface_alt.xml" />
        <param name="cascade_2" value="$(find robot_vision)/data/haar_detectors/haarcascade_profileface.xml" />
    </node>
</launch>

3.CvBridge

• ROS 与 OpenCV 之间的数据连接是通过 CvBridge 来实现的
• ROS Image Message与 OpenCV Ipllmage 之间连接的一个桥梁

cv_bridge_test.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
import rospy
import cv2
from cv_bridge import CvBridge, CvBridgeError
from sensor_msgs.msg import Image
 
class image_converter:
    def __init__(self):    
        # 创建cv_bridge，声明图像的发布者和订阅者
        self.image_pub = rospy.Publisher("cv_bridge_image", Image, queue_size=1)
        self.bridge = CvBridge()
        self.image_sub = rospy.Subscriber("/usb_cam/image_raw", Image, self.callback)
 
    def callback(self,data):
        # 使用cv_bridge将ROS的图像数据转换成OpenCV的图像格式
        try:
            cv_image = self.bridge.imgmsg_to_cv2(data, "bgr8")
        except CvBridgeError as e:
            print e
 
        # 在opencv的显示窗口中绘制一个圆，作为标记
        (rows,cols,channels) = cv_image.shape
        if cols > 60 and rows > 60 :
            cv2.circle(cv_image, (60, 60), 30, (0,0,255), -1)
 
        # 显示Opencv格式的图像
        cv2.imshow("Image window", cv_image)
        cv2.waitKey(3)
 
        # 再将opencv格式额数据转换成ros image格式的数据发布
        try:
            self.image_pub.publish(self.bridge.cv2_to_imgmsg(cv_image, "bgr8"))
        except CvBridgeError as e:
            print e
 
if __name__ == '__main__':
    try:
        # 初始化ros节点
        rospy.init_node("cv_bridge_test")
        rospy.loginfo("Starting cv_bridge_test node")
        image_converter()
        rospy.spin()
    except KeyboardInterrupt:
        print "Shutting down cv_bridge_test node."
        cv2.destroyAllWindows()

四、代码实测

1.执行命令行

分别在三个终端下运行，命令行如下：

启动摄像头

roslaunch robot_vision usb_cam.launch

启动人脸识别

roslaunch robot_vision face_detector.launch

打开人脸识别窗口

rqt_image_view

2.人脸识别效果

拿了C站官方送的书来进行测试，识别的效果还是相当不错的，效果如下图所示:

五、报错解决

报错1：E：无法定位软件包 ros-kinetic-usb-cam

解决方法： 网上下载编译安装

$ cd catkin_ws/src

$ git clone https://github.com/bosch-ros-pkg/usb_cam.git

$ cd ~/catkin_ws

$ catkin_make

成功解决：

报错2：启动摄像头报错

解决方法：输入以下命令行，再启动摄像头

source ~/catkin_ws/devel/setup.bash

成功解决：

报错3：虚拟机摄像头没连接报错

解决方法：打开虚拟机设置，更改usb版本为3.1

可移动设备将摄像头设置连接

六、总结

• 在ROS操作系统中调用 OpenCV 完成人脸识别还是比较有意思的，目前图像处理和人脸识别还是比较常用到的，本文主要记录学习过程，以及遇到的相关报错问题进行记录

• 如何对于特定目标的检测并显示出结果？如何优化让人脸识别的更精准？目前还在朝着这个方向进行思考和探究