一种基于神经网络的自动跟随行李箱设计*

黄明威，林镇炜，肖杰康，杨景康，陈其志，黄辉宇，邓 君

(东莞理工学院 机械工程学院，广东 东莞 523000)

0 引 言

随着中国经济的不断发展，人民的美好生活日益增长，其中旅游人次也在逐年增加，据国家统计局数据统计，2019年全国旅游及相关产业增加值为44 989亿元，占国内生产总值的比重为4.56%。统计数据说明，每年都会有大量的人出去旅游，而出去旅游，通过旅游分丰富自己的精神生活。而旅游时带行李箱是必不可少的，为了更加适应中国逐年增加的旅游出行，特设计一款智能行李箱。

该款行李箱基于嵌入式计算平台——树莓派上，使用神经网络算法YOLOV3-Tiny进行识别，并搭载LED灯、ISD1420语音模块和HC05蓝牙模块等，可实现对使用者进行识别跟随，解放双手，智能生活。

1 智能行李箱结构

1.1 整体结构

如图1所示，智能行李箱整体结构与普通行李箱无太大分别，主要可分三个部分，分别是智能行李箱箱体，智能行李箱底部和底部运动部分。

图1 能行李箱整体结构图

智能行李箱在据顶部5 cm位置放置了摄像头用于拍摄图像并进行人物跟踪，在摄像头下方，放置了LED灯用于补光发出警报以及光敏电阻进行光线亮度检测。

智能行李箱箱体与智能行李箱底部使用隔板隔开，底部放置了树莓派主控板、电池、倾侧水银开关以及L298N驱动板等多个元器件。

1.2 底部运动结构

为了让智能行李箱能够适应多种环境，对传统行李箱在复杂环境下易跌倒的问题作出了改良，将传统的四轮换成履带传动，使得智能行李箱即使在坑坑洼洼的复杂路面也能较平稳的行驶，与传统行李箱相比地形适应能力更强，抗跌落能力更优。智能行李箱履带结构如图2所示。

图2 智能行李箱底部运动结构图

2 电路控制

2.1 电路系统

电路控制系统结构框架如图3所示，主控芯片采用的是树莓派4B控制板，树莓派4B是基于Linux系统的卡片电脑，尺寸与银行卡大小相似，却搭载了BCM2711处理器，拥有4枚性能强悍的ARMA72核心，处理性能快还拥有丰富的接口，在同等价格下，更适合做嵌入式神经网络控制板。在树莓派上烧录好官方操作系统PiOS，并配置好TensorflowLite等相关环境，录入控制代码即可实行智能行李箱控制。

图3 控制系统结构图

2.2 运动系统

智能行李箱底部由四个电机负责提供动力，树莓派控制板通过L298N驱动板驱动电机进行行驶，其中电机的运动速度由PWM算法调节控制，PWM调速平稳，能使得智能行李箱在跟踪过程平稳的运动。

2.3 通信系统

智能行李箱内部放置了一块HC05蓝牙模块，有效通信范围可达10 m，且该模块是主从一体的蓝牙串口模块，即我们可以直接通过蓝牙串口通信助手进行数据传输，用该APP建立链接后，可直接发送数据，而不需要了解蓝牙内部的通信协议，极大的简化通信流程，上手方便快捷。所以使用者可以很方便的打开手机蓝牙与智能行李箱通信，通过给其发送设定的数据就可以打开LED灯光或者设置跟踪距离等。

2.4 充电系统

考虑到使用者在旅途过程中手机等电子设备有可能会经历电量不足的情况，因此智能行李箱内部还安置了一个USB接口，当使用者在外部环境无法寻找到其他充电设备时，可以通过该USB接口给电子设备充电，以备不时之需。

2.5 光线检测系统

考虑到行李箱在实际使用过程中有可能会遇到光线亮度较低的场景，为了防止使用者在行走过程因光线不足发生跌倒等状况，在智能行李箱上放置了光敏电阻开关，可在检测到环境亮度不足自动打开LED灯，同时也解决了在极端黑暗的环境下摄像头无法正确识别并跟踪使用者的问题。

2.6 侧翻报警系统

考虑到行李箱在实际使用过程中有可能遇到比较极端的路段或者受到来自外界的撞击等导致行李箱侧翻。因此当有突发事件使得行李箱倾倒时，会触发倾侧水银开关，从而打开ISD1420语音模块使其发出警报。

ISD1420语音模块采用模拟存储技术集成，可反复录放20 s的语音，且最多可将语音分为160段，每段语音长度最小为125 ms。因此可以在树莓派中设定，当智能行李箱在侧翻时发出特定的警示语音从而提醒智能行李箱的使用者，并且在播放语音的会同时打开LED灯光使其发出红色报警光。

3 视觉跟踪

3.1 识 别

使用树莓派摄像头获取图像后，识别人物的算法采用神经网络YOLOV3-tiny[1]，该算法检测快速，背景误检率低，且通用性强。其网络结构共有23层，且使用的是全卷积层，图片尺寸修改也是通过卷积层实现，而算法流程可分为以下三步：

首先为将一副图片大小调整为416×416×3，并将其分成S×S个均等大小的栅格，每一个格子称作一个gridcell。目标中心落在哪个gridcell中，就由哪个gridcell来检测该目标，如图4所示。

图4 YOLOV3-tiny分割图像示意图

其次将上一步所得到图像送入卷积神经网络中，得到预测值坐标，置信度和识别概率。最后再将得到的信息进行非极大值抑制，即可得出结果。算法网络结构如图5所示。

图5 YOLOV3-tiny网络结构图

3.2 测 距

单目测距原理如图6，测距原理的模型可认为是针孔模型。通过获取相机焦距f，拍摄图像长度l，物体实际距离h，通过三角形相似即可得出公式(1)，并通过该公式得可以在识别到物体后，测量出物体与相机的实际距离d,经实际测试，实际距离与测得距离误差为10%～15%，测量精度满足使用要求。

图6 测距原理图

使用者可以通过手机蓝牙连接智能行李箱设定跟踪距离参数，从而调节智能行李箱在实际跟踪过程中与使用者的距离。在实际测试过程中，研究发现设定跟踪距离在2～3 m时识别效果较好，且跟踪较为准确。

(1)

3.3 跟 踪

考虑到行李箱在实际使用过程中，有可能会检测到过往行人等，为防止智能行李箱的跟踪目标出错，在行李箱识别并且得出目标后，使用了简单高效的IOU(IntersectionoverUnion)Tracker算法[2]，IOUTracker算法检测速度快，依赖于TBD(trackingbydetection),不需要图像信息即可进行多目标跟踪。

所谓的IOU就是交并比，即对上一张图像所识别的人物区域与这次识别的人物区域进行一个计算，计算两帧中两个目标之间的欧几里得距离，当识别区域中出现多个目标人物时，会把计算得出距离最短的两个区域认为是同一个目标，IOU计算公式见式(2)：

(2)

IOUTracker算法流程如图7，该算法可简要分为四步：①对所得目标进行过滤，筛选出大于阈值σl的检测框，从而得到检测集合；②将得到的检测集合与跟踪中的目标进行IOU计算，筛选得到大于阈值σIOU的检测框而作为前一帧目标在当前的位置，否则再对该跟踪框进行判断是否大于阈值σh以及是否大于阈值tmin，如果是则认为之前跟踪的目标已离开当前检测区域；③将没有匹配的检测框认为是新出现的物体加入待跟踪队列；④检测是否大于阈值σh以及是否大于阈值tmin来衡量是否是一个完整的跟踪。

图7 IOUTrack算法流程图

4 实验结果

为了验证该智能行李箱在实际环境中的有效性，在水泥地面和瓷砖地面来模拟使用者最常使用的两种环境以及在早上和傍晚两种不同光线亮度进行了实验。此外，我们还在以上两种实验中加入了随机障碍元素。实验表明，该智能行李箱在实际环境能有效的识别使用者并且进行跟踪。

在出行率越来越高的今天，有一个可实现识别跟踪的多功能行李箱是十分有必要的。文中详细介绍了一种基于神经网络的智能跟随行李箱的设计方法，并有效的结合了多个传感器以实验智能行李箱的制作。实验证明该智能行李箱能实现有效的目标识别与跟踪，但仍有很多需要改进的地方，例如续航时间和元件摆放怎么才能更加精巧等问题。笔者将会在后续的研究中从机械结构等方面来改善实验结果。