手语翻译系统系列之使用旭日X3派实时识别播报手语

一、准备工作

硬件部分：旭日X3派，USB免驱摄像头，电源适配器，烧录Ubuntu系统的SD卡，USB扬声器，显示屏（或者VNC/SSH远程连接）

软件部分：Thonny IDE集成开发环境

首先，关于Ubuntu系统镜像的烧录官方有详细的教程，这里不再赘述，我自己是选择桌面Ubuntu 20.04，大家选择最新的即可。如果是第一次进入系统，记得使用命令行更新一下软件源等，使用快捷键ctrl+alt+T打开命令行，输入以下命令：

# 更新软件源
apt-get update

# 更新升级所有软件
apt-get upgrade

接下来就可以开始安装Thonny IDE，作为一款轻量化的python集成开发环境，对新手十分友好，简单易上手，后续安装各种python依赖库也相当方便。安装方式Thonny官方网址提供了三种Linux的命令行下载方式，大家可以根据自己的情况进行选择。

flatpak install org.thonny.Thonny //Flatpak

sudo apt install thonny  //Debian,Raspbian,Ubuntu,Mintand others

sudo dnf install thonny  //FedoraFedora

耐心等待程序安装即可，如果中途出现异常大概率是网络不稳定导致，检查网络连接并再次运行命令行即可。由于Ubuntu系统不会自动生成快捷方式，所以安装成功后在命令行输入Thonny即可启动IDE。

重头戏来了，安装项目依赖库。启动Thonny IDE后，选择左上方工具>>管理包，根据附件中提供的程序开始安装python依赖库。过程可能会比较漫长，这取决于当前网络情况，还有部分库文件可能会出现下载失败的情况，请耐心多尝试几次。

import os
import threading
import cv2
import mediapipe as mp
import time
import torch as t
from model import HandModel
from tools.landmark_handle import landmark_handle
from tools.draw_landmarks import draw_landmarks
from tools.draw_bounding_rect import draw_bounding_rect
import numpy as np
from tools.draw_rect_text import draw_rect_txt
from PIL import Image, ImageFont, ImageDraw
import pyttsx3

# 大家可以根据这个来添加项目依赖

（PS.cv2是opencv-python的缩写，在import的时候采用这种缩写，但添加库的时候不能直接搜索cv2，而是要打全称opencv-python。）

二、实现原理

智能手语识别系统共包括语音播报模块，模型训练模块，手势识别模块，文字转写模块，一共可识别播报“也”、“吸引”、“美丽的”、 “相信”、“的”、“怀疑”、“梦想”、“表达”、“眼睛”、 “给”、“很难”、“有”、“许多”、“我”、“方法”、“不”, “只有”、“超过”、“请”、“放”、“说”、“微笑”、“星星”、“十分”、“看”、“你”等27个国家通用手语。

model_path = 'checkpoints/model_test1.pth'

label = ["也", "吸引", "美丽的", "相信", "的", "怀疑", "梦想", "表达", "眼睛", "给", "很难","有","许多","我", "方法", "不", "只有", "结束", "请", "放", "说", "微信", "星星", "十分","看","你"]

语音播报模块采用pyttsx3第三方库，它是一个用于文字转语音的第三方python库，还可实现对音量，声源，语速的调整，可脱机工作，兼容python2和python3。

def run():
    str_show = this_label
    star_date = open("2.txt", "w", encoding="utf-8")
    star_date.write(str_show)
    star_date.close()
    star_data = open("2.txt", "r", encoding="utf-8")
    star_read = star_data.readlines()
    star_data.close()
    file = "2.txt"
    res = open(file, encoding="utf-8").read()
    engine = pyttsx3.init()
    content = res
    engine.say(content)
    engine.runAndWait()
    time.sleep(1)

模型训练模块采用torch第三方库，torch广泛运用深度学习。它能够帮助我们构建深度学习项目，强调灵活性，而且允许使用我们习惯的python表示方法来表达深度学习模型。算力高，易学习，比较容易入门。

# 模型保存地址
targetX = [0 for xx in range(label_num)]
target = []
for xx in range(label_num):
    target_this = copy.deepcopy(targetX)
    target_this[xx] = 1
    target.append(target_this)
# 独热码

lr = 1e-3  # learning rate
model_saved = 'checkpoints/model'

# 模型定义
model = HandModel()
optimizer = t.optim.Adam(model.parameters(), lr=lr)
criterion = nn.CrossEntropyLoss()

loss_meter = meter.AverageValueMeter()

epochs = 40
for epoch in range(epochs):
    print("epoch:" + str(epoch))
    loss_meter.reset()
    count = 0
    allnum = 1
    for i in range(len(label)):
        data = np.load('./npz_files/' + label[i] + ".npz", allow_pickle=True)
        data = data['data']

        for j in range(len(data)):
            xdata = t.tensor(data[j])
            optimizer.zero_grad()
            this_target = t.tensor(target[i]).float()
            input_, this_target = Variable(xdata), Variable(this_target)

            output = model(input_)

            outLabel = label[output.tolist().index(max(output))]
            targetIndex = target[i].index(1)
            targetLabel = label[targetIndex]
            if targetLabel == outLabel:
                count += 1
            allnum += 1

            output = t.unsqueeze(output, 0)
            this_target = t.unsqueeze(this_target, 0)

            loss = criterion(output, this_target)
            loss.backward()
            optimizer.step()
            loss_meter.add(loss.data)

    print("correct_rate:", str(count / allnum))

    t.save(model.state_dict(), '%s_%s.pth' % (model_saved, epoch))

准备好数据集就可以开始进行模型训练，模型推荐在电脑上进行训练，我自己的电脑是win10的系统，用的pycharm IDE的集成开发环境，如果只是想体验一下的话也可以直接使用附件里训练好的模型。

手势识别模块采用Mediapipe和OpenCV库对人手进行特征提取与骨骼绑定，旭日X3派根据摄像头捕捉的关键帧的进行特征提取，基于PyTorch模型进行推理，并将推理翻译结果显示到屏幕上，同时将翻译结果以txt文件形式进行保存和API接入后上传到百度语音开发平台，由平台进行人声的合成，然后将生成的mp3文件下载到旭日X3派终端用扬声器进行播放，实现了为语言障碍人士发声，为“碍”发声。

# 百度大脑AI开放平台API接入实现语音合成的示例

def fetch_token():
    print("fetch token begin")
    params = {'grant_type': 'client_credentials',
              'client_id': API_KEY,
              'client_secret': SECRET_KEY}
    post_data = urlencode(params)
    if (IS_PY3):
        post_data = post_data.encode('utf-8')
    req = Request(TOKEN_URL, post_data)
    try:
        f = urlopen(req, timeout=5)
        result_str = f.read()
    except URLError as err:
        print('token http response http code : ' + str(err.code))
        result_str = err.read()
    if (IS_PY3):
        result_str = result_str.decode()

    print(result_str)
    result = json.loads(result_str)
    print(result)
    if ('access_token' in result.keys() and 'scope' in result.keys()):
        if not SCOPE in result['scope'].split(' '):
            raise DemoError('scope is not correct')
        print('SUCCESS WITH TOKEN: %s ; EXPIRES IN SECONDS: %s' % (result['access_token'], result['expires_in']))
        return result['access_token']
    else:
        raise DemoError('MAYBE API_KEY or SECRET_KEY not correct: access_token or scope not found in token response')


"""  TOKEN end """

if __name__ == '__main__':
    token = fetch_token()
    tex = quote_plus(TEXT)  # 此处TEXT需要两次urlencode
    print(tex)
    params = {'tok': token, 'tex': tex, 'per': PER, 'spd': SPD, 'pit': PIT, 'vol': VOL, 'aue': AUE, 'cuid': CUID,
              'lan': 'zh', 'ctp': 1}  # lan ctp 固定参数

    data = urlencode(params)
    print('test on Web Browser' + TTS_URL + '?' + data)

    req = Request(TTS_URL, data.encode('utf-8'))
    has_error = False
    try:
        f = urlopen(req)
        result_str = f.read()

        headers = dict((name.lower(), value) for name, value in f.headers.items())

        has_error = ('content-type' not in headers.keys() or headers['content-type'].find('audio/') < 0)
    except  URLError as err:
        print('asr http response http code : ' + str(err.code))
        result_str = err.read()
        has_error = True

    save_file = "error.txt" if has_error else 'result.' + FORMAT
    with open(save_file, 'wb') as of:
        of.write(result_str)

    if has_error:
        if (IS_PY3):
            result_str = str(result_str, 'utf-8')
        print("tts api  error:" + result_str)

    print("result saved as :" + save_file)
# 骨架绑定的可视化

draw_landmarks(frame, hand_local)
brect = draw_bounding_rect(frame, hand_local)

文字转写模块通过旭日X3派外接麦克风进行收音，API接入后将录制的mp3文件上传，通过云端语音平台实时转写为文字后显示到旭日X3派终端的屏幕上。最后利用python的多线程将手势识别，语音播报，文字转写同时运行，至此，实现了聋哑人士与普通人的双向无障碍沟通交流。

三、效果展示

得益于旭日X3派的强大算力，系统对手势的识别展示并播报十分灵敏，画面流程度也得到保障（温馨提示：长时间运行请准备小风扇给开发板降温哦）。

四、性能测试

系统测试方案：将训练好模型导入旭日X3派中，接入电源后等待初始化完成，由小组成员们随机在镜头前做出27个国家通用手语，将翻译终端识别播报的准确率记录，同时将识别的总时长记录收集。

测试数据如下：

结果分析：实验数据表明，27个国家通用手语随机检验的识别准确率均在90%以上，单次执行时间也均在1秒之内。

结论：手语翻译终端有很高的实时性，充分保障聋哑残障人士的无障碍沟通交流。

本文转自地平线开发者社区
原作者：鑫辰大海王
原链接：（完整文档及代码点击此处一键直达）