\u200E
没有钢琴也可实现弹奏自由?实时在Jetson上运行单阶段手指关键点模型
发布日期:2023-01-12T08:58:07.000+0000 浏览量:842次

钢琴是人类创作音乐的经典乐器,程序是实现创意的工具之魂。今天我给大家分享用程序实现的桌上钢琴师项目。本项目基于飞桨实现一个虚拟钢琴,让大家可以在任意平面上弹奏钢琴,实现弹奏自由。
该项目的原理是利用手部关键点检测模型识别手的关键点,获取指尖点在画面的坐标位置。当指尖关键点跨过虚拟钢琴键的黄色响应线,即播放该琴键的音。

项目方案

1)使用摄像头获取桌面上手指的实时画面;
2)手指关键点模型识别画面中手指指尖的x方向与y方向坐标;
3)比较当前每个手指指尖的y方向坐标与校准时的y方向坐标,判定某个手指尖是否做了敲击动作;
4)根据敲击动作的指尖的x方向坐标来判定具体按了哪个键;

5)通过pygame的UI显示按键效果,并播放对应的琴键音。

项目特点

1)基于飞桨实现轻量化的单阶段关键点识别模型。由于边缘设备算力紧张,为此,在运行实时手指关键点识别模型时,将手指识别简化为只识别5个指尖,不区分左右手。
https://aistudio.baidu.com/aistudio/projectdetail/4915699
2)用pygame作为主UI框架。实时显示摄像头的画面及提示UI,画面中拍到的手指在桌面上敲击,即用户敲击虚拟琴键时,立即播放对应钢琴音。

3)使用生产者-消费者模式,充分利用Python的多进程,实现高效实时的画面显示、模型推理及结果反馈,在端侧实现较好的体验。


模型推理
硬件准备—摄像头布置
  • 摄像头垂直立于桌面,拍摄角度平行于桌面
因本项目使用的是2D Hand Keypoint模型,通过识别手指在画面中的y方向和x方向的位置来判断手指尖是否有敲击动作以及敲击哪个琴键,因此,摄像头需要垂直立于桌面上,这样能最好地拍摄到敲击桌面的情况。摄像头拍摄角度水平平行于桌面,点击位置可以通过初始化校准来自动调节,这样能确保较好的交互性。 

  • 摄像头可选用普通USB网络摄像头,最好清晰度高一点

本项目选用无畸变摄像头,好处是无需处理畸变问题,缺点是画面拍摄的画幅不够大,无法对应钢琴的88键。而选用大广角的摄像头会有畸变,虽然可以通过OpenCV的四角纠正校准成几乎无畸变的画面,但运算量会增大,响应延时会增大。感兴趣的同学也可以尝试。
算法选型
该任务可以考虑使用3D Hand Keypoint Detection算法或2D Hand Keypoint Detection算法。如果考虑摄像头空间位置及角度,可考虑用3D Hand Keypoint Detection算法计算指尖三维空间位置,精度应该更高,受摄像头角度影响更小。使用2D Hand Keypoint Detection算法则需要通过固定摄像头位置及角度,才能实现同样的功能。
因本项目需要重点考虑算力问题,因此使用了2D Hand Keypoint Detection算法。基于2D Hand Keypoint Detection的算法也有很多。PaddleHub中本身就已集成了手部姿态模型,AI Studio上也有大佬放出了基于ResNet50直接回归手部关键点的项目。在多次尝试后,感觉速度与精确度还有提升的空间,因此我使用飞桨框架,基于CenterNet魔改了一版手指关键点模型。
下面对上述3个模型进行简单介绍。

hand_pose_localization模型

模型源自CMU的OpenPose开源项目,目前已经集成到PaddleHub中。

https://www.paddlepaddle.org.cn/hubdetail?name=hand_pose_localization&en_category=KeyPointDetection

在该项目的实际操作中,手指关键点识别效果比较一般,这与拍摄角度对应的训练数据比较少有关,且无法基于PaddleHub进行迁移训练。

飞桨实现手部21个关键点检测模型

该模型是ID为“星尘局”的同学在AI Studio上开源的模型。我测试了一下,效果比上述方案好一些,且可以继续训练或进行迁移训练。但其是基于ResNet50直接做回归,准确率和实时性还有待提升。
https://aistudio.baidu.com/aistudio/projectdetail/2235290

基于CenterNet的手部关键点模型

  • 基于CenterNet模型的魔改

基于上述模型情况,自己使用飞桨框架魔改了一版CenterNet关键点模型,添加了基于heatmap识别landmark的分支。本方案类似于DeepFashion2的冠军方案,如下图所示,DeepFashion2的方案基于CenterNet上添加了Keypoint识别。本方案与之类似,由于任务相对简单,并不需要求出bbox,因此删减了Object size的回归。具体代码实现将会公开在AI Studio项目。

https://aistudio.baidu.com/aistudio/projectdetail/4915699

  •  手部5个指尖关键点
为了更好地在边缘端部署,把原来手部单手21个关键点简化为只训练或推理5个手指指尖点,缩减网络训练及推理的时间。
  • 不区分左右手
因本项目应用于弹钢琴,左右手并不影响项目的结果,就没有区分左手或右手。
训练数据

训练数据集来自于Eric.Lee的handpose_datasets_v2数据集,在handpose_datasets_v1的基础上增加了左右手属性"handType": "Left" or "Right",数据总量为38w+。

https://aistudio.baidu.com/aistudio/datasetdetail/162171/0
程序运行流程
程序整体使用生产者-消费者模式,分为三个模块:输入模块、手部关键点预测模块、主显示及UI处理按键响应模块。
输入模块放在子进程是“生产者”,输入的图片加入到可跨进程读写的queue中,给到主进程的消费者。“消费者”包含关键点预测模块,预测手指关键点结果与画面及UI进行叠加,通过pygame来显示。
程序采用多进程处理,输入图片是一个进程,模型推理与UI响应是一个进程,能更高效运行,避免出现卡顿。

输入模块(生产者)

使用OpenCV的cv2.videoCapture读取视频流或摄像头画面或视频。获得的画面放入dataQueue中等待处理,获得画面frame,添加到dataQueue中。

手部关键点预测模块(消费者)

把pygame作为呈现端,摄像头画面、叠加的UI或提示、按键响应均通过pygame实现。

主UI模块

本项目使用pygame作为UI呈现端。pygame播放声音更灵活,可同时播放多个声音。 
   
     
import pygamefrom pygame.localsimport * from sys  import exitimport sys
pathDict={}
pathDict[ 'hand']= '../HandKeypoints/' for path  in pathDict.values():
    sys.path.append(path) import cv2import timefrom collections  import dequefrom PIL importImageimport tracebackfrom multiprocessing  import Queue,Processfrom ModuleSound  import effectDict # from ModuleHand import handKeypointsimport CVTools as CVTimport GameTools as GTfrom ModuleConsumer import FrameConsumer
from predict7  import CenterNetfrom ModuleInput  import  FrameProducerimport numpy  as np
pygame.init()
defframeShow(frame,screen):

#
# timeStamp = cap.get(cv2.CAP_PROP_POS_MSEC)
# frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    frame=np.array(frame)[:,:,:: -1]
#print('frame',frame.shape)
    frame = cv2.transpose(frame)
    frame = pygame.surfarray.make_surface(frame)
    screen.blit(frame, ( 00))
    pygame.display.update()
# return timeStamp
defresetKeyboardPos(ftR,thresholdY):
    print( 'key SPACE',ftR)
iflen(ftR)> 0:
        ftR=np.array(ftR)

        avrR=np.average(ftR[:, 1])
        thresholdY=int(avrR)
        print( 'reset thresholdY',thresholdY)
return thresholdY
defkeyboardResponse(prodecer,ftR,thresholdY):

for event  in pygame.event.get():
if event.type == pygame.QUIT:
            prodecer.runFlag =  False
            exit()
elif event.type == pygame.MOUSEBUTTONUP:
            thresholdY=resetKeyboardPos(ftR,thresholdY)

elif event.type == pygame.KEYDOWN:
if event.key == pygame.K_ESCAPE:
                prodecer.runFlag =  False
                exit()                
elif event.key == pygame.K_SPACE:
                thresholdY=resetKeyboardPos(ftR,thresholdY)
return thresholdYdefloopRun(dataQueue,wSize,hSize,prodecer,consumer,thresholdY,movieDict,skipFrame):
# tip position of hand down
    ftDown1={}
    ftDown2={}
# tip position for now
    ft1={}
    ft2={}
# tip position of hand up
    ftUp1={}
    ftUp2={}
#
    stageR= -1
    stageL= -1
    resXR= -1
    resXL= -1
    idsR= -1
    idsL= -1
#
    biasDict1={}
    biasDict2={}
    screen = pygame.display.set_mode((wSize,hSize))
# cap = cv2.VideoCapture(path)
    num= -1
    keyNums= 12
    biasy= 20
    result={}
whileTrue:
##

        FPS=prodecer.fps/skipFrame
if FPS > 0:
            videoFlag =  True
else:
            videoFlag =  False
##

##
# print('ppp', len(dataDeque), len(result))
if  dataQueue.qsize()== 0 :
            time.sleep( 0.1)
continue
# print('FPS',FPS)


elif dataQueue.qsize()> 0:
##
            image=dataQueue.get()
## flir left right:
            image=image[:,:: -1,:]
            result=consumer.process(image,thresholdY)
            resImage=result[ 'image']
            ftR=result[ 'fringerTip1']
            ftL=result[ 'fringerTip2']
#print('resImage',resImage.size)

        thresholdY=keyboardResponse(prodecer, ftR,thresholdY)

if videoFlag:

            num +=  1
if num ==  0:
                T0 = time.time()
                print( 'T0',T0,num*( 1./FPS))

try:           
            resImage = GT.uiProcess(resImage,ftR,ftL,biasy)

except Exception  as e:
            traceback.print_exc()

try:
            fringerR,keyIndexR,stageR=GT.pressDetect(ftR,stageR,thresholdY,biasy,wSize,keyNums)
            fringerL,keyIndexL,stageL=GT.pressDetect(ftL,stageL,thresholdY,biasy,wSize,keyNums)

#print('resR',idsR,resR,idsL,resL)
except Exception  as e:
            traceback.print_exc()
#

        GT.soundPlay(effectDict,keyIndexR)
        GT.soundPlay(effectDict,keyIndexL)
#
        resImage=GT.moviePlay(movieDict,keyIndexR,resImage,thresholdY)
        resImage=GT.moviePlay(movieDict,keyIndexL,resImage,thresholdY)

        frameShow(resImage, screen)
#clear result
        result={}

if __name__== '__main__':

    link= 0
    wSize= 640
    hSize= 480

    skipFrmae= 2

    dataQueue = Queue(maxsize= 2)
    resultDeque = Queue()
    thresholdY= 250
    producer = FrameProducer(dataQueue, link)
##
    frontPIL=Image.open( 'pianoPic/pianobg.png')
    handkeypoint=CenterNet(folderPath= '/home/sig/sig_dir/program/HandKeypoints/')
    consumer=FrameConsumer(dataQueue,resultDeque,handkeypoint,frontPIL)
    producer.start()
#
    moviePicPath= 'pianoPic/'
    movieDict=GT.loadMovieDict(moviePicPath)
#
    loopRun(dataQueue, wSize, hSize, producer,consumer,thresholdY,movieDict,skipFrmae)

部署
下载模型代码
下载本项目数据集的Piano.zip压缩包(或data/data181662/文件夹中的压缩包) 到本地并解压,可以根据不同具体情况选择对应的版本开始部署。
X86 / X64系统上运行
  • 安装飞桨及pygame等所需的库;
  • 解压data中的压缩包到目录中;
  • 进入HandPiano文件夹,运行python main.py程序即可。

在ARM设备,如Jetson NX上运行
  • 从0开始
如果从0开始部署飞桨到Jetson NX可参考“ゞ灰酱”的项目:
https://aistudio.baidu.com/aistudio/projectdetail/969585?channelType=0&channel=0
  • 下载 Paddle Inference库并安装

https://www.paddlepaddle.org.cn/inference/v2.4/guides/install/download_lib.html
  • 解压data中的压缩包到目录中

  • 进入 HandPiano 文件夹,python main.py运行程序即可


运行
按硬件配置设置好,按C部署,启动程序,看到如下UI。

  • 效果展示

https://www.bilibili.com/video/BV1wT411g7MU/
  • 一只手的五指放于桌面上,当5个手指点的圆形都出现后,点击鼠标左键进行“点击位置校准”。

  • “点击位置校准”后,会调整琴键UI位置,黄线会在指尖所成的直线处。

  • 当指尖的点越过黄线进入琴键位置后即触发该琴键的声音。

  • 标示有C1的就表示C大调的do,之后的2、3、4、5、6、7 就是对应C大调的简谱的 2(re)、3(mi)、 4(fa)、 5(sol)、 6(la)、 7(si)。C1左边的是降一个调的简谱的5、6、7。


    一起开始弹钢琴吧!


关注【飞桨PaddlePaddle】公众号
获取更多技术内容~