查 编译整理

量子位 出品 | 公众号 QbitAI

小时候的你在游戏中搓着手柄，在现实中是否也会模仿这《拳皇》的动作？用身体控制游戏角色的体感游戏很早就已出现，但需要体感手柄（Wii）或体感摄像头（微软Kinect）配合。而现在，笔记本就能帮你做到这一切！

最近，有一位名叫Minko Gechev的软件工程师实现了在笔记本上玩《真人快打》（Mortal Kombat），只需要一颗前置摄像头即可。

早在5年前，他就曾展示过体感玩格斗游戏的项目成果：

当时实现方案很简单，也没有利用时下流行的AI技术。但是这套算法离完美还相去甚远，因为需要单色画面背景作为参照，使用条件苛刻。

5年间，无论是网络浏览器的API，还是WebGL都有了长足的发展。于是这名工程师决定用TensorFlow.js来改进他的游戏程序，并在他个人Blog上放出了完整教程。

量子位对文章做了编译整理，主要内容是训练模型识别《真人快打》这款游戏主要有拳击、踢腿两种动作，并通过模型输出结果控制游戏人物做出对应动作。

以下就是他Blog的主要内容：

简介

我将分享用TensorFlow.js和MobileNet创建动作分类算法的一些经验，全文将分为以下几部分：

• 为图片分类收集数据
• 使用imgaug进行数据增强
• 使用MobileNet迁移学习
• 二元分类和N元分类
• 在浏览器中使用TensorFlow.js模型训练图片分类

简单讨论使用LSTM进行动作分类

我们将开发一种监督深度学习模型，利用笔记本摄像头获取的图像来分辨用户是在出拳、出腿或者没有任何动作。最终演示效果如下图：

理解本文内容需要有基本的软件工程和JavaScript知识。如果你有一些基本的深度学习知识会很有帮助，但非硬性要求。

收集数据

深度学习模型的准确性在很大程度上取决于训练数据的质量。因此，我们首要的目标是建立一个丰富的训练数据集。

我们的模型需要识别人物的拳击和踢腿，所以应当从以下三个分类中收集图像：

• 拳击
• 踢腿
• 其他

为了这个实验，我找到两位志愿者帮我收集图像。我们总共录制了5段视频，每段都包含2-4个拳击动作和2-4个踢腿动作。由于收集到的是视频文件，我们还需要使用ffmpeg将之转化为一帧一帧的图片：

ffmpeg -i video.mov $filename%03d.jpg

最终，在每个目录下，我们都收集了大约200张图片，如下：

注：除了拳击和踢腿外，图片目录中最多的是“其他”部分，主要是走动、转身、开关视频录制的一些画面。如果这部分内容太多，会有风险导致训练后的模型产生偏见，把应该归于前两类的图片划分到“其他”中，因此我们减少了这部分图片的量。

如果只使用这600张相同环境、相同人物的图片，我们将无法获得很高的准确度。为了进一步提高识别的准确度，我们将使用数据增强对样本进行扩充。

数据增强

数据增强是一种通过已有数据集合成新样本的技术，可以帮助我们增加数据集的样本量和多样性。我们可以将原始图片处理一下转变成新图，但处理过程不能太过激烈，好让机器能够对新图片正确归类。

常见的处理图片的方式有旋转、反转颜色、模糊等等。网上已有现成软件，我将使用一款由Python编写的imgaug的工具（项目地址见附录），我的数据增强代码如下：

np.random.seed(44)
ia.seed(44)
def main():
 for i in range(1, 191):
 draw_single_sequential_images(str(i), "others", "others-aug")
 for i in range(1, 191):
 draw_single_sequential_images(str(i), "hits", "hits-aug")
 for i in range(1, 191):
 draw_single_sequential_images(str(i), "kicks", "kicks-aug")
def draw_single_sequential_images(filename, path, aug_path):
 image=misc.imresize(ndimage.imread(path + "/" + filename + ".jpg"), (56, 100))
 sometimes=lambda aug: iaa.Sometimes(0.5, aug)
 seq=iaa.Sequential(
 [
 iaa.Fliplr(0.5), # horizontally flip 50% of all images
 # crop images by -5% to 10% of their height/width
 sometimes(iaa.CropAndPad(
 percent=(-0.05, 0.1),
 pad_mode=ia.ALL,
 pad_cval=(0, 255)
 )),
 sometimes(iaa.Affine(
 scale={"x": (0.8, 1.2), "y": (0.8, 1.2)}, # scale images to 80-120% of their size, individually per axis
 translate_percent={"x": (-0.1, 0.1), "y": (-0.1, 0.1)}, # translate by -10 to +10 percent (per axis)
 rotate=(-5, 5),
 shear=(-5, 5), # shear by -5 to +5 degrees
 order=[0, 1], # use nearest neighbour or bilinear interpolation (fast)
 cval=(0, 255), # if mode is constant, use a cval between 0 and 255
 mode=ia.ALL # use any of scikit-image's warping modes (see 2nd image from the top for examples)
 )),
 iaa.Grayscale(alpha=(0.0, 1.0)),
 iaa.Invert(0.05, per_channel=False), # invert color channels
 # execute 0 to 5 of the following (less important) augmenters per image
 # don't execute all of them, as that would often be way too strong
 iaa.SomeOf((0, 5),
 [
 iaa.OneOf([
 iaa.GaussianBlur((0, 2.0)), # blur images with a sigma between 0 and 2.0
 iaa.AverageBlur(k=(2, 5)), # blur image using local means with kernel sizes between 2 and 5
 iaa.MedianBlur(k=(3, 5)), # blur image using local medians with kernel sizes between 3 and 5
 ]),
 iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)), # sharpen images
 iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)), # emboss images
 iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.01*255), per_channel=0.5), # add gaussian noise to images
 iaa.Add((-10, 10), per_channel=0.5), # change brightness of images (by -10 to 10 of original value)
 iaa.AddToHueAndSaturation((-20, 20)), # change hue and saturation
 # either change the brightness of the whole image (sometimes
 # per channel) or change the brightness of subareas
 iaa.OneOf([
 iaa.Multiply((0.9, 1.1), per_channel=0.5),
 iaa.FrequencyNoiseAlpha(
 exponent=(-2, 0),
 first=iaa.Multiply((0.9, 1.1), per_channel=True),
 second=iaa.ContrastNormalization((0.9, 1.1))
 )
 ]),
 iaa.ContrastNormalization((0.5, 2.0), per_channel=0.5), # improve or worsen the contrast
 ],
 random_order=True
 )
 ],
 random_order=True
 )
 im=np.zeros((16, 56, 100, 3), dtype=np.uint8)
 for c in range(0, 16):
 im[c]=image
 for im in range(len(grid)):
 misc.imsave(aug_path + "/" + filename + "_" + str(im) + ".jpg", grid[im])

每张图片最后都被扩展成16张照片，考虑到后面训练和评估时的运算量，我们减小了图片体积，每张图的分辨率都被压缩成100*56。

建立模型

现在，我们开始建立图片分类模型。处理图片使用的是CNN（卷积神经网络），CNN适合于图像识别、物体检测和分类领域。

迁移学习

迁移学习允许我们使用已被训练过网络。我们可以从任何一层获得输出，并把它作为新的神经网络的输入。这样，训练新创建的神经网络能达到更高的认知水平，并且能将源模型从未见过的图片进行正确地分类。

我们在文中将使用MobileNet神经网络（安装包地址见附录），它和VGG-16一样强大，但是体积更小，在浏览器中的载入时间更短。

在浏览器中运行模型

在这一部分，我们将训练一个二元分类模型。

首先，我们浏览器的游戏脚本MK.js中运行训练过的模型。代码如下：

const video=document.getElementById('cam');
const Layer='global_average_pooling2d_1';
const mobilenetInfer=m=> (p): tf.Tensor<tf.Rank>=> m.infer(p, Layer);
const canvas=document.getElementById('canvas');
const scale=document.getElementById('crop');
const ImageSize={
 Width: 100,
 Height: 56
};
navigator.mediaDevices
 .getUserMedia({
 video: true,
 audio: false
 })
 .then(stream=> {
 video.srcObject=stream;
 });

以上代码中一些变量和函数的注释：

• video：页面中的HTML5视频元素
• Layer：MobileNet层的名称，我们从中获得输出并把它作为我们模型的输入
• mobilenetInfer：从MobileNet接受例子，并返回另一个函数。返回的函数接受输入，并从MobileNet特定层返回相关的输出
• canvas：将取出的帧指向HTML5的画布
• scale：压缩帧的画布

第二步，我们从摄像头获取视频流，作为视频元素的源。对获得的图像进行灰阶滤波，改变其内容：

const grayscale=(canvas: HTMLCanvasElement)=> {
 const imageData=canvas.getContext('2d').getImageData(0, 0, canvas.width, canvas.height);
 const data=imageData.data;
 for (let i=0; i < data.length; i +=4) {
 const avg=(data[i] + data[i + 1] + data[i + 2]) / 3;
 data[i]=avg;
 data[i + 1]=avg;
 data[i + 2]=avg;
 }
 canvas.getContext('2d').putImageData(imageData, 0, 0);
};

第三步，把训练过的模型和游戏脚本MK.js连接起来。

let mobilenet: (p: any)=> tf.Tensor<tf.Rank>;
tf.loadModel('http://localhost:5000/model.json').then(model=> {
 mobileNet
 .load()
 .then((mn: any)=> mobilenet=mobilenetInfer(mn))
 .then(startInterval(mobilenet, model));
});

在以上代码中，我们将MobileNet的输出传递给mobilenetInfer方法，从而获得了从网络的隐藏层中获得输出的快捷方式。此外，我还引用了startInterval。

const startInterval=(mobilenet, model)=> ()=> {
 setInterval(()=> {
 canvas.getContext('2d').drawImage(video, 0, 0);
 grayscale(scale
 .getContext('2d')
 .drawImage(
 canvas, 0, 0, canvas.width,
 canvas.width / (ImageSize.Width / ImageSize.Height),
 0, 0, ImageSize.Width, ImageSize.Height
 ));
 const [punching]=Array.from((
 model.predict(mobilenet(tf.fromPixels(scale))) as tf.Tensor1D)
 .dataSync() as Float32Array);
 const detect=(window as any).Detect;
 if (punching >=0.4) detect && detect.onPunch();
 }, 100);
};

startInterval正是关键所在，它每间隔100ms引用一个匿名函数。在这个匿名函数中，我们把视频当前帧放入画布中，然后压缩成100*56的图片后，再用于灰阶滤波器。

在下一步中，我们把压缩后的帧传递给MobileNet，之后我们将输出传递给训练过的模型，通过dataSync方法返回一个一维张量punching。

最后，我们通过punching来确定拳击的概率是否高于0.4，如果是，将调用onPunch方法，现在我们可以控制一种动作了：

用N元分类识别拳击和踢腿

在这部分，我们将介绍一个更智能的模型：使用神经网络分辨三种动作：拳击、踢腿和站立。

const punches=require('fs')
 .readdirSync(Punches)
 .filter(f=> f.endsWith('.jpg'))
 .map(f=> `${Punches}/${f}`);
const kicks=require('fs')
 .readdirSync(Kicks)
 .filter(f=> f.endsWith('.jpg'))
 .map(f=> `${Kicks}/${f}`);
const others=require('fs')
 .readdirSync(Others)
 .filter(f=> f.endsWith('.jpg'))
 .map(f=> `${Others}/${f}`);
const ys=tf.tensor2d(
 new Array(punches.length)
 .fill([1, 0, 0])
 .concat(new Array(kicks.length).fill([0, 1, 0]))
 .concat(new Array(others.length).fill([0, 0, 1])),
 [punches.length + kicks.length + others.length, 3]
);
const xs: tf.Tensor2D=tf.stack(
 punches
 .map((path: string)=> mobileNet(readInput(path)))
 .concat(kicks.map((path: string)=> mobileNet(readInput(path))))
 .concat(others.map((path: string)=> mobileNet(readInput(path))))
) as tf.Tensor2D;

我们对压缩和灰阶化的图片调用MobileNet，之后将输出传递给训练过的模型。 该模型返回一维张量，我们用dataSync将其转换为一个数组。 下一步，通过使用Array.from我们将类型化数组转换为JavaScript数组，数组中包含我们提取帧中三种姿势的概率。

如果既不是踢腿也不是拳击的姿势的概率高于0.4，我们将返回站立不动。 否则，如果显示高于0.32的概率拳击，我们会向MK.js发出拳击指令。 如果踢腿的概率超过0.32，那么我们发出一个踢腿动作。

以下就是完整的演示效果：

动作识别

如果我们收集到更大的多样性数据集，那么我们搭建的模型就能更精确处理每一帧。但这样就够了吗？显然不是，请看以下两张图：

它们都是踢腿动作，但实际上在视频中有很大的不同，是两种不同的动作。

为了识别动作，我们还需要使用RNN（循环神经网络），RNN的优势在处理时间序列问题，比如

• 自然语言处理，词语的意思需要联系上下文
• 根据历史记录，预测用户将要访问的页面
• 识别一系列帧中的动作

若要识别动作，我们还需要将数帧画面输入CNN，再将输出结果输入RNN。

总结

在本文中，我们开发了一个图像分类模型。为此，我们手动提取视频帧并收集数据集，将它们分成三个不同的类别，然后使用imgaug进行数据增强。

之后，我们通过MobileNet来解释什么是迁移学习，以及我们如何利用MobileNet。经过训练，我们的模型达到了90％以上的准确率！

为了在浏览器中使用我们开发的模型，我们将它与MobileNet一起加载，并从用户的相机中每100ms取出一帧，识别用户的动作，并使用模型的输出来控制《真人快打3》中的角色。

最后，我们简单讨论了如何通过RNN来进一步改进我们的模型。

我希望你们能够和我一样喜欢这个小项目。

附录：

原文地址：

https://blog.mgechev.com/2018/10/20/transfer-learning-tensorflow-js-data-augmentation-mobile-net/

原动作识别项目地址：

https://github.com/mgechev/movement.js

JS版《真人快打》项目地址：

https://github.com/mgechev/mk.js

imgaug：

https://github.com/aleju/imgaug

MobileNet神经网络：

https://www.npmjs.com/package/@tensorflow-models/mobilenet

— 完 —