点击“开发者技术前线”，选择“星标????”
在看|星标|留言, 真爱
17世纪之前，欧洲人认为天鹅都是白色的，但忽然有一天，人们看到了第一只黑天鹅，随着这个黑天鹅的出现，人们认知彻底坍塌，一切秩序都面临着推倒重建。
黑天鹅寓意着不可预测的重大稀有事件，它完全在意料之外，一只黑天鹅的出现就足以颠覆一切！
新型冠状病毒成了2020年飞出来的一只“黑天鹅”！这只2020年的黑天鹅，让网课、视频会议、视频面试、视频问诊越来越火。
这些基于实时音视频技术（ 以下简称为 RTC, Real-Time Communication）的场景，支撑着我们在疫情期间工作、学习和生活可以继续，不至于停滞。不过 RTC 技术还可以做更多，只是需要我们去发掘。
在去年的 RTC 创新编程挑战赛上，有一支来自上海科技大学的团队将 RTC 技术与机器学习结合，开发了一个视觉辅助产品，可以帮助用户避障、导航、远程指引等。他们也希望这个作品不仅仅可以帮助那些有视觉障碍的人，同样可以服务于普通人。本文是来自这支团队的实践总结，源码也分享在了文末。
另外，今年的 RTC 创新编程挑战赛已经在线上开赛了！欢迎大家拉上小伙伴一起来线上约战！大赛准备了丰厚的大奖，点击阅读原文了解更多。
01
项目介绍
Guidoge是一套基于普通智能移动设备辅助视觉方案，它依托于Agora提供的实时音视视频与机器学习，主要面向视障人士、骑行爱好者等有着视觉辅助及拓展需求的群体。
我们通过RTC技术将移动端捕捉到的摄像头图像传回后端服务器，使用深度学习技术进行场景理解等操作，并通过语音和震动等方式与用户交互。这一产品无需复杂外设，仅凭一台手机和一根挂绳（Guidoge Loop）即可实现对象识别、语音反馈等丰富的视觉增强功能。
02
项目初心
AI是一项神奇的发明，特别是近些年深度学习领域中GAN、残差网络的提出让计算机视觉、语音合成等方向都有了长足的进步。
在调研最新的科研结果后，我想，既然我们已经有了合成自然语音以及表现出色的机器视觉技术，那么只要加上RTC实时传输，我们就能实现这个梦想：我们将移动设备随手挂在胸后，它便能在骑行时用自然的声音告知后方来车；对于视障人群，我们甚至不仅能让Guidoge告诉他们前方的障碍物，甚至能将天空中云的形状、街边发生的趣事都一一讲述给他们。Guidoge不只是一个面向视障群体开发的产品；它试图解决的是所有人共同面临的一个问题：视力的衰退与视觉面的不足。
03
主要功能
系统功能介绍
基于视觉辅助这一目的，Guidoge首先需要解决的问题就是障碍规避和导航。运行在移动设备上的客户端通过RTC接口将视频信息发送到Guidoge Server，在云端进行Depth estimation步骤得到前景的深度信息，并通过Object Detection进行障碍识别。除此之外，客户端程序还能根据预设路径，利用第三方导航服务的API获取路径方案。
Obstacle Detection（障碍检测）方案
在这一技术方案中不止计算机视觉技术大放异彩，自然、流畅的语音合成系统也是打造“有温度的交互”所必不可少的。片头视频中所采用的正是Google Tacotron2和WaveNet一同实现的TTS系统。
TTS（文字转语音）方案
系统功能框图
接受前端图像数据并进行深度预测
from PIL import Imageimport base64from io import BytesIOdef parse_img(url): url = url.split(',')[1] data = base64.decodebytes(url.encode()) return Image.open(BytesIO(data))from sanic import Sanicfrom sanic.response import jsonfrom sanic_cors import CORS, cross_originapp = Sanic()CORS(app)@app.route("/")async def test(request): return json({"hello": "world"})@app.route("/json", methods=['POST', 'OPTIONS'])def post_json(request): ret = None try: img = parse_img(request.json['answer']).transpose(Image.ROTATE_90) img.save('target_network.bmp') except: return json({ "received": True, "message": request.json }) ret = predict_depth(img, True, True)
返回预测的depth map
raw_data = base64.encodebytes(ret) return json({ "received": True, "message": 'data:image/jpg;base64,' + raw_data.decode()})
Web端对视频数据的预处理
const width = video.videoWidth, height = video.videoHeight canvas.width = width canvas.height = height context.drawImage(video, 0, 0, width, height)
const data = canvas.toDataURL('image/png') if (data.indexOf('base64') != -1) { result.style="position: absolute;left: 0;top: 0;width: 100vw;height: 100vh;background:white" postData(`${api_entrypoint}/json`, {answer: data}) .then(data => { console.log(data) resultimg.src = data.message cont() }) .catch(error => { console.error(error) cont() }) } else { cont() }
连接到Agora提供的RTC服务
client = AgoraRTC.createClient({mode: 'live'});client.init(appId.value, function () { client.join(channel_key, channel.value, null, function(uid) { camera = videoSource.value; localStream = AgoraRTC.createStream({streamID: uid, cameraId: camera, video: true, screen: false}); })});
值得一提的是，声网开发者中心提供的样例代码上手非常友好，虽然我自己此前未接触过音视频直播，但也成功实现了当天调通上线——当时我和队友凌晨三点开了瓶可乐庆祝，在实验场地带着运行了App的手机到处乱跑，是非常愉快的敏捷开发体验了！
04
未来展望
深度学习的进展使得AI技术呈现井喷式发展，大家都说短视频与直播是下一个互联网的“风口”，而5G套餐的第一个用户就产生数月前。我们深信这些技术本身就具有非常光明的前景，而从它们之间的交叉结合能诞生出更振奋人心的新事物。当然，深入实践的前提一定是对领域本身有足够深刻的理解，这很难离得开科技巨头和独角兽企业研发部门的通力合作。
对Guidoge方案本身，或许它离真正落地还有一段距离，这段距离可能是5G的全面应用，也有可能是边缘计算能力的提升。目前来说，Guidoge尝试的RTC+AI+云计算方案会是一种方向，为之后使用RTC服务的开发者们开拓思路，甚至吸引更多志同道合的战友一起深耕于这个实时化的、充满互动技术的未来（也是我们团队成员的美好愿望）。
我们相信，未来不会太远。
04
开源链接
Repo：https://github.com/AgoraIO-Community/2019-Hackathon-Works-Vision-Enhancement-Guidoge
编译与运行指南已附在GitHub Repo中。
作者姚沧力：上海科技大学FemtoTech工作室创始人之一，全栈开发者，热衷视频创作和各类新兴技术，现于声网 Agora 实习。
姚沧力主页：https://github.com/nekowink
作者张启煊：上海科技大学GeekPie社团社长，MARS实验室成员，热衷于计算机视觉与区块链技术。
张启煊主页：https://github.com/eEhyQx
05
One More Thing
最后由声网 Agora 主办的 RTC 2020 编程挑战赛春季赛已经开启报名了！本次大赛准备了丰厚的大奖，获奖者更有机会进入声网 Agora 应聘快速通道，快拉上小伙伴报名吧！
点击「阅读原文」，报名参赛
542
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
