用机器学习+实时音视频，实现一个移动端的视觉辅助应用

网课、视频会议、视频面试、视频问诊，这些基于 RTC 技术的场景，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 RTC 创新编程挑战赛上，有一支团队将声网 Agora SDK 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。我们邀请了这支来自上海科技大学的团队分享了他们的开发经验（源码在文末）。

另外，今年的 RTC 创新编程挑战赛已经在线上开赛了！相信大家已经在 SF 首页上看到了:) 欢迎大家拉上小伙伴一起来线上约战！我们准备了丰厚的大奖，☞戳这里了解更多。

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。

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。

主要功能

图：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。

图：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。

图：TTS（文字转语音）方案

图：系统功能框图

• 接受前端图像数据并进行深度预测：

from PIL import Image
import base64
from io import BytesIO
def parse_img(url):
   url = url.split(',')[1]
   data = base64.decodebytes(url.encode())
   return Image.open(BytesIO(data))
from sanic import Sanic
from sanic.response import json
from sanic_cors import CORS, cross_origin
app = 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！

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。

作者与源码

• 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，因大赛获奖，经过了声网应聘快速通道，现已于声网 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
• Repo：https://github.com/AgoraIO-Co...
• 编译与运行指南已附在GitHub Repo中。

One more thing

RTC 2020 编程挑战赛春季赛已经开启报名了！本次大赛从 3月10日 ~ 4月21日 进行报名、组队与开发，4 月 22 日至 4 月 24 日提交作品，4 月 25 日评奖，全程在线上进行。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！