pos機開機一直初始化怎么解決

新聞資訊3 | 2023-09-03 11:42 | 投稿人：pos機之家

網上有很多關于pos機開機一直初始化怎么解決,你需要訓練一只眼球追蹤AI嗎的知識，也有很多人為大家解答關于pos機開機一直初始化怎么解決的問題，今天pos機之家(www.www690aa.com)為大家整理了關于這方面的知識，讓我們一起來看下吧!

本文目錄一覽：

1、pos機開機一直初始化怎么解決

pos機開機一直初始化怎么解決

圓栗子編譯整理

量子位出品 | 公眾號 QbitAI

啊，老板的眼神飛過來了，還不快切回工作界面？

從前，我們幾乎無從躲避來自身后的目光，但現在不一定了。

如果有個眼球追蹤AI，加上人臉識別，或許就能在被老板盯上的瞬間，進入奮力工作模式。

戲是有點多。不過眼球追蹤這件事，只要有電腦的前置攝像頭，再有個瀏覽器，真的可以做到。

來自慕尼黑的程序猿Max Schumacher，就用TensorFlow.js做了一個模型，你看向屏幕的某一點，它就知道你在看的是哪一點了。

我來訓練一把

這個模型叫Lookie Lookie，不用服務器，打開攝像頭就可以在瀏覽器上訓練，不出三分鐘就能養成一只小AI。

在下試了一試。

攝像頭拍到的畫面就顯示在屏幕左上角，臉上是綠色的輪廓，眼睛被一個紅色方框框住。

收集數據的方式很簡單，只要四處移動鼠標，眼睛跟著鼠標走，然后隨時按下空格鍵，每按一次就采集一個數據點。

第一波，只要按20次空格，系統就提示，可以點擊訓練按鈕了。

訓練好之后，屏幕上出現一個綠圈圈。這時候，我的眼睛看哪里，綠圈圈都應該跟著我走的。

可它似乎有些猶豫。系統又提示：現在數據不太夠，可能還沒訓練好，再取一些數據吧。

那好，再取個二三十張圖，訓練第二波。

果然，這次綠圈圈跑得自信了一些，左看右看它都馳騁 (比較) 如風。

相比之下，對于上下移動的目光，AI的反應似乎沒有那么敏銳。大概是因為，電腦屏幕上下距離不夠寬，眼球轉動不充分吧。

不過，在訓練數據如此貧乏的前提下，神經網絡也算是茁壯成長了。

需要注意的是，收集數據的時候，臉不要離屏幕太遠 (也不要倒立) 。

DIY全攻略 (上) ：架子搭起來

作為一個不需要任何服務器就能訓練的模型，如果要處理整幅整幅的視頻截圖，負擔可能有些重。

所以，還是先檢測人臉，再框出眼睛所在的部分。只把這個區域 (上圖右一) 交給神經網絡的話，任務就輕松了。

德國少年選擇了clmtrackr人臉檢測模型，它的優點也是跑起來輕快。

那么，先把它下下來：

https://raw.githubusercontent.com/auduno/clmtrackr/dev/build/clmtrackr.js

然后，打開一個空的html文件，導入jQuery, TensorFlow.js，clmtrackr.js，以及main.js。代碼如下：

1 <!doctype html>2 <html>3 <body>4 <script src="https://code.jquery.com/jquery-3.3.1.min.js"></script>5 <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.12.0"></script>6 <script src="clmtrackr.js"></script>7 <script src="main.js"></script>8 </body>9 </html>

這樣，準備活動就做好了。下面正式開始。

導出視頻流

第一步，要經過你 (用戶) 的同意，才能打開攝像頭，渲染視頻流，把畫面顯示在頁面上。

先寫這行代碼 (此處默認用的是最新版本的Chrome) ：

1 <video id="webcam" width="360px",height="auto" />

然后從main.js開始：

1 $(document).ready(function() {2 const video = $(\'#webcam\')[0];3 4 function onStreaming(stream) {5 video.srcObject = stream;6 }7 8 navigator.mediaDevices.getUserMedia({ video: true }).then(onStreaming);9 });

到這里，瀏覽器就該問你“要不要打開攝像頭”了。

找到你的臉

上文提到的clmtrackr.js人臉追蹤器，這里就出場。

先在const video=…下面，初始化追蹤器：

1 const ctrack = new clm.tracker();2 ctrack.init();

然后，在onStreaming() 里面，加下面這句話，就能讓追蹤器檢測視頻里的人臉了：

1 ctrack.start(video);

寫好這幾行，它應該已經能看出你的臉。不相信的話，就讓它描出來。

這里需要一個繪圖工具。用html里面的<canvas>標簽，在視頻上面重疊一張畫布。

在<video>下面，寫上這一串代碼：

1 <canvas id="overlay" width="360px",height="auto" />

這樣，就有了跟視頻尺寸一樣的畫布。CSS能保證畫布和視頻的位置完全吻合。

瀏覽器每做一次渲染，我們就要在畫布上畫點什么了。畫之前，要先把之前畫過的內容擦掉。

代碼長這樣，寫在ctrack.init() 下面：

1 const overlay = $(\'#overlay\')[0]; 2 const overlayCC = overlay.getContext(\'2d\'); 3 4 function trackingLoop() { 5 // Check if a face is detected, and if so, track it. 6 requestAnimationFrame(trackingLoop); 7 8 let currentPosition = ctrack.getCurrentPosition(); 9 overlayCC.clearRect(0, 0, 400, 300);10 11 if (currentPosition) {12 ctrack.draw(overlay);13 }14 }

現在，在onStreaming() 的ctrack.starg() 后面，調用trackingLoop() 。每一幀里，它都會重新運行。

這個時候，刷新一下瀏覽器，你的臉上應該有一個綠色又詭異的輪廓了。

眼睛截下來

這一步，是要在眼睛周圍畫個矩形框。

cmltrackr很善良，除了畫個輪廓之外，還有70個面部特征，我們可以選擇自己需要的部分。

這里，選23、28、24、26就夠了，在每個方向上，往外擴大5個像素。

然后，矩形框應該足夠覆蓋重要面部信息了 (不離太遠、不倒立) 。

現在，再拿另外一張畫布，來捕捉這個截下來的矩形。這張畫布50 x 25像素即可，只要把矩形框的尺寸調一下，就能放進去：

1 <canvas id="eyes" width="360px",height="auto" />

下面這個函數，會返回 (x,y) 坐標，以及矩形的長寬。給它輸入的是clmtrackr里面的位置陣列 (Position Array) ：

1 function getEyesRectangle(positions) { 2 const minX = positions[23][0] - 5; 3 const maxX = positions[28][0] + 5; 4 const minY = positions[24][1] - 5; 5 const maxY = positions[26][1] + 5; 6 7 const width="360px",height="auto" />

接下來，要把矩形框提取出來。具體方法是，在第一張畫布上把它描成紅色，再復制到第二張畫布上。

替換trackingLoop() 里面的if塊：

1 if (currentPosition) { 2 // Draw facial mask on overlay canvas: 3 ctrack.draw(overlay); 4 5 // Get the eyes rectangle and draw it in red: 6 const eyesRect = getEyesRectangle(currentPosition); 7 overlayCC.strokeStyle = \'red\'; 8 overlayCC.strokeRect(eyesRect[0], eyesRect[1], eyesRect[2], eyesRect[3]); 910 // The video might internally have a different size, so we need these11 // factors to rescale the eyes rectangle before cropping:12 const resizeFactorX = video.videowidth="360px",height="auto" />

現在，應該看得到眼睛周圍的紅色矩形框了。

DIY全攻略 (下) ：訓練與測試收集數據

眼球追蹤，收集數據的方法其實有很多種。不過，讓眼睛跟著鼠標走，是最簡單的，隨時按下空格都可以捕獲一幅圖像。

1 追蹤鼠標

想知道鼠標每時每刻都在什么位置，就給document.onmousemove加上一個EventListener。

這樣做還可以把坐標歸一化 (轉化到 [-1, 1] 的范圍里) ：

1 // Track mouse movement: 2 const mouse = { 3 x: 0, 4 y: 0, 5 6 handleMouseMove: function(event) { 7 // Get the mouse position and normalize it to [-1, 1] 8 mouse.x = (event.clientX / $(window).width="360px",height="auto" />

2 捕捉圖像

這里要做的是，按下空格鍵之后的任務：從畫布上捕捉圖像，儲存為張量。

TensorFlow.js提供了一個助手函數，叫tf.fromPixels() ，只要用它來儲存第二張畫布里走出的圖像，然后歸一化：

1 function getImage() { 2 // Capture the current image in the eyes canvas as a tensor. 3 return tf.tidy(function() { 4 const image = tf.fromPixels($(\'#eyes\')[0]); 5 // Add a batch dimension: 6 const batchedImage = image.expandDims(0); 7 // Normalize and return it: 8 return batchedImage.toFloat().div(tf.scalar(127)).sub(tf.scalar(1)); 9 });10 }

注意注意，雖然把所有數據做成一個大訓練集也是可以的，但還是留一部分做驗證集比較科學，比如20%。

這樣，便與檢測模型的性能，以及確認它沒有過擬合。

以下是添加新數據點用的代碼：

1 const dataset = { 2 train: { 3 n: 0, 4 x: null, 5 y: null, 6 }, 7 val: { 8 n: 0, 9 x: null,10 y: null,11 },12 }1314 function captureExample() {15 // Take the latest image from the eyes canvas and add it to our dataset.16 tf.tidy(function() {17 const image = getImage();18 const mousePos = tf.tensor1d([mouse.x, mouse.y]).expandDims(0);1920 // Choose whether to add it to training (80%) or validation (20%) set:21 const subset = dataset[Math.random() > 0.2 ? \'train\' : \'val\'];2223 if (subset.x == null) {24 // Create new tensors25 subset.x = tf.keep(image);26 subset.y = tf.keep(mousePos);27 } else {28 // Concatenate it to existing tensors29 const oldX = subset.x;30 const oldY = subset.y;3132 subset.x = tf.keep(oldX.concat(image, 0));33 subset.y = tf.keep(oldY.concat(mousePos, 0));34 }3536 // Increase counter37 subset.n += 1;38 });39 }

最后，把空格鍵關聯進來：

1 $(\'body\').keyup(function(event) {2 // On space key:3 if (event.keyCode == 32) {4 captureExample();56 event.preventDefault();7 return false;8 }9 });

至此，只要你按下空格，數據集里就會增加一個數據點了。

訓練模型

就搭個最簡單的CNN吧。

TensorFlow.js里面有一個和Keras很相似的API可以用。

這個網絡里，要有一個卷積層，一個最大池化，還要有個密集層，帶兩個輸出值 (坐標) 的那種。

中間，加了一個dropout作為正則化器；還有，用flatten把2D數據降成1D。訓練用的是Adam優化器。

模型代碼長這樣：

1 let currentModel; 2 3 function createModel() { 4 const model = tf.sequential(); 5 6 model.add(tf.layers.conv2d({ 7 kernelSize: 5, 8 filters: 20, 9 strides: 1,10 activation: \'relu\',11 inputShape: [$(\'#eyes\').height(), $(\'#eyes\').width="360px",height="auto" />

訓練開始之前，要先設置一個固定的epoch數，再把批尺寸設成變量 (因為數據集很小) ：

1 function fitModel() { 2 let batchSize = Math.floor(dataset.train.n * 0.1); 3 if (batchSize < 4) { 4 batchSize = 4; 5 } else if (batchSize > 64) { 6 batchSize = 64; 7 } 8 9 if (currentModel == null) {10 currentModel = createModel();11 }1213 currentModel.fit(dataset.train.x, dataset.train.y, {14 batchSize: batchSize,15 epochs: 20,16 shuffle: true,17 validationData: [dataset.val.x, dataset.val.y],18 });19 }

然后，在頁面上做個訓練按鈕吧：

1 <button id="train">Train!</button> 2 <style> 3 #train { 4 position: absolute; 5 top: 50%; 6 left: 50%; 7 transform: translate(-50%, -50%); 8 font-size: 24pt; 9 }10 </style>

還有JS：

1 <button id="train">Train!</button> 2 <style> 3 #train { 4 position: absolute; 5 top: 50%; 6 left: 50%; 7 transform: translate(-50%, -50%); 8 font-size: 24pt; 9 }10 </style>拉出來遛遛

綠色圈圈終于來了。AI判斷你在看哪，它就出現在哪。

先寫綠圈圈：

1 <div id="target"></div> 2 <style> 3 #target { 4 background-color: lightgreen; 5 position: absolute; 6 border-radius: 50%; 7 height: 40px; 8 width="360px",height="auto" />

然后，想讓綠圈圈動起來，就要定期把眼睛圖像傳給神經網絡。問它你在看哪，它就回答一個坐標：

1 function moveTarget() { 2 if (currentModel == null) { 3 return; 4 } 5 tf.tidy(function() { 6 const image = getImage(); 7 const prediction = currentModel.predict(image); 8 9 // Convert normalized position back to screen position:10 const targetwidth="360px",height="auto" />

間隔設的是100毫秒，不過也可以改的。

總之，大功告成。

鼻孔眼睛分不清？

眼球追蹤模型很有意思，不過還是有一些可愛的缺陷。

比如，算法還只能識別正面，臉稍微側一點AI就會困惑。

比如，有時候會把鼻孔識別成眼睛。

比如，必須整張臉都出現在畫面里，才能識別眼睛的所在，捂住嘴也不行。

△ 來自怪異君

Max也說，還有很多可以探索的空間。

自己訓練傳送門：

https://cpury.github.io/lookie-lookie/

代碼實現傳送門：