基于計(jì)算機(jī)視覺(jué)和自動(dòng)化的智能教室無(wú)人檢測(cè)斷電系統(tǒng)設(shè)計(jì)

李宇圣，湯熠

（南華大學(xué) 計(jì)算機(jī)學(xué)院，湖南衡陽(yáng)， 421200）

0 引言

中國(guó)是世界上的最大電能消耗國(guó)家之一，高校作為國(guó)內(nèi)社會(huì)教育體系必不可缺的一環(huán)，其用電量在國(guó)內(nèi)占比逐年升高，達(dá)到社會(huì)總用電量30%以上，而教室用電量在學(xué)校的用電總量中又占有較大比例。我國(guó)大學(xué)高校主要采用自主開(kāi)放的管理模式，學(xué)生上課沒(méi)有固定的教室和座位，這給學(xué)生學(xué)習(xí)帶來(lái)了便利卻也一定程度上造成了浪費(fèi)。學(xué)校教室普遍存在人走，燈沒(méi)關(guān)的現(xiàn)象，極大程序上依賴管理員的及時(shí)管控，教室不必要的照明浪費(fèi)了學(xué)校供給的電能，這在很大程度上浪費(fèi)了人力資源和自然資源。加之目前廣大師生節(jié)電意識(shí)淡薄，高校經(jīng)常存在白天光照足夠強(qiáng)也開(kāi)燈照明，下課所有人離開(kāi)教室燈仍然亮著的現(xiàn)象，而且高校對(duì)公共教室的電力監(jiān)控制度不全，對(duì)電能的監(jiān)督力度不夠，負(fù)責(zé)燈光控制的管理人員很難兼顧所有教室，長(zhǎng)此以往造成了不必要的電能浪費(fèi)和經(jīng)濟(jì)損失。例如，晚自習(xí)期間有的教室只有一兩個(gè)學(xué)生甚至沒(méi)有學(xué)生，教室的全部燈光也一直處于照明狀態(tài)，類似普遍的現(xiàn)象造成了學(xué)校不必要的電能消耗，也增加了燈的更換頻率，從長(zhǎng)遠(yuǎn)的角度看不利于社會(huì)向節(jié)能型轉(zhuǎn)換和環(huán)境保護(hù)。

現(xiàn)階段市面上缺失利用教室攝像頭，采用機(jī)器視覺(jué)進(jìn)行人體檢測(cè)，同時(shí)又對(duì)區(qū)域電燈的智能控制的管理系統(tǒng)，綜上所述，我們?cè)O(shè)計(jì)了基于計(jì)算機(jī)視覺(jué)和自動(dòng)化的智能教室無(wú)人檢測(cè)斷電系統(tǒng)，較為新穎且創(chuàng)新程度較高，技術(shù)比較先進(jìn)更加智能人性化，同時(shí)能達(dá)到節(jié)能減排的效果。

1 系統(tǒng)硬件設(shè)計(jì)

本系統(tǒng)所設(shè)計(jì)的硬件模塊如圖1所示，由構(gòu)成時(shí)間控制模塊的DS1302實(shí)時(shí)時(shí)鐘芯片控制系統(tǒng)和教室檢測(cè)攝像頭的定時(shí)開(kāi)關(guān)，構(gòu)成圖像采集模塊的攝像頭結(jié)合圖像采集卡動(dòng)態(tài)地采集圖像，對(duì)整個(gè)教室進(jìn)行掃描檢測(cè)從而獲取教室的圖像信息，之后利用系統(tǒng)內(nèi)置的人體檢測(cè)和區(qū)域定位算法將目標(biāo)參數(shù)發(fā)送給多路繼電器，其再發(fā)送指令信號(hào)到具體的教室電路，控制教室的相應(yīng)電燈開(kāi)關(guān)。

圖1 硬件結(jié)構(gòu)框圖

■1.1 圖像采集模塊設(shè)計(jì)

本系統(tǒng)采用“攝像頭+圖像采集卡”的方式動(dòng)態(tài)采集圖像，并實(shí)現(xiàn)實(shí)時(shí)處理得到實(shí)時(shí)圖像數(shù)據(jù)。圖像采集卡即圖像卡，主要用途是將攝像頭的圖像視頻信號(hào)，以幀為單位運(yùn)送到計(jì)算機(jī)儲(chǔ)存器或者幀儲(chǔ)存器，從中實(shí)現(xiàn)了模擬信號(hào)到數(shù)字信號(hào)的轉(zhuǎn)換，這也稱之為A/D轉(zhuǎn)換，實(shí)現(xiàn)此過(guò)程的組件稱之為A/D轉(zhuǎn)換器。圖像卡結(jié)合PCI總線具有傳輸性能高，存取時(shí)延低，高兼容性等特點(diǎn)，圖像傳輸過(guò)程幾乎不占用CPU時(shí)間，方便了后續(xù)計(jì)算機(jī)視覺(jué)系統(tǒng)利用圖像卡采集到的圖像進(jìn)行高效處理分析。

圖像采集卡信號(hào)采集過(guò)程如圖2所示。

圖2 圖像采集卡信號(hào)采集過(guò)程

■1.2 時(shí)間控制模塊設(shè)計(jì)

我們根據(jù)一天二十四小時(shí)中不同時(shí)段的人員活動(dòng)情況來(lái)設(shè)置系統(tǒng)的運(yùn)行時(shí)間，其他時(shí)間段（如夜晚睡眠時(shí)間）內(nèi)系統(tǒng)關(guān)閉運(yùn)行，以達(dá)到降低能耗的效果。用戶也可根據(jù)實(shí)際情況自行設(shè)置系統(tǒng)運(yùn)行時(shí)間。

對(duì)于時(shí)間設(shè)置模塊的功能實(shí)現(xiàn)，我們采用DS1302時(shí)鐘模塊來(lái)完成。DS1302是達(dá)拉斯（DALLAS）公司出的一款涓流充電時(shí)鐘芯片，廣泛應(yīng)用于電話、傳真、便攜式儀器等產(chǎn)品領(lǐng)域。該芯片的主要性能指標(biāo)和優(yōu)點(diǎn)如下：

（1）DS1302實(shí)時(shí)時(shí)鐘芯片可以對(duì)年，月，日，時(shí)，分，秒進(jìn)行計(jì)時(shí)并具有自動(dòng)調(diào)整時(shí)間的能力。也可配置時(shí)間為24小時(shí)制或12小時(shí)制。

（2）DS1302共有8個(gè)引腳，擁有31字節(jié)數(shù)據(jù)存儲(chǔ)RAM，可提供用戶訪問(wèn)。

（3）串行I/O通信方式，簡(jiǎn)單SPI三線接口。使得管腳數(shù)量最少。

（4）DS1302這種時(shí)鐘芯片功耗一般都很低，它在工作電壓2.0V的時(shí)候，工作電流小于300nA，符合節(jié)能減排的要求。

相關(guān)引腳封裝選用與單片機(jī)實(shí)時(shí)時(shí)鐘系統(tǒng)設(shè)計(jì)如圖3所示。

圖3 單片機(jī)實(shí)時(shí)時(shí)鐘系統(tǒng)設(shè)計(jì)圖

■1.3 電器控制模塊設(shè)計(jì)

視覺(jué)檢測(cè)人員活動(dòng)情況并發(fā)出是否打開(kāi)各用電器的指令后，由電器控制模塊接收指令信號(hào)，并實(shí)時(shí)控制用電器電源的通斷。我們采用多路繼電器模塊來(lái)實(shí)現(xiàn)電燈開(kāi)關(guān)控制。多路繼電器相當(dāng)于一個(gè)以小電流去控制大電流的自動(dòng)開(kāi)關(guān)（5V可以控制220V），當(dāng)控制端沒(méi)電流流過(guò)或電流不夠大時(shí)，繼電器線圈就不吸合，常閉觸點(diǎn)閉合，常開(kāi)觸點(diǎn)斷開(kāi)；當(dāng)控制端有足夠的電流流過(guò)時(shí)，繼電器線圈就吸合，電磁感應(yīng)使銜鐵與永久磁鐵產(chǎn)生吸引和排斥力矩，常閉觸點(diǎn)斷開(kāi)，常開(kāi)觸點(diǎn)閉合。繼電器的工作特性能夠在教室電燈工作中有效保護(hù)電路，當(dāng)出現(xiàn)預(yù)料之外的錯(cuò)誤時(shí)其會(huì)及時(shí)切斷電源，避免電燈的損害，使其壽命增長(zhǎng)，所以其在電路系統(tǒng)中可以起到流自動(dòng)調(diào)節(jié)、安全保護(hù)、轉(zhuǎn)換電路的作用。本系統(tǒng)設(shè)計(jì)的多路繼電器內(nèi)部結(jié)構(gòu)如圖4所示。

圖4 多路繼電器電路設(shè)計(jì)

2 系統(tǒng)軟件設(shè)計(jì)

本系統(tǒng)軟件代碼獨(dú)立編譯，在PC機(jī)上實(shí)現(xiàn)機(jī)器視覺(jué)處理，進(jìn)行區(qū)域人員的定位，其中包括人體目標(biāo)檢測(cè)和區(qū)域判斷選擇兩個(gè)模塊，如圖5所示。分析階段首先提取數(shù)據(jù)庫(kù)中的圖像信息，視覺(jué)處理算法功能包括對(duì)采集到的視頻圖像流進(jìn)行預(yù)處理、人體檢測(cè)、區(qū)域劃分等。如果識(shí)別到教室有人則不會(huì)關(guān)閉對(duì)應(yīng)位置的燈，而是關(guān)閉其他區(qū)域多余的燈。如果檢測(cè)教室人數(shù)為0，10分鐘后系統(tǒng)將自動(dòng)傳輸信息給電器控制器，通過(guò)電器控制模塊關(guān)閉教室的所有電器，使之處于關(guān)閉狀態(tài)。

圖5 系統(tǒng)軟件算法框圖

■2.1 人體目標(biāo)檢測(cè)模塊

本系統(tǒng)采用HOG特征作為教室人體檢測(cè)的主要特征，考慮到教室人員檢測(cè)的實(shí)時(shí)性問(wèn)題，采用Boosting算法中的Adaboost算法作為HOG特征的分類器。具體檢測(cè)人體示例如圖6所示。

圖6 人體目標(biāo)檢測(cè)

2.1.1 HOG特征

梯度方向直方圖（Histogram of Oriented Gradient,HOG）特征是一種用于計(jì)算機(jī)視覺(jué)或圖像識(shí)別領(lǐng)域中描述圖像局部紋理圖像的特征，最早由法國(guó)研究人員Dalal提出并用于行人檢測(cè)，現(xiàn)已廣泛用于計(jì)算機(jī)視覺(jué)領(lǐng)域。物體的圖片主要靠形狀和紋理區(qū)分彼此，在本系統(tǒng)中HOG特征關(guān)注于教室圖像中不同人物的結(jié)構(gòu)和形狀，通過(guò)計(jì)算和統(tǒng)計(jì)圖像邊緣區(qū)域的梯度方向直方圖來(lái)構(gòu)成的特征。為了觀察這些特征，需要將圖片分成窗口，塊，單元和區(qū)間等的網(wǎng)格，窗口大小是塊的整數(shù)倍，在教室人員密集時(shí)圖像的塊與塊之間會(huì)存在重合，較好地實(shí)現(xiàn)了局部塊之間的相關(guān)性。HOG能較好地捕捉局部形狀信息，對(duì)幾何和光學(xué)變化都有很好的不變性，可以較好地表示人的輪廓信息。HOG特征最重要的是計(jì)算圖像梯度，即使用梯度算子對(duì)圖像做卷積運(yùn)算，求梯度的大小和方法為：

Gx(x,y),Gy(x,y),H(x,y)表示點(diǎn)(x,y)水平方向梯度，垂直方向梯度和圖像在該點(diǎn)的像素值，點(diǎn)(x,y)的梯度大小定義為：

點(diǎn)(x,y)的梯度方向定義為：

2.1.2 Adaboost算法

Adaboost算法全稱“Adaptive Boosting”自適應(yīng)增強(qiáng)算法，作為Boosting集成學(xué)習(xí)技術(shù)的一種拓展，它用于解決直接構(gòu)造強(qiáng)學(xué)習(xí)器十分困難的情況下，另辟蹊徑地通過(guò)組合多個(gè)弱分類器并按照不同的權(quán)重來(lái)構(gòu)建一個(gè)強(qiáng)分類器，其自適應(yīng)性在于：若一個(gè)弱分類器被錯(cuò)誤分類則其樣本權(quán)重增大，若被正確分類則樣本權(quán)重減小，分類完成后更新樣本權(quán)重，用上一輪結(jié)果訓(xùn)練下一次新的基本分類器，重復(fù)此過(guò)程直到達(dá)到符合要求的正確率或是指定的迭代次數(shù)，最終得到所有更新后弱分類器結(jié)合的強(qiáng)分類器。本系統(tǒng)中通過(guò)該強(qiáng)分類器在圖像中尋找人員目標(biāo)，并用矩形區(qū)域表示人員所在位置，取矩形框的中點(diǎn)坐標(biāo)來(lái)判斷人體目標(biāo)所在教室區(qū)域。AdaBoost算法的主要原理分為以下三步：

(1)首先初始化每個(gè)訓(xùn)練數(shù)據(jù)樣本的權(quán)值；

(2)訓(xùn)練弱分類器，根據(jù)分類結(jié)果正確與否減少或增大權(quán)值，更新樣本條件反復(fù)迭代直到臨界條件；

(3)將最終訓(xùn)練得到的各個(gè)弱分類器組合為強(qiáng)分類器。

■2.2 區(qū)域判斷與選擇模塊

本系統(tǒng)首先使用HOG進(jìn)行圖像特征提取，然后構(gòu)建SVM分類器進(jìn)行訓(xùn)練，識(shí)別教室人體位置后，本模塊采用區(qū)域網(wǎng)格劃分的SVM定位算法輸出教室人員所在的具體方位，后續(xù)發(fā)送信號(hào)至多路繼電器控制燈光開(kāi)關(guān)。本模塊的執(zhí)行流程如圖7所示，首先依據(jù)教室的燈光布置將其劃分為幾個(gè)不同的子區(qū)域，之后確定教室人員所在的具體區(qū)域，最后對(duì)該區(qū)域人員進(jìn)行準(zhǔn)確定位。

圖7 區(qū)域選擇與判斷模塊

2.2.1 支持向量機(jī)SVM

SVM（Support Vector Machine）支持向量機(jī)是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二分類或多分類的廣義線性分類器，基于VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理。

SVM的目標(biāo)是尋找一個(gè)最優(yōu)化超平面可以在空間中分割兩類數(shù)據(jù)，假設(shè)當(dāng)前存在一個(gè)線性樣本集(xi,yi),i=1,2…,n,x∈R2，其中y是類別標(biāo)號(hào)且y∈{ - 1,1}，d維空間中的判別函數(shù)為：

若線性分類線可以準(zhǔn)確分開(kāi)兩類樣本，則需要滿足式(5)：

應(yīng)用Lagrange乘子并滿足KKT條件：

最后可得最優(yōu)分類函數(shù)為：

本系統(tǒng)中SVM的訓(xùn)練過(guò)程主要分為以下三步：

（1）標(biāo)定SVM原始數(shù)據(jù)的具體定位，為每個(gè)采樣數(shù)據(jù)的位置點(diǎn)編號(hào)。

（2）通過(guò)直接法構(gòu)建SVM多分類器，直接在目標(biāo)函數(shù)上進(jìn)行修改，將多個(gè)分類面的參數(shù)求解合并到一個(gè)最優(yōu)化問(wèn)題中，較好規(guī)避了“數(shù)據(jù)集偏斜”問(wèn)題。

（3）本文主要采用二維網(wǎng)格算法確定最主要的懲罰參數(shù)C和核函數(shù)參數(shù)γ，C越大其泛化能力能弱，C越小容錯(cuò)性越高，泛化能力變強(qiáng)，而核函數(shù)能提高算法模型的維度，使得SVM有較好的非線性擬合能力。

2.2.2 基于區(qū)域網(wǎng)格劃分的SVM定位算法步驟

（1）對(duì)教室根據(jù)燈光劃分若干子區(qū)域。

（2）讀取教室人體所在位置參數(shù)。

（3）基于區(qū)域網(wǎng)格的初定位。根據(jù)讀取的人體位置參數(shù)和劃分的子區(qū)域進(jìn)行位置信息匹配，初步確定人體所在的區(qū)域。區(qū)域有可能是一個(gè)，也可能是多個(gè)。

（4）在區(qū)域網(wǎng)格內(nèi)進(jìn)SVM精確定位。使用訓(xùn)練好的SVM分類器對(duì)第四步確定的區(qū)域進(jìn)行更進(jìn)一步劃分，確定人體的精確坐標(biāo)位置，最終通過(guò)投票法確定定位結(jié)果。

3 系統(tǒng)實(shí)際展示

部分實(shí)際系統(tǒng)展示如檢測(cè)管理頁(yè)面和系統(tǒng)設(shè)置頁(yè)面如圖8所示。

圖8

4 分析與結(jié)論

本文設(shè)計(jì)了一個(gè)基于計(jì)算機(jī)視覺(jué)和自動(dòng)化的智能教室無(wú)人檢測(cè)斷電系統(tǒng)，我們首先采用“攝像頭+圖像采集卡”的方式動(dòng)態(tài)采集圖像，并基于HOG特征，Adaboost算法和SVM定位算法確定教室人員分布，最后結(jié)合多路繼電器和DS1302時(shí)鐘芯片來(lái)實(shí)現(xiàn)電燈開(kāi)關(guān)控制。這個(gè)系統(tǒng)充分利用了已有資源且精準(zhǔn)度高，成本低，能最大程度減少學(xué)校電能的浪費(fèi)，適用于絕大部分學(xué)校。本系統(tǒng)實(shí)現(xiàn)了軟硬件分離，控制器接收PC端傳來(lái)的指令后，實(shí)現(xiàn)分區(qū)斷電。因此應(yīng)用前景很廣，符合節(jié)能型校園的要求。