張殉 權家運

摘要：為了解決當下智能酒店出現無法人證合一以及資源不必要浪費問題，通過視頻流人臉識別技術與行人再識別技術應用，結合模糊集理論改進的深度置信網絡模型實現人體檢測，提出一種新型智能化的酒店入住管理系統(tǒng)模型。人臉識別技術、多數據融合技術以及“居民身份證網上功能憑證”，為模型提供了可靠的技術支持。結合模糊控制理論的深度置信網絡人體檢測模型相較于傳統(tǒng)人體感應模型，可觀察范圍由單一場景拓展到復雜多因素場景，有效排除了各種因素的干擾。

關鍵詞：人臉識別;行人再識別;多數據融合;模糊集理論;深度置信網絡

DOI：10.11907/rjdk.192252 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2020）006-0125-05

0 引言

在智能家居業(yè)蓬勃發(fā)展的今天，酒店智能化不容忽視。酒店客房一般通過辦理客房卡刷卡人住，通過插卡取電及開關直接控制燈光空調等電器設備。這要求人住者保管好房卡，出門隨身攜帶;若外出時房卡不慎丟失，會帶來麻煩，如果被別有用心之人撿到，容易造成一定安全隱患。并且，酒店辦理者與實際人住者身份不統(tǒng)一，也存在安全方面的隱患。因此，實現方便快捷以及節(jié)能的無卡酒店人住和供能控制尤為重要。

通過調查已有文獻可知，智能酒店是通過面部識別對房客進行認證識別，從而摒棄了對房卡的使用，但是忽略了房卡對于節(jié)能節(jié)水方面的影響。而實現房卡對于節(jié)能節(jié)水的控制，就需要通過人體感應實現“人在供電，人走去電”的特性，而傳統(tǒng)的人體感應模型只是針對樓道燈感應出水等單一因素和單一場景判定。如何應對復雜場景的人體感應是一大難點。

隨著科技的進步與發(fā)展，人臉識別技術、電子身份網證、多數據融合技術，以及各類傳感器的研究與開發(fā)日益完善，視頻流人臉識別技術可以實現對人住者的實時跟蹤判斷，在此基礎上延伸酒店智能化特性。本文提出基于模糊理論的傳感器融合人體感應技術，可以解決傳統(tǒng)人體感應模型單一因素、單一場景的限制。

1 酒店入住系統(tǒng)總體框架

本系統(tǒng)主要由身份識別認證模塊和房間人體檢測模塊構成。用戶通過移動設備預定酒店。預定成功后房客臉部信息進入酒店數據庫白名單。用戶進入酒店時被攝像頭識別認證，并通過攝像頭群進行行人再識別。實時定位用戶位置，并對用戶進行位置指引。當用戶到對應房間位置時，房間門鎖處于可打開狀態(tài)，通電模塊予以通電。在室內設有人體感應模塊，通過對人類居住房間的各種行為因素（諸如站立、睡覺、靜止不動、洗漱、走出房間等）進行模擬，同相應傳感器結合模擬得出數據。利用其中一部分數據進行學習，用其它數據進行檢測，創(chuàng)建出一個全面高效的人體感應模型，實現全面有效的人體檢測。

2 酒店入住管理系統(tǒng)關鍵技術

2.1 技術需求分析

針對傳統(tǒng)酒店管理系統(tǒng)出現的幾個問題，如何使用現有科技解決問題是本文主要研究內容：①解決房卡對于房客人住的限制;②實現人證合一，智能認證房客信息;③保證人住安全性。

房卡的功能主要有兩點：一是刷卡進房，二是插入取電?；诖朔治龇靠ㄌ匦詾椋浩湟凰侨俗≌呱矸菪畔⒌捏w現，其二作為供電信號，插卡取電保證了人住通電、人走斷電的供電模式。

基于房卡功能及特性分析，總結代替房卡所需技術需求如下：①酒店系統(tǒng)自動識別房客身份，智能開鎖;②酒店系統(tǒng)能夠自動識別房間是否有人，做到智能通斷電。

考慮實現人證合一及安全性所需技術如下：①店系統(tǒng)能夠存人房客身份認證后的臉部信息，作為人臉識別對比庫;②人的面部信息同身份證信息相結合，識別房客蹤跡，實時跟蹤判斷。

綜上所知，要代替房卡實現人證合一，借助視頻流人臉識別技術、行人再識別技術以及可靠的人體感應技術。

2.2 視頻流人臉識別技術關鍵算法Adaboost

人臉檢測?；贏daboost算法加以實現。Adaboost算法是一種自適應增強型算法，其優(yōu)點在于經過多次迭代，使得被錯誤分類的樣品權值不斷增大，而正確分類樣品的權值會減少。在每一次迭代中，都會加入一個弱分類器，當錯誤率的大小符合要求時得到最終強分類器。

Adaboost算法原理為：

（1）設當前訓練集如式（1）所示。

其中給定Y_i∈{-1，1}用于訓練樣本的種類標簽。

這時，需要給每一個樣本賦予相同權值，選定權值都為1/N，可得初始權值分布如式（2）所示。

迭代T次，先選取一個弱分類器計算該弱分類器在分布上的誤差，其誤差如式（3）所示。

式中，e_t代表第t次迭代時弱分類器的誤差率，H_t表示此時加人的基本分類器。

計算歸一化常數Z_t如式（4）所示。

對t+l時刻的權值分布進行更新如式（5）所示。

（3）對弱分類器進行整合如式（6）所示。

最后通過符號函數Sign作用得到強分類器如式（7）所示。

在視頻流人臉識別中，考慮到Adaboost算法敏感性問題，可以借助Opencv中膚色辨別方法排除人體中非膚色區(qū)域，這樣能夠大大減少訓練時間。

2.3 基于Camshift算法的行人再識別技術實現

在攝像頭識別房客后，要對房客的運動軌跡進行追蹤，這樣才能夠在酒店內精準定位到房客位置，而實現這一功能的關鍵算法便是由Meanshift算法改良后的Camshift算法，流程如圖2所示。

Camshifl算法是一種通過爬升概率分布梯度獲得最近主峰的無參方法，是Meanshift的改進版，在一階矩基礎上再次計算窗口各元素的二階矩。其算法原理如下：

（1）計算窗口的零階距。

運用Camshift算法可以有效解決目標遮擋以及變形，并且其時間復雜度低。但是它也有缺點，如當背景較為復雜時，會有較多的像素干擾，這時可能會導致跟蹤失敗。因此，對于酒店走廊背景設計應該以精簡為主。

2.4 結合模糊集理論改進深度置信網絡模型的人體檢測實現

當前，感應人體的傳感器種類繁多，主要運用于感應燈、安保措施等方面。人們主要運用單一傳感器對人體進行檢測，考慮的只是單一的、某一區(qū)域的靜態(tài)檢測，往往會存在很多局限性。常用人體感應傳感器及其局限性如表1所示。

由于單一傳感器的局限性以及特定場景的不可預測性，單一傳感器顯然無法可靠全面地判斷人是否在房間。而由于酒店的特殊性，其無法安裝攝像頭。因此，根據各種傳感器的優(yōu)缺點，結合特定場景放置其它傳感器，可以設計出一個穩(wěn)定可靠的人體感應模型。

模糊集是描述不確定事物以及不確定現象的一種數學手段，它可以將復雜的事物邏輯轉換為[0，1]區(qū)間上的邏輯，常用在模式識別中?？梢詫⒋嬖谧襞c不存在住戶的邏輯轉換為隸屬度，然后在深度學習中引入模糊集概念，這樣可以有效提高預測精準度。

在識別方面，深度置信網絡（DBN）是當今使用較多的一種深度學習結構，它由多個受限玻爾茲曼機（RBM）組合而成。如圖4所示，受限玻爾茲曼機由可見層和隱層單元組成，它是基于能量的概率模型，其概率分布如下：

其中，E（x，h，θ）代表能量函數;x和h為RBM網絡可見與隱藏的單元配置;b和c為偏移量;W為可視節(jié)點和隱藏節(jié)點的權重;θ為系統(tǒng)參數。

通過對人類居住房間的各種行為因素（諸如站立、睡覺、靜止不動、洗漱、走出房間等）進行模擬，同相應傳感器結合模擬得出數據集X。將數據集分成訓練集和測試集兩個部分：其中，X^R代表用于訓練的數據集，可表示為X^R=[x¹，x²，…x^m]，其中m代表訓練數目，X^T代表用于測試的數據集，可表示為X^T=[x¹，x²，…xⁿ]，其中n代表用于測試數據的數目，x=[x₁，x₂，…x_D]，D代表傳感器數目。

接下來對數據集進行訓練，DBN通過逐層非監(jiān)督學習構建而成，特征提取和分類步驟是使用相同的深度學習框架。通過是否標記來區(qū)分接受訓練以及未接受訓練的數據集，然后將未標記的數據集放人第一層RBM網絡，這里接收的是未經過處理的原始特征向量數據，訓練得到參數W₁。訓練完成后，將第一層RBM網絡的隱含層作為第二層網絡的可視層，輸出的處理數據作為第二層的輸人數據。繼續(xù)訓練網絡參數W₂，以此類推，得到參數集W。

在經過學習后，往往訓練好的模型并不能滿足需求，需要使用BP算法對整個訓練的DBN進行微調。將錯誤的信息反向傳遞至DBN中的所有RBM網絡，讓其更加準確地進行分辨。在分辨上，采用模糊集描述訓練結果為“房間有房客”或者是“房間無房客”的隸屬度。使用A（x）表示房間有人的隸屬度函數，B（x）表示房間無人的隸屬度函數，其中A（x）∈[0，1]，B（x）∈[0，1]。由于本次模型訓練結果只有“房間有房客”與“房間無房客”兩種，因此最后一層RBM網絡中h（x）的維度為2，這樣可以計算出這一層h（x）與類別分界線的距離D（x）。

對于數據集里單一的一條數據x^t（其中0t）>0，則代表此時有房客，否則便是房間內無房客。

隸屬度函數A（x）和B（x）與距離函數D（x）的關系可以由以下方程表示。

式中，β為A（x）由0變?yōu)?時x的距離，y為x軸上A（x）與B（x）的對稱中心點。輸入每組數據時會得到一個距離函數D（xⁿ），這樣多次輸入便可以估計出β和y的模糊最優(yōu)解。在得到最優(yōu)解后便可使用這些參數建立模糊深度結構，再次優(yōu)化權重參數w，將A（x）與B（x）作為輸入，如圖5所示。

3 酒店入住管理系統(tǒng)對比分析

通過對傳統(tǒng)酒店以及最近興起的智慧酒店人住管理系統(tǒng)進行分析，再同本文提出的人住管理系統(tǒng)進行比較，得出本文提出的人住管理系統(tǒng)優(yōu)勢及發(fā)展空間。

3.1 傳統(tǒng)酒店入住模式

傳統(tǒng)酒店采用持卡人住和持卡取電的人住管理模式，如圖6所示。房客持身份證到酒店前臺辦理人住手續(xù)，前臺通過將身份證信息傳遞給公安系統(tǒng)，后臺管理系統(tǒng)認證房客身份，認證完畢前臺給予房客房卡，房客持卡尋找房間，刷卡進房以及插卡取電，房客外出時拔卡斷電。

3.2 新型智慧酒店入住模式

隨著人臉識別技術的日益完善，傳統(tǒng)的酒店人住模式隨之改進，電子身份證的出現也促進了這一改進。如圖7所示，在新型智慧酒店里，用戶可以通過大廳自助辦理人住手續(xù)，沒有攜帶身份證時也可以通過人臉識別以及電子網證辦理人住手續(xù)，辦理好之后，用戶可以通過房間前的人臉識別裝置刷臉進人房間。

3.3 入住管理系統(tǒng)優(yōu)勢

通過對新舊管理模式進行對比研究發(fā)現，舊的酒店管理系統(tǒng)主要依靠人工辦理人住，房客人住以及取電完全依靠房卡，這樣的人住模式會帶來以下缺點：①若房卡遺落房間，將會對房客造成很大困擾;②房客外出時若房卡丟失，會造成較大安全問題（傳統(tǒng)房卡上會標有房間號）;③辦理人住人與實際人住人身份有時無法相統(tǒng)一;④辦理模式比較繁瑣，對人工依賴較大。新型智慧酒店解決了上述問題，但在節(jié)能取電方面還有待改進。本文采用視頻流人臉識別和行人再追蹤技術，讓房客無卡進入房間，并且可以同電梯及指示燈結合，做到智能引導房客進入房間，其應用的人體感應技術很好地解決了節(jié)能取電方面的問題。

4 結語

本文通過對Adboost算法、Camshm算法以及結合模糊理論深度置信網絡進行研究，提出了一種新型酒店人住管理系統(tǒng)，實現了人證合一、節(jié)能取電的效果。同時，針對新型智慧酒店對于資源節(jié)約上的短板，提出了一種新型的人體檢測方式，實現了人在供電、人走去電。通過該研究，解決了傳統(tǒng)人體傳感器對于場景的依賴，提高了檢測可靠性。