林冠宇 張卓淵 劉賢穩(wěn) 謝佳銘

摘要：室內人員信息是建筑智能化的重要決策依據之一。為此設計一種基于超聲測距傳感器陣列的室內人員感知系統(tǒng)，在無人的狀態(tài)下采集數據作為參考數據進行建模，然后將模型與待檢測數據進行比對。計算模型與待檢測數據的相似度，可以判斷檢測區(qū)域內是否有人。實驗結果表明，采用平滑去噪算法的模型能夠有效區(qū)分待檢測數據是有人狀態(tài)或者無人狀態(tài)。該方案具有低隱私侵犯性，且易于實現。

關鍵詞：人員感知;超聲傳感器;上位機

中圖分類號：TP391? ?文獻標識碼：A

文章編號：1009-3044（2022）16-0077-04

1引言

室內人數估計作為建筑智能化的重要決策依據，已成為智能建筑領域的研究熱點，而判斷室內人數的方法有許多[1]。目前室內人數估計的方法有兩大類：一類是基于圖像采集器的計算機視覺方法，該方法采用的是圖像傳感器采集檢測區(qū)域內信息，繼而基于目標特征或度量統(tǒng)計的方法進行人數統(tǒng)計[2]，該方案采集的圖像傳感器采集的信息量豐富，能夠以高準確率計算出檢測范圍內的人數，但其具有隱私侵犯性，在半開放性質的場所須經過嚴格審查及權衡社會公共利益和公民隱私利益后做出規(guī)劃，在私密場所更是禁止安裝圖像采集設備[3]。在部分私密場所，如旅館房間、辦公室等，其智能化，需要獲知人數信息，該場景應用并不需要用于更精細的身份識別的數據量，測量范圍不會有巨大的人流量，只需要檢測有無人存在而不需要知道具體人數。另一類則是非計算機視覺方法，包括基于被動紅外的方案[4]、基于超聲波的方案[5]、基于無線信號的[6]，這類方法具有低隱私侵犯的特點，適用于上述私密場所。

超聲測距是一種非接觸式檢測方式，因具有對人體無害、成本低廉、檢測速度快等優(yōu)點，被廣泛用于交通、醫(yī)療等領域。將多個超聲傳感器組成陣列，可以采集類似低分辨率深度圖像的距離數據，避免了隱私侵犯問題。通過機器學習算法計算采集的數據，可提高人數計算的準確率。文獻[7]通過在天花板和側面一面墻壁都平鋪超聲傳感器，文獻[8]通過在腳踝附近高度排列一行超聲傳感器，實現人的姿態(tài)的檢測，用于檢測人是否跌倒，但需要大面積場地無其他物體阻擋，難以實際應用。文獻[9-10]通過在檢測區(qū)域天花板平鋪超聲傳感器，實現了人的姿態(tài)、行動軌跡的檢測，但其占用天花板面積大，且算法只適用于平地。文獻[11-12]都使用了超聲測距傳感器實現了室內的定位，雖然目標精確，但都要求被測目標按一定的要求發(fā)射信號，該方案適用于工業(yè)，不適合在室內用于檢測人數。文獻[5]使用了超聲波傳感器對建筑內人數，通過傳遞信號密度的變化判斷人員位置等信息，但受環(huán)境因素影響大，判斷準確度低。

在使用超聲測距陣列進行室內人數檢測時，實際應用場景很少是空無一物的平地，大多有著桌椅等大件辦公用具。本文采用有一定探測角度的超聲陣列傳感器進行探測，可以避免占據大面積的天花板或墻壁，同時基于在無人狀態(tài)下采集的數據建立數學分布，根據新的測量結果判斷一個區(qū)域內是否有人。實驗結果表明，結合本文的算法模型，超聲陣列傳感器確實能分辨探測區(qū)域內有無人存在，實現人員感知功能。

2超聲測距技術概述

HC-SR04超聲波模塊測距的原理很簡單，如圖1所示。測量時，給模塊TRIG引腳一個不少于10μs的高電平信號，模塊將會發(fā)射8個40KHz方波，如果矩形波碰到障礙物反射回來被模塊接收到，ECHO就會返回高電平，高電平寬度就是超聲波往返的時間t，結合超聲波在當前溫度和氣壓下的速度[ν]，可得到測量距離為：

[L=12νt]

3超聲傳感器陣列模塊硬件設計

多個超聲傳感器組合成超聲傳感模塊可以實現在不侵犯隱私的前提下實現人員感知，智能建筑可以使用該超聲傳感模塊獲取的信息對電器進行調節(jié)，以減少不必要的能耗[6]。

傳感器模塊連接方式如圖 2所示，25個超聲傳感器[S11， S12， …， S55]組成5×5的陣列，其中[Sij]表示第i行第j列的傳感器。每個傳感器通過VCC、TRIG、ECHO、GND這4個引腳連接著對應的微控制器，如圖 3所示。由于實驗使用的微控制器Raspberry Pi Pico的GPIO引腳有限，單個微控制器無法連接所有傳感器，因此由多個微控制器協(xié)調工作，其中上位機U與微控制器[B1， B2， B3]之間相互連接，通過UART協(xié)議傳輸數據和命令，如圖 4所示。

工作時，上位機U向[B1]發(fā)送啟動命令0x00，繼而[B1]向[B2]發(fā)送啟動命令0x00，[B2]向[B3]發(fā)送啟動命令0x00，[B3]收到命令后，向[S55]的TRIG引腳發(fā)送10μs的高電平信號，并等待[S55]的ECHO的引腳返回高電平，測得其高電平寬度后，以同樣的方式啟動其余傳感器以獲得對應數據。傳感器的工作順序為[S55， …， S51， S45， …， S41]。[B3]采集的數據為：

[P3=p41p42p43p44p45p51p52p53p54p55]

[B3]將上述數據[P3]以[i，j，p，t]的格式打包成字節(jié)數據返回給[B2]，其中i是傳感器所在的行，j是傳感器所在的列，p是傳感器ECHO引腳的高電平寬度，t是收到高電平信號時的時間。[B2]收到返回數據后，相繼啟動[S35， …， S31， S25， …， S21]獲得測量數據，獲得數據：

[P2=p21p22p23p24p25p31p32p33p34p35]

[B2]獲得數據[P2]并后將[P2]，[P3]一同以[i，j，p，t]的格式打包返回給[B1]。[B1]接收到數據后，相繼啟動[S15， S14， …， S11]，得到測量數據：

[P1=p11p12p13p14p15]

[B2]獲得數據[P1]并后將[P1]，[P2]，[P3]一同以[i，j，p，t]的格式打包返回給上位機U，U通過整理可獲得一幀數據[P（t）]：

[P（t）=p11p12p13p14p15p21p22p23p24p25p31p32p33p34p35p41p42p43p44p45p51p52p53p54p55]

由于超聲傳感器的探測角度為15°，因此設計上所有傳感器與相鄰傳感器之間的最小夾角不小于15°，每個傳感器探測方向如圖 5所示，傳感器模組實物如圖 6所示。

4人體檢測算法設計

提前采集當前場景下人數為0的數據作為參考數據，在測量時將新的測量數據與參考數據進行比對。當人體檢測算法計算發(fā)現測量數據與參考數據的相似度較高時，認為該測量數據應是無人狀態(tài)的數據，否則認為是有人狀態(tài)。

將超聲模塊置于頂部3m高處，向下連續(xù)進行超聲掃描，檢測范圍內人的存在。采集場景中人數為0的超聲傳感器數據。以25個傳感器依次各掃描一次為第[t]幀[P（t）=pijt∈F5×5]，整個數據集共[m]幀，表示為：

[D0=P00， P01，...，P0t，...，P0m]

其中第[i]行第[j]列的傳感器返回有效數據的集合為：

[D0ij=pijt|t∈1，2，...，m]

計算[D0ij]的均值[μij]和方差[σ2ij]，參考正態(tài)分布建立[x]是無人狀態(tài)下的測量結果的概率密度函數：

[fijx=12πσijexp-x-μij22σ2ij]

單個傳感器的測量結果[pij]越接近均值[μij]，越符合[D0ij]的分布，就說明其測量的范圍內沒有人的概率越高。該概率為：

[Pij=2μijpijfijxdx]

傳感器測量第[t]幀的數據為[P（t）=pij∈F5×5]時，探測區(qū)域內人數為0的概率為：

[fP（t）=125i=15j=15Pij]

由于超聲測距存在較大測量誤差，單幀的計算效果存在較大浮動，使用前[n]幀平滑去噪增加預測結果的穩(wěn)定性。則傳感器測量第[t]幀時，探測區(qū)域內人數為0的概率為：

[Ft=1ni=t-n+1tfP（i）]

在指定閾值[θ]時，可得到檢測區(qū)域內人數情況為：

[gP=1， Ft≤θ0， Ft>θ]

當[gP=1]時，代表算法根據當前測量數據[P]判斷檢測區(qū)域里面有人，反之當[gP=0]時，算法認為檢測區(qū)域內無人。

5實驗結果與分析

實驗數據：以2000幀為一組數據，共采集無人狀態(tài)下用于建模的數據[D0]共5組，無人狀態(tài)下用于測試的數據共4組，有人狀態(tài)下用于測試的數據共4組。測試結果表 1和圖7所示?？梢钥闯?，當平滑去噪算法中的[n]值越大，預測最終計算的[Ft]越趨于穩(wěn)定，越容易區(qū)分當前的人員狀態(tài)是有人或無人。當[n]在10左右時，檢測區(qū)域內有人和無人的[Ft]邊界開始分離，在采樣可以明確地區(qū)分人員狀態(tài)。

6結束語

本文在研究基于超聲測距的室內人員感知系統(tǒng)的基礎上，設計了在探測區(qū)域包含其他辦公家具等大件障礙物的情況下，感知區(qū)域內是否有人存在。該方案基于測量數據和參考數據的相似度，感知當前的人員狀態(tài)，提高了基于超聲測距技術的人員感知系統(tǒng)的泛用性，彌補了前人研究中使用超聲測距實現人員感知時，場景內不能有障礙物妨礙計算的缺陷。然而，目前的研究僅在大件障礙物位置不變的前提下適用，要滿變化多端的實際場景，仍需要更加合理地安排采樣方式來構造模型。

參考文獻：

[1] 周亞蘋，俞準，李郡，等.建筑用戶在室行為測量方法及預測模型綜述[J].暖通空調，2017，47（9）：11-18.

[2] 孫萬春，張建勛，瞿先平，等.基于視頻的人數統(tǒng)計方法綜述[J].數字技術與應用，2018，36（1）：49-51.

[3] 張碩.公共場所監(jiān)控圖像采集與個人隱私權保護[J].阜陽師范大學學報（社會科學版），2021（1）：138-142.

[4] Lee S，Ha K N，Lee K C.A pyroelectric infrared sensor-based indoor location-aware system for the smart home[J].IEEE Transactions on Consumer Electronics，2006，52（4）：1311-1317.

[5] Tarzia S P，Dick R P，Dinda P A，et al.Sonar-based measurement of user presence and attention[C]//Orlando Florida USA：Proceedings of the 11th international conference on Ubiquitous computing.New York，NY，USA：ACM，2009：89-92.

[6] Erickson V L，Lin Y Q，Kamthe A，et al.Energy efficient building environment control strategies using real-time occupancy measurements[C].Acm Workshop on Embedded Sensing Systems for Energy-efficiency in Buildings，2009.

[7] Nadee C，Chamnongthai K.Ultrasonic array sensors for monitoring of human fall detection[C]//HuaHin，Thailand：2015 12th International Conference on Electrical Engineering/Electronics，Computer，Telecommunications and Information Technology （ECTI-CON）.IEEE，2015：1-4.

[8] Chang Y T，Shih T K.Human fall detection based on event pattern matching with ultrasonic array sensors[C]//Pattaya，Thailand：2017 10th International Conference on Ubi-media Computing and Workshops （Ubi-Media）IEEE，2017：1-4.

[9] Ghosh A，Chakraborty A，Chakraborty D，et al.UltraSense：a non-intrusive approach for human activity identification using heterogeneous ultrasonic sensor grid for smart home environment[J].Journalof Ambient Intelligence and Humanized Computing，2019：1-22.

[10] Hori T，Nishida Y.Ultrasonic Sensors for the Elderly and Caregivers in a Nursing Home[C].International Conference on Iceis，2005：110-115.

[11] 徐盛良，魯照權，周永燕，等.基于信號強度與超聲波測距的室內定位系統(tǒng)[J].儀表技術與傳感器，2019（1）：91-96.

[12] 張成，田建艷，呂迎春，等.基于超聲波測距的高精度室內位置感知系統(tǒng)研究[J].儀表技術與傳感器，2018（1）：71-75.

【通聯(lián)編輯：梁書】