李宇圣，湯熠

（南華大學 計算機學院，湖南衡陽， 421200）

0 引言

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

現(xiàn)階段市面上缺失利用教室攝像頭，采用機器視覺進行人體檢測，同時又對區(qū)域電燈的智能控制的管理系統(tǒng)，綜上所述，我們設計了基于計算機視覺和自動化的智能教室無人檢測斷電系統(tǒng)，較為新穎且創(chuàng)新程度較高，技術比較先進更加智能人性化，同時能達到節(jié)能減排的效果。

1 系統(tǒng)硬件設計

本系統(tǒng)所設計的硬件模塊如圖1所示，由構成時間控制模塊的DS1302實時時鐘芯片控制系統(tǒng)和教室檢測攝像頭的定時開關，構成圖像采集模塊的攝像頭結合圖像采集卡動態(tài)地采集圖像，對整個教室進行掃描檢測從而獲取教室的圖像信息，之后利用系統(tǒng)內(nèi)置的人體檢測和區(qū)域定位算法將目標參數(shù)發(fā)送給多路繼電器，其再發(fā)送指令信號到具體的教室電路，控制教室的相應電燈開關。

圖1 硬件結構框圖

■1.1 圖像采集模塊設計

本系統(tǒng)采用“攝像頭+圖像采集卡”的方式動態(tài)采集圖像，并實現(xiàn)實時處理得到實時圖像數(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，以幀為單位運送到計算機儲存器或者幀儲存器，從中實現(xiàn)了模擬信號到數(shù)字信號的轉換，這也稱之為A/D轉換，實現(xiàn)此過程的組件稱之為A/D轉換器。圖像卡結合PCI總線具有傳輸性能高，存取時延低，高兼容性等特點，圖像傳輸過程幾乎不占用CPU時間，方便了后續(xù)計算機視覺系統(tǒng)利用圖像卡采集到的圖像進行高效處理分析。

圖像采集卡信號采集過程如圖2所示。

圖2 圖像采集卡信號采集過程

■1.2 時間控制模塊設計

我們根據(jù)一天二十四小時中不同時段的人員活動情況來設置系統(tǒng)的運行時間，其他時間段（如夜晚睡眠時間）內(nèi)系統(tǒng)關閉運行，以達到降低能耗的效果。用戶也可根據(jù)實際情況自行設置系統(tǒng)運行時間。

對于時間設置模塊的功能實現(xiàn)，我們采用DS1302時鐘模塊來完成。DS1302是達拉斯（DALLAS）公司出的一款涓流充電時鐘芯片，廣泛應用于電話、傳真、便攜式儀器等產(chǎn)品領域。該芯片的主要性能指標和優(yōu)點如下：

（1）DS1302實時時鐘芯片可以對年，月，日，時，分，秒進行計時并具有自動調整時間的能力。也可配置時間為24小時制或12小時制。

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

（3）串行I/O通信方式，簡單SPI三線接口。使得管腳數(shù)量最少。

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

相關引腳封裝選用與單片機實時時鐘系統(tǒng)設計如圖3所示。

圖3 單片機實時時鐘系統(tǒng)設計圖

■1.3 電器控制模塊設計

視覺檢測人員活動情況并發(fā)出是否打開各用電器的指令后，由電器控制模塊接收指令信號，并實時控制用電器電源的通斷。我們采用多路繼電器模塊來實現(xiàn)電燈開關控制。多路繼電器相當于一個以小電流去控制大電流的自動開關（5V可以控制220V），當控制端沒電流流過或電流不夠大時，繼電器線圈就不吸合，常閉觸點閉合，常開觸點斷開；當控制端有足夠的電流流過時，繼電器線圈就吸合，電磁感應使銜鐵與永久磁鐵產(chǎn)生吸引和排斥力矩，常閉觸點斷開，常開觸點閉合。繼電器的工作特性能夠在教室電燈工作中有效保護電路，當出現(xiàn)預料之外的錯誤時其會及時切斷電源，避免電燈的損害，使其壽命增長，所以其在電路系統(tǒng)中可以起到流自動調節(jié)、安全保護、轉換電路的作用。本系統(tǒng)設計的多路繼電器內(nèi)部結構如圖4所示。

圖4 多路繼電器電路設計

2 系統(tǒng)軟件設計

本系統(tǒng)軟件代碼獨立編譯，在PC機上實現(xiàn)機器視覺處理，進行區(qū)域人員的定位，其中包括人體目標檢測和區(qū)域判斷選擇兩個模塊，如圖5所示。分析階段首先提取數(shù)據(jù)庫中的圖像信息，視覺處理算法功能包括對采集到的視頻圖像流進行預處理、人體檢測、區(qū)域劃分等。如果識別到教室有人則不會關閉對應位置的燈，而是關閉其他區(qū)域多余的燈。如果檢測教室人數(shù)為0，10分鐘后系統(tǒng)將自動傳輸信息給電器控制器，通過電器控制模塊關閉教室的所有電器，使之處于關閉狀態(tài)。

圖5 系統(tǒng)軟件算法框圖

■2.1 人體目標檢測模塊

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

圖6 人體目標檢測

2.1.1 HOG特征

梯度方向直方圖（Histogram of Oriented Gradient,HOG）特征是一種用于計算機視覺或圖像識別領域中描述圖像局部紋理圖像的特征，最早由法國研究人員Dalal提出并用于行人檢測，現(xiàn)已廣泛用于計算機視覺領域。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特征關注于教室圖像中不同人物的結構和形狀，通過計算和統(tǒng)計圖像邊緣區(qū)域的梯度方向直方圖來構成的特征。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，在教室人員密集時圖像的塊與塊之間會存在重合，較好地實現(xiàn)了局部塊之間的相關性。HOG能較好地捕捉局部形狀信息，對幾何和光學變化都有很好的不變性，可以較好地表示人的輪廓信息。HOG特征最重要的是計算圖像梯度，即使用梯度算子對圖像做卷積運算，求梯度的大小和方法為：

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

點(x,y)的梯度方向定義為：

2.1.2 Adaboost算法

Adaboost算法全稱“Adaptive Boosting”自適應增強算法，作為Boosting集成學習技術的一種拓展，它用于解決直接構造強學習器十分困難的情況下，另辟蹊徑地通過組合多個弱分類器并按照不同的權重來構建一個強分類器，其自適應性在于：若一個弱分類器被錯誤分類則其樣本權重增大，若被正確分類則樣本權重減小，分類完成后更新樣本權重，用上一輪結果訓練下一次新的基本分類器，重復此過程直到達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合的強分類器。本系統(tǒng)中通過該強分類器在圖像中尋找人員目標，并用矩形區(qū)域表示人員所在位置，取矩形框的中點坐標來判斷人體目標所在教室區(qū)域。AdaBoost算法的主要原理分為以下三步：

(1)首先初始化每個訓練數(shù)據(jù)樣本的權值；

(2)訓練弱分類器，根據(jù)分類結果正確與否減少或增大權值，更新樣本條件反復迭代直到臨界條件；

(3)將最終訓練得到的各個弱分類器組合為強分類器。

■2.2 區(qū)域判斷與選擇模塊

本系統(tǒng)首先使用HOG進行圖像特征提取，然后構建SVM分類器進行訓練，識別教室人體位置后，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)送信號至多路繼電器控制燈光開關。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，最后對該區(qū)域人員進行準確定位。

圖7 區(qū)域選擇與判斷模塊

2.2.1 支持向量機SVM

SVM（Support Vector Machine）支持向量機是一類按監(jiān)督學習方式對數(shù)據(jù)進行二分類或多分類的廣義線性分類器，基于VC維理論和結構風險最小化原理。

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

若線性分類線可以準確分開兩類樣本，則需要滿足式(5)：

應用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的訓練過程主要分為以下三步：

（1）標定SVM原始數(shù)據(jù)的具體定位，為每個采樣數(shù)據(jù)的位置點編號。

（2）通過直接法構建SVM多分類器，直接在目標函數(shù)上進行修改，將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題中，較好規(guī)避了“數(shù)據(jù)集偏斜”問題。

（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越小容錯性越高，泛化能力變強，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，也可能是多個。

（4）在區(qū)域網(wǎng)格內(nèi)進SVM精確定位。使用訓練好的SVM分類器對第四步確定的區(qū)域進行更進一步劃分，確定人體的精確坐標位置，最終通過投票法確定定位結果。

3 系統(tǒng)實際展示

部分實際系統(tǒng)展示如檢測管理頁面和系統(tǒng)設置頁面如圖8所示。

圖8

4 分析與結論

本文設計了一個基于計算機視覺和自動化的智能教室無人檢測斷電系統(tǒng)，我們首先采用“攝像頭+圖像采集卡”的方式動態(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，最后結合多路繼電器和DS1302時鐘芯片來實現(xiàn)電燈開關控制。這個系統(tǒng)充分利用了已有資源且精準度高，成本低，能最大程度減少學校電能的浪費，適用于絕大部分學校。本系統(tǒng)實現(xiàn)了軟硬件分離，控制器接收PC端傳來的指令后，實現(xiàn)分區(qū)斷電。因此應用前景很廣，符合節(jié)能型校園的要求。