基于微信公众号平台图书馆座位管理系统

蔡丰熠 杨奕辰 葛周洁

摘 要：本文着力于研究建立基于微信公眾平台的图书馆座位管理系统，旨在解决大学图书馆恶意占座、座位使用率低下等不良现象，缓解学生需求与座位资源不均衡的矛盾，基于机器视觉技术提出了一创新管理模式，通过对图书馆的图像采集、图像处理、跟踪检测、实时反馈等任务，实现图书馆的智能化管理，为学生也为图书馆管理者提供更大便利。

关键词：图书馆管理;机器视觉;人流量预测

1引言

1.1研究背景

目前，由于学生学习需求的日渐提高，国内高校的占座现象也越来越普遍，为缓解学生需求与座位资源不均衡的矛盾，“Seat？”图书馆座位管理系统应运而生。“Seat？”是一款旨在解决大学图书馆恶意占座、座位使用率低下等不良现象，基于微信公众平台的图书馆座位管理系统，通过提前预约，实时监控，信用评级等手段，能够实现图书馆的实时的数据反馈与管理规划，辅助工作人员的管理与学生群体的时间分配。“Seat？” 将建立属于大学生的图书馆智能管理平台，以期改善图书馆的学习环境，杜绝不文明现象，为学生营造良好的校园学习环境。

1.2 研究现状

（1）座椅占用识别

国外较早的目标检测算法在2001年提出。 Paul Viola 和 Michael Jones 在论文《Robust Real-Time Face Detection》中提出的Viola Jones框架。该方法快速并且相对简单，它能做到实时检测，运算量很小。它的工作原理是使用 Haar 特征产生多种（可能有数千个）简单的二进制分类器。这些分类器由级联的多尺度滑动窗口进行评估，并且在出现消极分类情况的早期及时丢弃错误分类。由于方法较简单，故精确率不足。

第一个使用深度学习进行目标检测并取得很大进展的方法是纽约大学在 2013 年提出的 Overfeat ，他们提出了一个使用卷积神经网络（CNN）的多尺度滑动窗口算法。

在 Overfeat 提出不久，来自加州大学伯克利分校的 Ross Girshick 等人发表了基于卷积神经网络特征的区域方法 （Regions with CNN features，R-CNN），它在目标检测比赛上相比其他方法取得了50%的性能提升。展现出卷积神经网络在物体识别领域较好的前景。

国内对于桌椅占用情况识别的研究可以追溯到2014年，单国锋在《基于视频监控的座位管理系统研究》提出了利用图像识别监控录像来检测座位使用情况的想法。

在2015年，徐海东在《基于人脸识别的座位管理系统的设计与实现》一文中提出了利用人脸识别技术完成检测，但是由于人脸识别装置位于出入口处，因此该方法只能检测图书馆内座位的余量，无法精确判断每一个座位的使用情况。

在同年，林伟森在《基于图像识别的高校图书馆座位余量的分析与发布》一文中通过计算图片灰度和边缘检测算法来判断座椅和桌面的使用情况，但是由于依赖于背景模板，随着座椅的轻微搬动，识别准确率会下降。

（2）座位管理系统搭建

自2019年12月6日国家发改委《关于促进“互联网+社会服务”发展的意见（发改高技〔2019〕1903号）》发布以来，社会服务业与人工智能的接轨已是大势所趋，而图书馆的数字化、智能化，也正是在顺应数字化转型扩大社会服务资源供给这一时代大潮，为此，国内有不少企业开始向图书馆领域进军，以期先行占据市场机遇。图书馆座位预约系统是最为常见的智能化管理方案，通过大学图书馆官网的座位预约系统进行网上预约，以实现座位的余量监测和实时反馈，北京科佰思特信息技术有限公司，江苏汇文软件有限公司等等大型图书馆自动化管理企业均采用的是该种方案。

然而，单有线上座位系统的弊端也十分明显：预约的座位未必有人正在使用，可能会存在空余预约座位的资源浪费。为此，福州利昂软件有限公司提供的解决方案是在线下设定现场预约机，以识别读者的签到/暂离/签退等状态，动态调整预约人数管理策略;江苏高信科技发展有限公司则选择了提供包括续时、重新选座、暂离、永久离开等多样离开方式，并定时自动重置座位、管理黑名单，以暂离超时检测机制来实现对座位的智能管理。以上种种方案，均具有的缺点是时间的滞后性，座位的暂离情况只能通过预设的暂离时间线来反映，难以实现实时的座位余量检测，为此，本项目采用机器视觉技术实时获取余座信息，以此为基础搭建基于微信公共号的图书馆座位管理系统。

2实现方法

2.1 座椅占用识别

现有的座椅识别方法分为硬件和软件两类。前者主要通过传感器感知压力的变化，将压力信号转换成可用输出的电信号来识别桌椅的使用情况。该方案的成本包括硬件的采购费，安装费，替换电池的维护费和使用的耗损费，若是将其大面积推广，投资不菲。

基于软件的座椅占用识别仅仅利用图书馆内已安装的视频监控设备，不仅能够充分利用设备而且能够节约硬件成本等费用。软件识别的算法包括人头识别，图像灰度提取分析以及卷积神经网络物体识别等方法，其中前两者的抗干扰性和普适性较低，无法应对图书馆复杂的环境，而且现如今随着机器性能的提升，深度学习开始在各个领域崭露头角，基于卷积神经网络的图像识别已经逐渐冲破传统目标识别的瓶颈。因此综上所述我们采用了卷积神经网络来识别座椅的占用情况。

基于卷积神经网络的目标识别包含以下三步：窗口滑动，图像分类，后处理三步

1. 在待检测图像中滑动一个固定大小的窗口，将窗口中的子图像作为候选区。

2. 利用卷积神经网络进行图片特征分析和提取，判定候区是否包含了目标及其类别（判断监控中桌子、椅子、人、书本等）

3. 合并判定为统一类别的相交候选区，计算出每个目标的边界框，完成目标检测。

2.2 座位管理系统搭建

本系统架构主要由以下四部分构成，微信用户，微信前端，微信服务端，图书馆座位系统。微信服务端包括微信服务端接口和实现两部分，主要是处理用户请求与用户进行交互，同时针对用户的预约操作与图书馆座位系统对接。用户预约座位前首先关注图书馆微信公众号，通过微信公众号自定义菜单中座位系统来发送请求，微信服务端接收到用户请求后，需要调用图书馆座位系统的接口来请求数据，然后将返回的数据传到前端显示层，用户根据显示的数据进行预约座位。系统的架构图如下所示。

其中需要详细介绍的有：座位查询与预约，出行建议，信用管理这三个功能点。

座位查询与预約：微信登陆成功后，进入座位查询页面，系统通过调用后台根据机器视觉技术采集的座位信息，以可视化的形式展示给用户，下图为效果预览图。用户若是选择预约座位，系统则是首先对用户进行资格检验，查看是否为黑名单用户，若系统查询用户在黑名单范围，则结束用户的预约流程;若不在范围内，则提示预约成功，并将用户预约数据录入数据库。

出行建议：由于前往图书馆需要花费五到十五分钟不等的时间，通过余座的数量来判断是否前往图书馆仍有一定可能无法获得空位。考虑到学生前往图书馆这一活动在时间和空间的分布具有一定的规律性，本系统采用BP神经网络预测一定时间内的人流量，从而计算出当前前往图书馆获得座位的概率大小，对用户的出行起指导性作用。

信用管理：本系统将读者信用等级分为三级，即C-较差，B-一半，A-优秀。读者取消预约和违规次数达到一定次数会影响其信用等级。违规行为包括：恶意占座，到达预约时间后未准时就座等。

3创新点

3.1运用了卷积神经网络检测座椅的占用情况

本项目使用了卷积神经网络完成了对座椅占用情况的识别，相比于传统的硬件监测方法，节省了硬件成本，安装成本，维护成本等费用;相比于基于灰阶识别分析和人头识别的监测算法具有更高的准确率和抗干扰能力，有效完成了面向复杂环境的物体识别任务。此外，该算法还具有较好的可移植性，能够适应不同的图书馆环境，有助于广泛推广。

3.2“查询-预约-建议”一体化图书馆出行解决方案

通过使用座椅检测的数据，触发对桌面的检测，利用边缘识别获得目标桌面图像，利用opencv算法计算未占用桌面面积，从而识别占座状态并统计占用时间，在占用时间超过1小时后通知图书管理员对桌面进行清理，解除座位的占座状态。结合图书馆信用评级体系，达到治标也治本的效果。同时，基于BP神经网络的人流量预测模块，能够对用户的出行起指导性作用，为用户的时间规划提供合理建议。相比以往采用占座条或是管理员人工计时判断占座的方法，该方法极大地方便了学生并在一定程度上减轻了图书馆管理员的负担，提升了座位的占用率，缓解了高峰时期一座难求的现象。

4总结

校图书馆图书馆因其资源丰富， 环境舒适，成为了学生日常学习及查阅资料的首选之处，然而随着前往图书馆学习的学生日渐增多，座位管理逐渐成为了管理者的一项难题。在传统图书馆中，学生难以了解图书馆座位资源的实时使用情况，由于图书馆的座位资源有限，有可能在某个时段出现大量学生而导致一座难求，或是某些时段座位存在大量余裕，在时间、空间尺度上均存在着不均匀分配的问题。很多学生为确保能在高峰时段获得座位，往往会通过使用书本或其他物品进行长时间占座，这种现象加剧了座位资源的紧缺，同时也损害了学生的阅读体验。本团队基于这一考虑，构建了“Seat？”一基于微信公众号平台的图书馆座位管理系统，帮助学生实时获得座位信息并做出余座预测，从而提高座位占用率。

此项目着力于建立基于微信公众平台的图书馆座位管理系统，旨在解决大学图书馆恶意占座、座位使用率低下等不良现象，缓解学生需求与座位资源不均衡的矛盾，基于机器视觉技术提出了一创新管理模式，通过对图书馆的图像采集、图像处理、跟踪检测、实时反馈等任务，实现图书馆的智能化管理，为学生也为图书馆管理者提供了极大便利，属于新的突破。

参考文献：

[1]朱云琪，蒋玥，张轶.基于图像识别的公共图书馆座位检测系统研究[J].电子世界，2017（03）：131-133.

[2]林伟森，吴茂勋，邓继忠，李山，任高生，何明昊.基于图像识别的高校图书馆座位余量的分析与发布[J].计算机时代，2015（04）：35-37.

[3]戴进，刘振宇.基于深度学习的图像识别算法研究的综述[J].计算机产品与流通，2018（03）：188.

[4]徐海东.基于人脸识别的座位管理系统的设计与实现[J].科技情报开发与经济，2015，25（20）：140-141.

[5]马爽. 基于图像识别的教室照明节能系统的技术研究[D].沈阳理工大学，2015.

本文得到上海立信会计金融学院大学生创新创业训练计划（202111047035X）基金支持。蔡丰熠（2000-），金融数学专业本科在读