基于计算机视觉和自动化的智能教室无人检测断电系统设计

李宇圣，汤熠

（南华大学 计算机学院，湖南衡阳， 421200）

0 引言

中国是世界上的最大电能消耗国家之一，高校作为国内社会教育体系必不可缺的一环，其用电量在国内占比逐年升高，达到社会总用电量30%以上，而教室用电量在学校的用电总量中又占有较大比例。我国大学高校主要采用自主开放的管理模式，学生上课没有固定的教室和座位，这给学生学习带来了便利却也一定程度上造成了浪费。学校教室普遍存在人走，灯没关的现象，极大程序上依赖管理员的及时管控，教室不必要的照明浪费了学校供给的电能，这在很大程度上浪费了人力资源和自然资源。加之目前广大师生节电意识淡薄，高校经常存在白天光照足够强也开灯照明，下课所有人离开教室灯仍然亮着的现象，而且高校对公共教室的电力监控制度不全，对电能的监督力度不够，负责灯光控制的管理人员很难兼顾所有教室，长此以往造成了不必要的电能浪费和经济损失。例如，晚自习期间有的教室只有一两个学生甚至没有学生，教室的全部灯光也一直处于照明状态，类似普遍的现象造成了学校不必要的电能消耗，也增加了灯的更换频率，从长远的角度看不利于社会向节能型转换和环境保护。

现阶段市面上缺失利用教室摄像头，采用机器视觉进行人体检测，同时又对区域电灯的智能控制的管理系统，综上所述，我们设计了基于计算机视觉和自动化的智能教室无人检测断电系统，较为新颖且创新程度较高，技术比较先进更加智能人性化，同时能达到节能减排的效果。

1 系统硬件设计

本系统所设计的硬件模块如图1所示，由构成时间控制模块的DS1302实时时钟芯片控制系统和教室检测摄像头的定时开关，构成图像采集模块的摄像头结合图像采集卡动态地采集图像，对整个教室进行扫描检测从而获取教室的图像信息，之后利用系统内置的人体检测和区域定位算法将目标参数发送给多路继电器，其再发送指令信号到具体的教室电路，控制教室的相应电灯开关。

图1 硬件结构框图

■1.1 图像采集模块设计

本系统采用“摄像头+图像采集卡”的方式动态采集图像，并实现实时处理得到实时图像数据。图像采集卡即图像卡，主要用途是将摄像头的图像视频信号，以帧为单位运送到计算机储存器或者帧储存器，从中实现了模拟信号到数字信号的转换，这也称之为A/D转换，实现此过程的组件称之为A/D转换器。图像卡结合PCI总线具有传输性能高，存取时延低，高兼容性等特点，图像传输过程几乎不占用CPU时间，方便了后续计算机视觉系统利用图像卡采集到的图像进行高效处理分析。

图像采集卡信号采集过程如图2所示。

图2 图像采集卡信号采集过程

■1.2 时间控制模块设计

我们根据一天二十四小时中不同时段的人员活动情况来设置系统的运行时间，其他时间段（如夜晚睡眠时间）内系统关闭运行，以达到降低能耗的效果。用户也可根据实际情况自行设置系统运行时间。

对于时间设置模块的功能实现，我们采用DS1302时钟模块来完成。DS1302是达拉斯（DALLAS）公司出的一款涓流充电时钟芯片，广泛应用于电话、传真、便携式仪器等产品领域。该芯片的主要性能指标和优点如下：

（1）DS1302实时时钟芯片可以对年，月，日，时，分，秒进行计时并具有自动调整时间的能力。也可配置时间为24小时制或12小时制。

（2）DS1302共有8个引脚，拥有31字节数据存储RAM，可提供用户访问。

（3）串行I/O通信方式，简单SPI三线接口。使得管脚数量最少。

（4）DS1302这种时钟芯片功耗一般都很低，它在工作电压2.0V的时候，工作电流小于300nA，符合节能减排的要求。

相关引脚封装选用与单片机实时时钟系统设计如图3所示。

图3 单片机实时时钟系统设计图

■1.3 电器控制模块设计

视觉检测人员活动情况并发出是否打开各用电器的指令后，由电器控制模块接收指令信号，并实时控制用电器电源的通断。我们采用多路继电器模块来实现电灯开关控制。多路继电器相当于一个以小电流去控制大电流的自动开关（5V可以控制220V），当控制端没电流流过或电流不够大时，继电器线圈就不吸合，常闭触点闭合，常开触点断开；当控制端有足够的电流流过时，继电器线圈就吸合，电磁感应使衔铁与永久磁铁产生吸引和排斥力矩，常闭触点断开，常开触点闭合。继电器的工作特性能够在教室电灯工作中有效保护电路，当出现预料之外的错误时其会及时切断电源，避免电灯的损害，使其寿命增长，所以其在电路系统中可以起到流自动调节、安全保护、转换电路的作用。本系统设计的多路继电器内部结构如图4所示。

图4 多路继电器电路设计

2 系统软件设计

本系统软件代码独立编译，在PC机上实现机器视觉处理，进行区域人员的定位，其中包括人体目标检测和区域判断选择两个模块，如图5所示。分析阶段首先提取数据库中的图像信息，视觉处理算法功能包括对采集到的视频图像流进行预处理、人体检测、区域划分等。如果识别到教室有人则不会关闭对应位置的灯，而是关闭其他区域多余的灯。如果检测教室人数为0，10分钟后系统将自动传输信息给电器控制器，通过电器控制模块关闭教室的所有电器，使之处于关闭状态。

图5 系统软件算法框图

■2.1 人体目标检测模块

本系统采用HOG特征作为教室人体检测的主要特征，考虑到教室人员检测的实时性问题，采用Boosting算法中的Adaboost算法作为HOG特征的分类器。具体检测人体示例如图6所示。

图6 人体目标检测

2.1.1 HOG特征

梯度方向直方图（Histogram of Oriented Gradient,HOG）特征是一种用于计算机视觉或图像识别领域中描述图像局部纹理图像的特征，最早由法国研究人员Dalal提出并用于行人检测，现已广泛用于计算机视觉领域。物体的图片主要靠形状和纹理区分彼此，在本系统中HOG特征关注于教室图像中不同人物的结构和形状，通过计算和统计图像边缘区域的梯度方向直方图来构成的特征。为了观察这些特征，需要将图片分成窗口，块，单元和区间等的网格，窗口大小是块的整数倍，在教室人员密集时图像的块与块之间会存在重合，较好地实现了局部块之间的相关性。HOG能较好地捕捉局部形状信息，对几何和光学变化都有很好的不变性，可以较好地表示人的轮廓信息。HOG特征最重要的是计算图像梯度，即使用梯度算子对图像做卷积运算，求梯度的大小和方法为：

Gx(x,y),Gy(x,y),H(x,y)表示点(x,y)水平方向梯度，垂直方向梯度和图像在该点的像素值，点(x,y)的梯度大小定义为：

点(x,y)的梯度方向定义为：

2.1.2 Adaboost算法

Adaboost算法全称“Adaptive Boosting”自适应增强算法，作为Boosting集成学习技术的一种拓展，它用于解决直接构造强学习器十分困难的情况下，另辟蹊径地通过组合多个弱分类器并按照不同的权重来构建一个强分类器，其自适应性在于：若一个弱分类器被错误分类则其样本权重增大，若被正确分类则样本权重减小，分类完成后更新样本权重，用上一轮结果训练下一次新的基本分类器，重复此过程直到达到符合要求的正确率或是指定的迭代次数，最终得到所有更新后弱分类器结合的强分类器。本系统中通过该强分类器在图像中寻找人员目标，并用矩形区域表示人员所在位置，取矩形框的中点坐标来判断人体目标所在教室区域。AdaBoost算法的主要原理分为以下三步：

(1)首先初始化每个训练数据样本的权值；

(2)训练弱分类器，根据分类结果正确与否减少或增大权值，更新样本条件反复迭代直到临界条件；

(3)将最终训练得到的各个弱分类器组合为强分类器。

■2.2 区域判断与选择模块

本系统首先使用HOG进行图像特征提取，然后构建SVM分类器进行训练，识别教室人体位置后，本模块采用区域网格划分的SVM定位算法输出教室人员所在的具体方位，后续发送信号至多路继电器控制灯光开关。本模块的执行流程如图7所示，首先依据教室的灯光布置将其划分为几个不同的子区域，之后确定教室人员所在的具体区域，最后对该区域人员进行准确定位。

图7 区域选择与判断模块

2.2.1 支持向量机SVM

SVM（Support Vector Machine）支持向量机是一类按监督学习方式对数据进行二分类或多分类的广义线性分类器，基于VC维理论和结构风险最小化原理。

SVM的目标是寻找一个最优化超平面可以在空间中分割两类数据，假设当前存在一个线性样本集(xi,yi),i=1,2…,n,x∈R2，其中y是类别标号且y∈{ - 1,1}，d维空间中的判别函数为：

若线性分类线可以准确分开两类样本，则需要满足式(5)：

应用Lagrange乘子并满足KKT条件：

最后可得最优分类函数为：

本系统中SVM的训练过程主要分为以下三步：

（1）标定SVM原始数据的具体定位，为每个采样数据的位置点编号。

（2）通过直接法构建SVM多分类器，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，较好规避了“数据集偏斜”问题。

（3）本文主要采用二维网格算法确定最主要的惩罚参数C和核函数参数γ，C越大其泛化能力能弱，C越小容错性越高，泛化能力变强，而核函数能提高算法模型的维度，使得SVM有较好的非线性拟合能力。

2.2.2 基于区域网格划分的SVM定位算法步骤

（1）对教室根据灯光划分若干子区域。

（2）读取教室人体所在位置参数。

（3）基于区域网格的初定位。根据读取的人体位置参数和划分的子区域进行位置信息匹配，初步确定人体所在的区域。区域有可能是一个，也可能是多个。

（4）在区域网格内进SVM精确定位。使用训练好的SVM分类器对第四步确定的区域进行更进一步划分，确定人体的精确坐标位置，最终通过投票法确定定位结果。

3 系统实际展示

部分实际系统展示如检测管理页面和系统设置页面如图8所示。

图8

4 分析与结论

本文设计了一个基于计算机视觉和自动化的智能教室无人检测断电系统，我们首先采用“摄像头+图像采集卡”的方式动态采集图像，并基于HOG特征，Adaboost算法和SVM定位算法确定教室人员分布，最后结合多路继电器和DS1302时钟芯片来实现电灯开关控制。这个系统充分利用了已有资源且精准度高，成本低，能最大程度减少学校电能的浪费，适用于绝大部分学校。本系统实现了软硬件分离，控制器接收PC端传来的指令后，实现分区断电。因此应用前景很广，符合节能型校园的要求。