基于机器视觉的教室智能控制系统设计*

黄艺香，甘世溪，刘晓波

（泉州信息工程学院机械与电气工程学院，福建泉州 362000）

0 引言

大学学校是国家电力重点确保单位，其用电量也十分惊人。究其原因，除了大学人数体量大，用电设备多造成电量消耗大的原因外，在大多数学校对教室用电电器的管理都还停留在人工手动阶段，教室用电电器没能及时关闭也是导致电能浪费的重要原因。另一方面，教室是学生最主要的学习活动场所，其环境温度和光线强度直接影响学生的身心健康和工作效率[1-2]。因此为师生营造舒适的教室环境，并达到节能减排效果，特别在能源日益紧缺的时代，是一个很有意义的课题。现有的智能教室管理系统主要采用RFID 技术或红外传感器技术自动感应某一范围内是否有人来决定照明灯等电器的工作状态[3]。这种架构的系统实时性很好，但需要在硬件上提供更多的支持，会增加系统硬件复杂度，也缺乏良好的柔性度。随着机器视觉在事物的检测和识别方面逐渐发展成熟，凭借其非破坏性、高精度、快速度等特点，在各行业得到广泛研究和应用[4]。本文的主要工作是研究基于机器视觉的教室智能控制系统，包括3 个方面：（1）构建视觉系统，利用位置固定的监控摄像头结合混合高斯模型算法，统计教室内各分区人数；（2）设计硬件系统，包括人数、温度、光照度和驱动电路；（3）设计软件程序，采用PID 控制算法形成控制量，自动调控教室的空调、风扇和照明系统，达到改善教室用电浪费问题，并为师生营造舒适工作环境目的。

1 系统架构设计

本系统构成如图1 所示，由教室主控制器和若干个检测模块、驱动模块构成。系统由视觉模块负责监测教室各个照明灯下一定区域内是否有人，并实时将监测结果传输给主控制器，由主控制器启动各检测模块获取教室实时环境参数，经控制算法实现各照明灯和风扇的开启与关闭，及空调工作温度调节。教室管理人员可以借助手机终端App 实时监控各教室人员数量、电器工作状态、系统故障等情况，并发出无线控制指令。

图1 教室控制系统结构

2 主要模块硬件电路设计

2.1 人数检测电路

人数检测电路采用红外对管，其原理如图2 所示。在教室的每个门框前、后各安装一路反射式红外对管传感器，当有人进出教室的门时，两路红外传感器先后感应到信号，由此判断人进入还是走出教室。图中包括两路红外对管电路，每路由红外发射电路、红外接收电路和比较电路组成，如电阻R15、R23、三极管Q2和红外发射二极管就构成了一个完整的发射电路。为了降低干扰，Q2基极输入调制信号频率为38 kHz，在5 V的工作电压条件下，发射接收对管的有效距离约20 cm。当红外接收管接收到红外线时导通，电阻变小，LM393的同相端第5 脚电压将低于反相端第6 脚的阈值电压，第7 脚输出低电平给单片机。

图2 人数检测电路

2.2 环境检测电路

环境检测电路包括温度检测和光照度检测两部分，分别测取区域下方的环境光照度和温度值，其原理如图3 所示。温度检测采用传感器DHT11，使用3.3 V 电压供电，为了避免接线过长导致传感器供电不足，造成测量偏差，系统尽量缩短数据端DATA 与控制器的连接线。由于系统在不同位置安装多个DHT11，其与控制器的连线长度不一，所以每个数据端DATA的上拉电阻需要根据实际连线长短进行取值。图中的DHT11离主控制器最近，采用4.7 kΩ 上拉电阻，其他DHT11 随着连线长度增加需要降低上拉电阻的阻值。光照度检测电路由R10和光敏电阻R9 的分压电路构成，光线强度变化将引起光敏电阻的阻值发生变化，随之其两端的电压值也变化，经A/D 转换后得到精确的环境光线强度数值。

图3 环境检测电路

2.3 驱动电路

系统主控制器在3.3 V 供电条件下，输入/输出口灌电流为8 mA，源电流为4 mA，无法满足继电器吸合电流，所以采用了S8050 进行扩流，其原理如图4 所示。继电器线圈作为集电极负载，主控制器向S8050 基极输出脉冲信号，使其工作在开关状态，接通或断开继电器线圈，促使触点动作。在S8050 由饱和变为截止时，线圈两端产生较大反向电压，二极管D2 起续流放电作用，使S8050集电极对地电压不超过允许值。

图4 一路继电器驱动电路

3 软件系统设计

3.1 主程序

教室控制系统设有手动模式和智能模式，其主流程如图5所示。在智能模式下，教室主控制器根据各检测模块提供的实时环境数据，自动控制教室的照明灯、风扇、空调等设备，并完成人数统计和环境参数采集与显示、与前台手机终端App通信等功能。当系统处于手动模式时，可由手机App手动控制教室的用电电器。

图5 教室主程序流程

3.2 基于视觉的灯光控制程序设计

在系统的智能模式下，利用教室内位置固定的监控摄像头，采用“视觉监测+分区管理”的方式，控制每个分区照明灯的开启与关闭。系统初次使用时，需要先提取监控视频一帧清晰的教室图片，结合教室照明灯的分布情况，确定图片中每个照明灯大致ROI区域。然后由视觉系统实时监测教室内各ROI区是否有人，并将结果传输到系统控制器。控制器根据光照度传感器采集的数据及各分区人数，经算法分析，实现对教室的照明系统自动控制。

由于系统采用位置固定的监控摄像头，在光照、风和背景物体增减等因素变化不大的情况下，教室背景相对稳定。与活动的前景相比较，背景（颜色）持续时间长且更加静止，利用这个特点，为教室图像的每个像素位置建立基于时间序列的背景模型，这样每个像素位置在整个时间序列中会有很多像素值，且持续的时间也存在差异。因此，如果将颜色在整个视频中存在时间的长短作为混合的权重，可以实现教室前景和背景的分割，完成监控视频中活动的人的提取[6]，图6 所示为本文采用的前景提取算法混合高斯模型（GMM）的完整流程。

图6 混合高斯模型前景提取流程

在进行前景检测前，需要先对背景进行训练。对图像中每个背景像素采用一个混合高斯模型（GMM）进行模拟，每个背景像素的GMM 包括多个高斯分布，其个数可以自适应。本文为每个背景像素GMM 模型最多建立5 个高斯分布，每个高斯分布保存了滑动均值、滑动方差和权值3 个参数。在测试阶段，根据这3 个参数对新来的像素进行GMM 匹配，如果新像素能够匹配GMM中的一个高斯分布，就认为是背景[5]。

每个高斯分布的滑动均值决定了分布的中心位置，其与像素值的关系满足式（1）；滑动方差与像素点偏离高斯分布中心位置有关，如果像素点偏离中心位置在一定方差范围内，认为该点为背景，滑动方差采用式（2）的计算方法；权值会影响高斯分布的中心位置的更新，其采用式（3）的计算方法。当需要为某个像素新建一个高斯分布时，新分布的均值通常取该像素值，同时会为权值和滑动方差赋一个合适的初始值[6-7]。

式（1）～（3）中：μt-1、wt-1和分别为当前的滑动均值、权值和滑动方差；ρt为时间t的像素值，即新到来的像素值；α为学习速率，它决定了当前值对计算均值有多大的影响[8]。

为了解决亮度等因素变化引起的场景变化，而导致算法模型适应性降低的问题，在前景提取过程中，选择一定的权值系数对当前高斯分布的中心位置进行更新，以便于适应缓慢的光线变化。本文根据有效高斯分布阈值T得到有效的截止索引，从而实现了不同像素点高斯分布个数的自适应选择，消除训练中的噪声点[9]。其步骤如下：（1）根据w/σ2对像素点各个高斯分布进行降序排列；（2）选取GMM 最前面X个高斯分布，其中X满足式（4）：

式中：weightsum为每个像素GMM 的所有高斯分布的权值之和，T取0.7，即满足w/weightsum大于0.7 的个数为自适应个数X。

最后，判断新来的像素点是不是前景。将新来像素点的值逐个与GMM 的X个高斯分布的滑动均值进行比较，只要与其中一个高斯分布的滑动均值的差值在2.5σ2之内，认为是背景，反之认为是前景。前景赋值为255，背景赋值为0，至此完成了一幅前景二值图的提取。对生成的前景图的块利用findContours函数框出，通过统计块数来计算人数[10]。

3.3 教室人数统计程序设计

教室光线或其他原因可能会造成机器视觉人数统计发生失误，降低识别准确度，所以系统采用了“机器视觉+红外对管”的双计数模式，以保证统计数据准确性。系统利用前后门上的红外对管，采用键盘扫描框架，当红外传感器0 感受到有人时，标志位sign｜=0x01，对人数寄存器cnum 加一。红外传感器1 被感受到时标志位sign｜=0x02，对人数寄存器出门减一。当标志位sign=0x03时表示已经完成了一个进或出过程。

3.4 室温调节程序

教室的温度调节采用PID 算法形成控制输出量，调节对象包括空调和风扇，其结构如图7 所示。S（t）为用户设置的目标环境温度值；E（t）为目标值与当前值的误差；B（t）为教室当前温度值经A/D 转换后的数值；N（t）为外界的温度干扰，如门窗敞开度的变化、人数和电器数量变化等。当人数统计模块监测到教室有人，控制器开启环境温度采集并A/D转换，通过温度误差值E（t）经PID调节控制教室内的空调、风扇[11]。

图7 室温调节结构框图

4 测试与结果分析

系统测试时，手机终端选用支持Andrio 操作系统的小米4X，该型号手机具有蓝牙功能，已集成RFCOMM 协议，具有仿真RS232 功能，只需要建立与RFCOMM 协议接口的应用程序，就可以实现手机蓝牙串口数据通信[12]。图8 所示为自主设计的手机终端App界面。

图8 手机终端App界面

图9 所示为本设计的实物模型，视觉模块根据6 盏照明灯的分布，将教室分为6 个ROI 区域，其平面示意图如图10所示。

图9 模型实物

图10 分区管理平面示意图

试验中，为了使系统获得良好的稳定性和精确度，视觉系统拍摄了200 帧空教室图片，用于训练GMM 背景模型，每个像素的最大GMM 个数取5，学习率α=0.005。训练过程中，需要建立新GMM模型时，其权值和方差分别取0.05和30。

图11 原始图片和前景图片

5 结束语

为了解决教室用电电器手动控制容易存在电能浪费，以及传统人数统计方式带来的增加硬件复杂度、缺乏柔性度等问题，本文基于机器视觉，采用混合高斯模型目标检测算法实时检测和统计教室分区人数，实现了根据分区是否有人自动调控各分区照明灯；根据人体最适体感舒适度，采用PID 算法调节教室温度。实验结果表明，通过这些控制策略，系统的智能控制结果比单纯人工管理教室用电设备更为可靠，更能达到按需供给电能，起到节能减排的效果，同时为师生营造良好的学习和工作环境，具有良好现实意义。下一步将通过优化前景提取算法结构和参数、优化人数统计方法，进一步提高教室人数统计速度和精度。