基于超聲傳感器陣列的室內(nèi)人員感知系統(tǒng)

林冠宇 張卓淵 劉賢穩(wěn) 謝佳銘

摘要：室內(nèi)人員信息是建筑智能化的重要決策依據(jù)之一。為此設(shè)計一種基于超聲測距傳感器陣列的室內(nèi)人員感知系統(tǒng)，在無人的狀態(tài)下采集數(shù)據(jù)作為參考數(shù)據(jù)進(jìn)行建模，然后將模型與待檢測數(shù)據(jù)進(jìn)行比對。計算模型與待檢測數(shù)據(jù)的相似度，可以判斷檢測區(qū)域內(nèi)是否有人。實驗結(jié)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(shù)據(jù)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(xiàn)。

關(guān)鍵詞：人員感知;超聲傳感器;上位機(jī)

中圖分類號：TP391? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）16-0077-04

1引言

室內(nèi)人數(shù)估計作為建筑智能化的重要決策依據(jù)，已成為智能建筑領(lǐng)域的研究熱點，而判斷室內(nèi)人數(shù)的方法有許多[1]。目前室內(nèi)人數(shù)估計的方法有兩大類：一類是基于圖像采集器的計算機(jī)視覺方法，該方法采用的是圖像傳感器采集檢測區(qū)域內(nèi)信息，繼而基于目標(biāo)特征或度量統(tǒng)計的方法進(jìn)行人數(shù)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(zhǔn)確率計算出檢測范圍內(nèi)的人數(shù)，但其具有隱私侵犯性，在半開放性質(zhì)的場所須經(jīng)過嚴(yán)格審查及權(quán)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(shè)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(shù)信息，該場景應(yīng)用并不需要用于更精細(xì)的身份識別的數(shù)據(jù)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(shù)。另一類則是非計算機(jī)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(lǐng)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(shù)據(jù)，避免了隱私侵犯問題。通過機(jī)器學(xué)習(xí)算法計算采集的數(shù)據(jù)，可提高人數(shù)計算的準(zhǔn)確率。文獻(xiàn)[7]通過在天花板和側(cè)面一面墻壁都平鋪超聲傳感器，文獻(xiàn)[8]通過在腳踝附近高度排列一行超聲傳感器，實現(xiàn)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?zé)o其他物體阻擋，難以實際應(yīng)用。文獻(xiàn)[9-10]通過在檢測區(qū)域天花板平鋪超聲傳感器，實現(xiàn)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(xiàn)[11-12]都使用了超聲測距傳感器實現(xiàn)了室內(nèi)的定位，雖然目標(biāo)精確，但都要求被測目標(biāo)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(nèi)用于檢測人數(shù)。文獻(xiàn)[5]使用了超聲波傳感器對建筑內(nèi)人數(shù)，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(zhǔn)確度低。

在使用超聲測距陣列進(jìn)行室內(nèi)人數(shù)檢測時，實際應(yīng)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(jìn)行探測，可以避免占據(jù)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(shù)據(jù)建立數(shù)學(xué)分布，根據(jù)新的測量結(jié)果判斷一個區(qū)域內(nèi)是否有人。實驗結(jié)果表明，結(jié)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(nèi)有無人存在，實現(xiàn)人員感知功能。

2超聲測距技術(shù)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(jié)合超聲波在當(dāng)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(shè)計

多個超聲傳感器組合成超聲傳感模塊可以實現(xiàn)在不侵犯隱私的前提下實現(xiàn)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(jìn)行調(diào)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(yīng)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(diào)工作，其中上位機(jī)U與微控制器[B1， B2， B3]之間相互連接，通過UART協(xié)議傳輸數(shù)據(jù)和命令，如圖 4所示。

工作時，上位機(jī)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(yīng)數(shù)據(jù)。傳感器的工作順序為[S55， …， S51， S45， …， S41]。[B3]采集的數(shù)據(jù)為：

[P3=p41p42p43p44p45p51p52p53p54p55]

[B3]將上述數(shù)據(jù)[P3]以[i，j，p，t]的格式打包成字節(jié)數(shù)據(jù)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(shù)據(jù)后，相繼啟動[S35， …， S31， S25， …， S21]獲得測量數(shù)據(jù)，獲得數(shù)據(jù)：

[P2=p21p22p23p24p25p31p32p33p34p35]

[B2]獲得數(shù)據(jù)[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(shù)據(jù)后，相繼啟動[S15， S14， …， S11]，得到測量數(shù)據(jù)：

[P1=p11p12p13p14p15]

[B2]獲得數(shù)據(jù)[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(jī)U，U通過整理可獲得一幀數(shù)據(jù)[P（t）]：

[P（t）=p11p12p13p14p15p21p22p23p24p25p31p32p33p34p35p41p42p43p44p45p51p52p53p54p55]

由于超聲傳感器的探測角度為15°，因此設(shè)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(shè)計

提前采集當(dāng)前場景下人數(shù)為0的數(shù)據(jù)作為參考數(shù)據(jù)，在測量時將新的測量數(shù)據(jù)與參考數(shù)據(jù)進(jìn)行比對。當(dāng)人體檢測算法計算發(fā)現(xiàn)測量數(shù)據(jù)與參考數(shù)據(jù)的相似度較高時，認(rèn)為該測量數(shù)據(jù)應(yīng)是無人狀態(tài)的數(shù)據(jù)，否則認(rèn)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(jìn)行超聲掃描，檢測范圍內(nèi)人的存在。采集場景中人數(shù)為0的超聲傳感器數(shù)據(jù)。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(shù)據(jù)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(shù)據(jù)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(jié)果的概率密度函數(shù)：

[fijx=12πσijexp-x-μij22σ2ij]

單個傳感器的測量結(jié)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(nèi)沒有人的概率越高。該概率為：

[Pij=2μijpijfijxdx]

傳感器測量第[t]幀的數(shù)據(jù)為[P（t）=pij∈F5×5]時，探測區(qū)域內(nèi)人數(shù)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(yù)測結(jié)果的穩(wěn)定性。則傳感器測量第[t]幀時，探測區(qū)域內(nèi)人數(shù)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(nèi)人數(shù)情況為：

[gP=1， Ft≤θ0， Ft>θ]

當(dāng)[gP=1]時，代表算法根據(jù)當(dāng)前測量數(shù)據(jù)[P]判斷檢測區(qū)域里面有人，反之當(dāng)[gP=0]時，算法認(rèn)為檢測區(qū)域內(nèi)無人。

5實驗結(jié)果與分析

實驗數(shù)據(jù)：以2000幀為一組數(shù)據(jù)，共采集無人狀態(tài)下用于建模的數(shù)據(jù)[D0]共5組，無人狀態(tài)下用于測試的數(shù)據(jù)共4組，有人狀態(tài)下用于測試的數(shù)據(jù)共4組。測試結(jié)果表 1和圖7所示?？梢钥闯?，當(dāng)平滑去噪算法中的[n]值越大，預(yù)測最終計算的[Ft]越趨于穩(wěn)定，越容易區(qū)分當(dāng)前的人員狀態(tài)是有人或無人。當(dāng)[n]在10左右時，檢測區(qū)域內(nèi)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(jié)束語

本文在研究基于超聲測距的室內(nèi)人員感知系統(tǒng)的基礎(chǔ)上，設(shè)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(nèi)是否有人存在。該方案基于測量數(shù)據(jù)和參考數(shù)據(jù)的相似度，感知當(dāng)前的人員狀態(tài)，提高了基于超聲測距技術(shù)的人員感知系統(tǒng)的泛用性，彌補(bǔ)了前人研究中使用超聲測距實現(xiàn)人員感知時，場景內(nèi)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(gòu)造模型。

參考文獻(xiàn)：

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

[2] 孫萬春，張建勛，瞿先平，等.基于視頻的人數(shù)統(tǒng)計方法綜述[J].數(shù)字技術(shù)與應(yīng)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(quán)保護(hù)[J].阜陽師范大學(xué)學(xué)報（社會科學(xué)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(quán)，周永燕，等.基于信號強(qiáng)度與超聲波測距的室內(nèi)定位系統(tǒng)[J].儀表技術(shù)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(nèi)位置感知系統(tǒng)研究[J].儀表技術(shù)與傳感器，2018（1）：71-75.

【通聯(lián)編輯：梁書】