一種教室節(jié)能照明系統(tǒng)的人員識別算法

聶 雄，黃斌全，陳 華

（1.廣西大學 計算機與電子信息學院，廣西 南寧 530004；2.廣西廣播電視學校，廣西 南寧 530031）

0 引言

節(jié)能減排是全球各國應對地球氣候變化的有效措施之一，推廣高效節(jié)電照明系統(tǒng)是國家“十一五”規(guī)劃十大節(jié)能重點工程之一。然而由于缺乏有效管理，許多高校的教室在白天室內(nèi)照度很高的情況下，仍然普遍開燈作業(yè)；晚間即使室內(nèi)無人或人數(shù)很少的情況下，室內(nèi)照明燈也全部開啟，經(jīng)常存在人走不熄燈的現(xiàn)象，從而造成用電資源的嚴重浪費。近年來有不少基于單片機、光電傳感器和定時器等來實現(xiàn)照明控制的方法[1-4]，均存在無法根據(jù)實際人員分布情況進行照明缺點。筆者提出一種基于DSP的教室照明節(jié)能控制系統(tǒng)，該系統(tǒng)采用圖像處理方法和技術對教室人員及其所處位置進行識別和分析，根據(jù)情況對室內(nèi)照明進行自動控制。圖像處理過程的實現(xiàn)采用TMS320DM642高速DSP芯片進行圖像處理和分析，然后對教室照明系統(tǒng)進行相應控制。

1 教室節(jié)能照明系統(tǒng)的人員識別算法

室內(nèi)人員識別是教室照明節(jié)能控制系統(tǒng)中的關鍵技術。只有獲得準確的人員分布信息，才能正確地控制室內(nèi)的照明燈光。教室內(nèi)人員位置識別算法的基本流程如圖1所示，其過程可分為4個主要步驟：1）通過攝像頭采集教室內(nèi)圖像；2）對圖像進行灰度化、二值化和中值濾波；3）對圖像進行邊緣檢測處理；4）采用邊界跟蹤的相應算法判斷人員的所在位置。經(jīng)過以上步驟，就可以獲得教室內(nèi)人員分布的基本情況，從而能夠準確地控制室內(nèi)相應位置的照明，實現(xiàn)節(jié)能。

1.1 圖像的灰度化

從安裝在教室內(nèi)攝像頭采集到的圖像一般是彩色圖像。彩色圖像中每一像素的顏色由紅（R）、綠（G）、藍（B）3個分量組成，用3 byte表示。灰度圖像中每個像素只有1個的亮度值（Y），每個像素用1 byte表示。彩色圖像和灰度圖像的轉(zhuǎn)換可以通過亮度方程來實現(xiàn)

圖2a為處理前的彩色圖像，圖2b為處理后的灰度圖像?；叶然蟮膱D像保持了原彩色圖像中人員主要特征和位置信息，但大大節(jié)省了存儲空間，減少后續(xù)數(shù)字圖像處理的數(shù)據(jù)量，從而提高人員識別算法的效率。

1.2 圖像的二值化

從教室攝像頭采集得到的圖像里所含的信息非常豐富，一部分信息在很大程度上干擾了系統(tǒng)對人物的識別[5-6]，為了降低這種干擾，把256級灰度圖像轉(zhuǎn)化成二值圖像。二值化具體操作步驟如下：給整幅圖像選定一個合適的二值化閾值T，把小于該閾值的像素灰度賦值為0（黑色），把大于或等于該閾值的像素灰度賦值為255（白色）。

將圖2b的灰度圖像進行二值化處理，得到圖3。比較圖2b和圖3，可以看到，由于人的頭部亮度較小，一般低于閾值T，經(jīng)過二值化處理后，變成了黑色，這將作為有用信息成為后續(xù)處理的基礎，一部分無用信息被過濾掉了。

1.3 圖像的平滑濾波

實際獲取的圖像在形成、傳輸、接收和處理的過程中，不可避免地存在外部干擾和內(nèi)部干擾，如光電轉(zhuǎn)換過程中的敏感元件靈敏度的不均勻性、數(shù)字化過程的量化噪聲、傳輸過程中的誤差及人為因素等，均會存在一定程度的噪聲干擾[7-8]。通常通過對圖像的平滑濾波可以消除圖像噪聲，從而改善圖像質(zhì)量，便于提取對象特征。

中值濾波器是一種非線性平滑濾波器，它也是一種鄰域運算，把模板內(nèi)的所有像素按灰度值進行排序，然后取該組數(shù)據(jù)的中間值作為模板中心像素點的新灰度值。數(shù)學表示是：一組數(shù)x1，…，xn，假設其排序為x1≤x2≤…≤xn。則這組數(shù)的中值Y表示為

把一個點的特定長度或形狀的鄰域稱為窗口。常用的中值濾波窗口形狀有線形、方形、圓形、十字形以及圓環(huán)形等，窗口尺寸一般先取3，再取5，逐點增大，直到濾波效果滿意為止。就處理效果而言，對于有緩慢變化的、較長的輪廓線物體的圖像，采用方形或圓形的窗口為宜；對于包含有尖頂角物體的圖像，適宜用十字形窗口，而窗口大小則以不超過圖像中最小有效物的尺寸為宜。

本系統(tǒng)中采用中值濾波器對圖像進行去噪。

1.4 二值圖像的腐蝕

腐蝕是一種最基本的數(shù)學形態(tài)學運算。二值圖像的腐蝕運算是消除圖像邊界點的一種過程，其結果使剩下的圖像沿其周邊比原來圖像小若干個像素。如果圖像在某處的像素很少，那么在腐蝕運算后，圖像將會在該處變?yōu)榉沁B通，即變成2個區(qū)域，而像素足夠少的圖像可能被刪除，達到了去除噪聲的目的[9]。

腐蝕運算的數(shù)學表達為

式中：S表示腐蝕后的二值圖像集合；B表示用來進行腐蝕的結構元素，結構元素內(nèi)的每個元素取值為0或255，它可以組成任何一種形狀的圖形，在B圖像中有一個中心點；X表示原圖像經(jīng)過二值化后的像素集合。

通過圖4來進一步說明腐蝕的原理。

圖4表示了用結構元素B（如圖4b所示）對目標圖像X（如圖4a所示）進行腐蝕運算并得到運算結果（如圖4c所示）的過程。圖4a中白色的部分代表背景，灰色的部分代表目標圖像X。圖4b中黑色的方格代表結構元素的中心點，灰色的方格代表鄰域。圖4c中黑色的部分表示腐蝕后的結果，灰色的部分表示目標圖像被腐蝕掉的部分。在腐蝕處理過程中，將結構元素在圖像中移動，如果結構元素完全包含在目標圖像X中，則保留目標圖像中對應于中心點的像素點，否則刪除該像素點。

在本系統(tǒng)中，對二值圖像進行了腐蝕，選用的結構元素如圖5所示。

結構元素的中心位于它的

幾何中心，將該結構元素在被腐蝕圖像中漫游，若結構元素完全包含在被腐蝕圖像的有用信息中時，保留該像素點，否則刪除該像素點，即置為背景。

實驗表明，只需進行1次腐蝕運算，原圖像中絕大部分的有用區(qū)域都只向內(nèi)收縮了1個像素點。

1.5 圖像邊緣檢測

邊緣是由相鄰域灰度級不同像素點構成的，如圖6a的圖像數(shù)據(jù)所示，不難發(fā)現(xiàn)圖像左邊暗，右邊亮，中間存在著一條明顯的邊界，若想檢測出此邊界，可采用差分運算來實現(xiàn)對圖像的求導[5，10-12]。做法是當前列的新灰度值等于相鄰的右邊一列灰度值與當前列的差值，得到如圖6b所示的運算結果。

圖6 邊緣檢測原理

可以看到，運算結果中第3列比其他列的灰度值高很多，人眼觀察時，就能發(fā)現(xiàn)一條很明顯的亮邊，即邊界，這種方法實現(xiàn)了垂直邊緣檢測。其他方向上的邊緣檢測原理類似，只是求差的方向不一樣。

邊緣提取首先檢出圖像局部特性的不連續(xù)性，再將這些不連續(xù)的邊緣像素連成完備的邊界。邊緣的特性是沿邊緣走向的像素變化平緩，而垂直與邊緣方向的像素變化劇烈。所以從這個意義上說，提取邊緣的算法就是檢出符合邊緣特性的邊緣像素的數(shù)學算子。

邊緣檢測算子檢查每個像素的鄰域并對灰度變化率進行量化，通常也包括方向的確定。有若干種方法可以使用，其中大多數(shù)是基于方向?qū)?shù)模板求卷積的方法。邊緣模板用于沿著不同的方向檢測邊緣的4個模板。圖7給出了大小為3×3的邊緣模板，能在0°，45°，90°，135°這4個方向上檢測邊緣。

圖7 不同方向邊緣檢測模板

實現(xiàn)邊緣檢測有很多現(xiàn)成的邊緣檢測算子可以使用，如Robert算子、Sobel算子、Prewitt算子、Krisch算子、Laplacian算子等。在實際中使用Robert算子進行邊緣檢測時發(fā)現(xiàn)，某些方向上的邊緣不能檢測出來，出現(xiàn)了邊緣斷開的現(xiàn)象，導致后續(xù)的邊界跟蹤出現(xiàn)問題。

如圖8所示，采用Sobel算子進行邊緣檢測時發(fā)現(xiàn)，可以解決邊緣斷開的現(xiàn)象，但是得到的邊緣像素寬度至少為2個像素，不僅是加大了接下來將進行的邊界跟蹤的計算量，而且實際進行邊界跟蹤的處理效果并不好。另外，使用這一類的邊緣檢測算子需要計算不同方向上的模板卷積，計算量都比較大，所以在本系統(tǒng)中沒有采用上述的邊緣檢測算子[5]。

圖8 用Sobel算子進行邊緣檢測

在本系統(tǒng)中，采用形態(tài)學的方法進行邊界提取[13]，它的基本思想是：先用一定的結構元素對目標圖像進行形態(tài)學運算，也就是第1.4節(jié)提到的腐蝕運算，再用原圖像減去經(jīng)過腐蝕的圖像，最后得到物體的外邊界圖像。

在實踐中發(fā)現(xiàn)，采用圖6所示的全方向腐蝕結構元素進行腐蝕運算，處理后的物體絕大部分只向內(nèi)收縮了1個像素。所以進行圖像的減運算后，得到的物體邊界幾乎都是1個像素點，而且得到的邊界也大都是連續(xù)的，幾乎沒有出現(xiàn)斷開的現(xiàn)象，這為下一步進行邊界跟蹤打下了一個很好的基礎。實際處理效果如圖9所示。

1.6 圖像邊界跟蹤

物體往往都有其特定的邊界，在模式識別中，常利用物體的邊界來判斷當前物體的類別。進行邊界跟蹤可以獲取物體的邊界，這一步驟也成為了本系統(tǒng)中最重要也是最關鍵的部分。

由于數(shù)字圖像采用了矩形網(wǎng)絡進行采樣，進行邊界跟蹤時，簡單地看，當前像素有4個相鄰的像素，但是如果加上其斜方向上的像素，當前像素則有8個相鄰的像素。為了便于表示一個像素的鄰域，使用不同數(shù)字代表當前像素的8個鄰域像素的位置，如圖10所示，當前像素位于中心，8個鄰域像素分別取值0～7，按逆時針遞減，相應的像素直角坐標如圖11所示。

由于本系統(tǒng)要處理的對象是普通教室中的物體，人在里面有著與眾不同的特點，比如說從后面的視角往前看，人的頭部是比較圓的物體，而其他的物體，比如座子、椅子，它們的外形都是方形的，利用這一特點就可以把人識別出來。

圖10 像素的鄰域之間的關系示意圖

圖11 像素的直角坐標關系

本系統(tǒng)檢測人的方法是：

1）首先對經(jīng)過二值化處理后的圖像按照從左至右，從上至下的順序進行掃描，當遇到物體時，記錄當前點Po的坐標。按照此視角得到的圖像進行分析，如果掃描到的像素正好是人的頭部的一部分，那么它就是人的頭部的正上頂點。把Po點當作邊界跟蹤的起始點。

2）向右進行跟蹤。從Po點開始按1，0，7，6，5的方向順序?qū)ふ沂欠翊嬖谖矬w。如果有，則存儲該點的坐標，作為新的跟蹤當前點，按照相同的規(guī)則繼續(xù)尋找下去，在一定數(shù)量的跟蹤次數(shù)限制內(nèi)，直到當前點在Y方向上的坐標比Po點增加一定的數(shù)量K（由圖片的尺寸確定），結束跟蹤。如果該條件不滿足，或者當前點找不到下一點目標點，可以判斷跟蹤過的物體不是人，置為背景，重新回到1）尋找新的起始點。

3）向左進行跟蹤。與2）的跟蹤方法類似，只是跟蹤方向變?yōu)?，4，5，6，7，這里不再贅述。如果判斷這個方向上的物體不是人，將左右方向跟蹤過的物體置為背景，重新回到1）尋找新的起始點。

4）在前面的條件都滿足的基礎下，可以簡單判斷跟蹤過的物體是人。如果要提高判斷的準確度，可以增加一些規(guī)則，如面積要滿足一定大小，或者左右跟蹤的最后2點X方向上的坐標之差大于一定值，或者已跟蹤物體的面積與外接矩形面積之比滿足一定的限制條件等。

5）當把跟蹤過的物體判斷為人后，因為已知跟蹤起始點的坐標，也就明確了人在圖像中的位置，即在教室中的位置。重新回到1）尋找新的起始點，直至跟蹤完整幅圖像。

實驗發(fā)現(xiàn)，在沒有使用4）的情況下，邊界跟蹤效果不是很好，往往會將圖12以及類似的邊界誤判為人的頭部，從而產(chǎn)生錯誤判別結果。

但在4）中使用了一些規(guī)則后，提高了系統(tǒng)判斷的準確性。本系統(tǒng)采用的規(guī)則是分別統(tǒng)計跟蹤過的物體面積和它本身的外接矩形的面積，計算它們的面積比，要求這個面積比的值滿足一定的條件[14-15]。

圖13顯示了本系統(tǒng)的判別結果，以深顏色表示系統(tǒng)對人員頭部正確跟蹤的軌跡。實驗結果表明，系統(tǒng)準確地判斷了教室里人員的所在位置。

2 系統(tǒng)硬件結構

為簡化系統(tǒng)結構和節(jié)約成本，上述的人員識別算法通過高性能的DPS處理器TMS320DM642所構成的硬件系統(tǒng)來實現(xiàn)。整個系統(tǒng)由攝像頭、DSP系統(tǒng)板圖、STC單片機和照明控制接口等部分構成，如圖14所示。其基本工作原理為：攝像頭采集到教室人員分布圖像，經(jīng)DSP處理器進行一系列處理后，得出室內(nèi)人員分布信息送單片機，由單片機系統(tǒng)對照明燈光進行相應控制。

3 小結

本系統(tǒng)能比較好地檢測出教室內(nèi)人員的所在位置，在室內(nèi)有人時根據(jù)其所坐位置自動開啟對應位置的照明燈，無人時燈自動熄滅的自動控制，達到明顯的節(jié)能效果。

[1]戴天，丁月華，文貴華.計算機智能照明系統(tǒng)的設計[J].電氣應用，2005，24（2）：57-59.

[2]李俊，郭玉成.學校公共照明系統(tǒng)節(jié)能優(yōu)化設計研究[J].華北科技學院學報，2009（3）：53-55.

[3]湯一平，李雯.基于動態(tài)圖像理解的空調(diào)節(jié)能研究[J].工業(yè)控制計算機，2007，20（1）：39-42.

[4]陳歲生，盧建剛.基于智能檢測技術的室內(nèi)照明系統(tǒng)[J].機電工程技術，2008，37（5）：53-55.

[5]李俊山，李旭輝.數(shù)字圖像處理[M].北京：清華大學出版社，2007.

[6]王林吉，王兆青.基于圖像二值化處理的混紡圖像雜色去除方法的研究[J].浙江理工大學學報，2010，27（1）：46-49.

[7]李艷玲，黃春艷，趙娟.基于灰色關聯(lián)度的圖像自適應中值濾波算法[J].計算機仿真，2010，27（1）：238-275.

[8]王宇新，賀圓圓，郭禾，等.FPGA的快速中值濾波算法[J].計算機應用研究，2009，26（1）：224-226.

[9]張利平，張紅英，吳斌.基于多種邊緣檢測的視頻劃痕檢測技術[J].電視技術，2010，34（1）：85-87.

[10]姚宗國，田芳，李金屏.基于圖像處理和虛擬位置設定的智能教室管理系統(tǒng)研究[J].信息技術與信息化，2008（5）：68-70.

[11]SONKA M，HLAVCA V，BOYLE R.Image processing,analysis and machine vision[M].2nd ed.Beijing：Post&Telecom Press,2003.

[12]沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學報，2008（12）：2673-2677.

[13]周春霞，魏敏，唐正寧.基于數(shù)學形態(tài)學的印刷網(wǎng)點圖像分割方法[J].包裝工程，2007（6）：14-15.

[14]葛偉華，陳優(yōu)廣.基于邊界跟蹤的區(qū)域面積計算[J].計算機應用與軟件，2008（6）：239-241.

[15]安寧，林樹忠，劉海華，等.圖像處理方法研究及其應用[J].儀器儀表學報，2006，27（6）：792-793.