基于智能家居場景下人形識別系統的開發

田文莎，張娃旦，田 由

（南京郵電大學 通信與信息工程學院，江蘇 南京 210046）

隨著科學技術的進一步發展，智慧化已走進人們的生活，人們更加希望可以提高生活質量，比如當拖著一天的疲憊回到家中后，機器通過時間的把握和人形的識別，自動播放主人最愛的歌曲；當老人因意外不慎在家中跌倒時，機器將第一時間根據人形特征向老人子女發出求救信號；當兒童獨自在家時，系統自動關閉門窗，調整屋內燈光強度，關閉屋內電器等。智能家居已成為一個熱門的研究，但當今市場上，具有人形識別功能的智能家居設備較為少見，而且在沒有網絡的情況下無法工作，所以在智能家居背景下研究人形識別系統尤為重要。

1 軟件算法設計

1.1 高斯模糊平滑處理

用卷積掃描圖像中的每一個像素，用卷積確定的鄰域內像素的加權平均灰度值去替代模板中心像素點的值。其中，高斯函數選用：

1.2 背景減除

用目標圖像和背景圖像進行減除運算，得到減除后的圖像，為：

式（2）中：E（x，y）為所得圖像；F（x，y）為目標圖像；B（x，y）為背景圖像。

1.3 LBP特征提取

對于LBP特征向量的提取，我們采取了以下步驟：①將檢測窗口劃分為9×9的cell。②對于每個cell中的像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0.這樣，3×3鄰域內的8個點經過比較可產生8位二進制數，即可得到該窗口中心像素點的LBP值。③計算每個cell的直方圖，即每個數字出現的頻率，然后對該直方圖進行歸一化處理。④將得到的每個cell的統計直方圖連接成為一個特征向量，也就是整幅圖的LBP紋理特征向量。

其中，歸一化可采用（0，1）標準化，通過遍歷單元格內的每個數據將最大值和最小值記錄下來，并將最大值和最小值之差作為基數進行數據的歸一化處理：

同時，一幅圖像的基本組成單位是以RGB為基礎的，其中，R為一個紅色通道，表示為1；G為一個綠色通道，表示為2；B為一個藍色通道，表示為3；有一處白色圖像則為4，它是由1，2，3處的通道顏色混合而成，即幾種顏色混合在一起將產生一種新的顏色。下面列出提取HOG特征的算法：分離人形圖像3個顏色通道圖像；將圖像劃分成小區，每個小區包含6×6像素；將3×3個小區組成一個大區，一個大區內所有小區的特征串聯起來便是該大區的HOG特征。將圖像內所有大區的HOG特征歸一化后串聯起來就可以得到該圖像的HOG特征，這就是最終可供分類使用的特征向量。

1.4 SVM分類器的訓練

支持向量機是一種二類分類模型，其基本模型定義為特征空間上間隔最大的線性分類器，其學習策略便是間隔最大化，最終可轉化為一個凸二次規劃問題的求解。選擇不同的核函數，可以生成不同的SVM，常用的核函數有以下4種：①線性核函數K（x，y）＝x×y；②多項式核函數K（x，y）＝[（x×y）＋1]d；③徑向基函數K（x，y）＝exp（-|x－y|2/d2）；④二層神經網絡核函數K（x，y）＝tanh[a（x×y）＋b]．

針對本項目，我們編寫了人形識別的算法：①準備正樣本集和負樣本集，并手動裁剪樣本，使樣本尺寸保持一致；②將所有正樣本圖像放在一個文件夾中，將所有負樣本放在另一個文件夾中；③提取所有正、負樣本的HOG特征，對所有正負樣本賦予樣本標簽，我們將正樣本標記為1，負樣本標記為0；④將正負樣本的HOG特征、正負樣本的標簽都輸入到徑向基函數K（x，y）＝exp（-|x－y|2/d2）中進行訓練。我們將以上算法用Python語言實現，并在樹莓派上操作，用路由器將樹莓派與手機終端連接起來。

2 系統研發結果

對于攝像頭采集的視頻流（一幀幀圖像），經過樹莓派圖像信息處理，然后通過路由器樹莓派與手機終端通信，最終終端上顯示出圖片處理的結果，我們用控制變量法分析并驗證了系統的可行性，結果如表1所示。

表1 實驗結果記錄表

由此可以看出，總系統的處理速度相當迅速，并且適合各種光照條件和背景條件，還可以識別多人，說明系統設計合理。

3 總結

本文通過設計背景減除法、LBP特征提取、SVM分類

器的訓練等一系列圖像信息處理算法，并將這些算法用

Python語言在樹莓派上實現，完成了智能家居場景下人形識別系統的開發，本系統將在智能家居方面有廣泛的應用。

［1］毛志智.人形識別關鍵技術的研究與實現［D］.武漢：華中科技大學，2011.

［2］李琪.基于支持向量機的人形檢測［D］.昆明：昆明理工大學，2007.

［3］鄧昀，李朝慶，程小輝.基于物聯網的智能家居遠程無線監控系統設計［J］.計算機應用，2017（01）：159-165.