基于微信公眾號平臺圖書館座位管理系統

蔡豐熠 楊奕辰 葛周潔

摘 要：本文著力于研究建立基于微信公眾平臺的圖書館座位管理系統，旨在解決大學圖書館惡意占座、座位使用率低下等不良現象，緩解學生需求與座位資源不均衡的矛盾，基于機器視覺技術提出了一創新管理模式，通過對圖書館的圖像采集、圖像處理、跟蹤檢測、實時反饋等任務，實現圖書館的智能化管理，為學生也為圖書館管理者提供更大便利。

關鍵詞：圖書館管理;機器視覺;人流量預測

1引言

1.1研究背景

目前，由于學生學習需求的日漸提高，國內高校的占座現象也越來越普遍，為緩解學生需求與座位資源不均衡的矛盾，“Seat？”圖書館座位管理系統應運而生。“Seat？”是一款旨在解決大學圖書館惡意占座、座位使用率低下等不良現象，基于微信公眾平臺的圖書館座位管理系統，通過提前預約，實時監控，信用評級等手段，能夠實現圖書館的實時的數據反饋與管理規劃，輔助工作人員的管理與學生群體的時間分配。“Seat？” 將建立屬于大學生的圖書館智能管理平臺，以期改善圖書館的學習環境，杜絕不文明現象，為學生營造良好的校園學習環境。

1.2 研究現狀

（1）座椅占用識別

國外較早的目標檢測算法在2001年提出。 Paul Viola 和 Michael Jones 在論文《Robust Real-Time Face Detection》中提出的Viola Jones框架。該方法快速并且相對簡單，它能做到實時檢測，運算量很小。它的工作原理是使用 Haar 特征產生多種（可能有數千個）簡單的二進制分類器。這些分類器由級聯的多尺度滑動窗口進行評估，并且在出現消極分類情況的早期及時丟棄錯誤分類。由于方法較簡單，故精確率不足。

第一個使用深度學習進行目標檢測并取得很大進展的方法是紐約大學在 2013 年提出的 Overfeat ，他們提出了一個使用卷積神經網絡（CNN）的多尺度滑動窗口算法。

在 Overfeat 提出不久，來自加州大學伯克利分校的 Ross Girshick 等人發表了基于卷積神經網絡特征的區域方法 （Regions with CNN features，R-CNN），它在目標檢測比賽上相比其他方法取得了50%的性能提升。展現出卷積神經網絡在物體識別領域較好的前景。

國內對于桌椅占用情況識別的研究可以追溯到2014年，單國鋒在《基于視頻監控的座位管理系統研究》提出了利用圖像識別監控錄像來檢測座位使用情況的想法。

在2015年，徐海東在《基于人臉識別的座位管理系統的設計與實現》一文中提出了利用人臉識別技術完成檢測，但是由于人臉識別裝置位于出入口處，因此該方法只能檢測圖書館內座位的余量，無法精確判斷每一個座位的使用情況。

在同年，林偉森在《基于圖像識別的高校圖書館座位余量的分析與發布》一文中通過計算圖片灰度和邊緣檢測算法來判斷座椅和桌面的使用情況，但是由于依賴于背景模板，隨著座椅的輕微搬動，識別準確率會下降。

（2）座位管理系統搭建

自2019年12月6日國家發改委《關于促進“互聯網+社會服務”發展的意見（發改高技〔2019〕1903號）》發布以來，社會服務業與人工智能的接軌已是大勢所趨，而圖書館的數字化、智能化，也正是在順應數字化轉型擴大社會服務資源供給這一時代大潮，為此，國內有不少企業開始向圖書館領域進軍，以期先行占據市場機遇。圖書館座位預約系統是最為常見的智能化管理方案，通過大學圖書館官網的座位預約系統進行網上預約，以實現座位的余量監測和實時反饋，北京科佰思特信息技術有限公司，江蘇匯文軟件有限公司等等大型圖書館自動化管理企業均采用的是該種方案。

然而，單有線上座位系統的弊端也十分明顯：預約的座位未必有人正在使用，可能會存在空余預約座位的資源浪費。為此，福州利昂軟件有限公司提供的解決方案是在線下設定現場預約機，以識別讀者的簽到/暫離/簽退等狀態，動態調整預約人數管理策略;江蘇高信科技發展有限公司則選擇了提供包括續時、重新選座、暫離、永久離開等多樣離開方式，并定時自動重置座位、管理黑名單，以暫離超時檢測機制來實現對座位的智能管理。以上種種方案，均具有的缺點是時間的滯后性，座位的暫離情況只能通過預設的暫離時間線來反映，難以實現實時的座位余量檢測，為此，本項目采用機器視覺技術實時獲取余座信息，以此為基礎搭建基于微信公共號的圖書館座位管理系統。

2實現方法

2.1 座椅占用識別

現有的座椅識別方法分為硬件和軟件兩類。前者主要通過傳感器感知壓力的變化，將壓力信號轉換成可用輸出的電信號來識別桌椅的使用情況。該方案的成本包括硬件的采購費，安裝費，替換電池的維護費和使用的耗損費，若是將其大面積推廣，投資不菲。

基于軟件的座椅占用識別僅僅利用圖書館內已安裝的視頻監控設備，不僅能夠充分利用設備而且能夠節約硬件成本等費用。軟件識別的算法包括人頭識別，圖像灰度提取分析以及卷積神經網絡物體識別等方法，其中前兩者的抗干擾性和普適性較低，無法應對圖書館復雜的環境，而且現如今隨著機器性能的提升，深度學習開始在各個領域嶄露頭角，基于卷積神經網絡的圖像識別已經逐漸沖破傳統目標識別的瓶頸。因此綜上所述我們采用了卷積神經網絡來識別座椅的占用情況。

基于卷積神經網絡的目標識別包含以下三步：窗口滑動，圖像分類，后處理三步

1. 在待檢測圖像中滑動一個固定大小的窗口，將窗口中的子圖像作為候選區。

2. 利用卷積神經網絡進行圖片特征分析和提取，判定候區是否包含了目標及其類別（判斷監控中桌子、椅子、人、書本等）

3. 合并判定為統一類別的相交候選區，計算出每個目標的邊界框，完成目標檢測。

2.2 座位管理系統搭建

本系統架構主要由以下四部分構成，微信用戶，微信前端，微信服務端，圖書館座位系統。微信服務端包括微信服務端接口和實現兩部分，主要是處理用戶請求與用戶進行交互，同時針對用戶的預約操作與圖書館座位系統對接。用戶預約座位前首先關注圖書館微信公眾號，通過微信公眾號自定義菜單中座位系統來發送請求，微信服務端接收到用戶請求后，需要調用圖書館座位系統的接口來請求數據，然后將返回的數據傳到前端顯示層，用戶根據顯示的數據進行預約座位。系統的架構圖如下所示。

其中需要詳細介紹的有：座位查詢與預約，出行建議，信用管理這三個功能點。

座位查詢與預約：微信登陸成功后，進入座位查詢頁面，系統通過調用后臺根據機器視覺技術采集的座位信息，以可視化的形式展示給用戶，下圖為效果預覽圖。用戶若是選擇預約座位，系統則是首先對用戶進行資格檢驗，查看是否為黑名單用戶，若系統查詢用戶在黑名單范圍，則結束用戶的預約流程;若不在范圍內，則提示預約成功，并將用戶預約數據錄入數據庫。

出行建議：由于前往圖書館需要花費五到十五分鐘不等的時間，通過余座的數量來判斷是否前往圖書館仍有一定可能無法獲得空位。考慮到學生前往圖書館這一活動在時間和空間的分布具有一定的規律性，本系統采用BP神經網絡預測一定時間內的人流量，從而計算出當前前往圖書館獲得座位的概率大小，對用戶的出行起指導性作用。

信用管理：本系統將讀者信用等級分為三級，即C-較差，B-一半，A-優秀。讀者取消預約和違規次數達到一定次數會影響其信用等級。違規行為包括：惡意占座，到達預約時間后未準時就座等。

3創新點

3.1運用了卷積神經網絡檢測座椅的占用情況

本項目使用了卷積神經網絡完成了對座椅占用情況的識別，相比于傳統的硬件監測方法，節省了硬件成本，安裝成本，維護成本等費用;相比于基于灰階識別分析和人頭識別的監測算法具有更高的準確率和抗干擾能力，有效完成了面向復雜環境的物體識別任務。此外，該算法還具有較好的可移植性，能夠適應不同的圖書館環境，有助于廣泛推廣。

3.2“查詢-預約-建議”一體化圖書館出行解決方案

通過使用座椅檢測的數據，觸發對桌面的檢測，利用邊緣識別獲得目標桌面圖像，利用opencv算法計算未占用桌面面積，從而識別占座狀態并統計占用時間，在占用時間超過1小時后通知圖書管理員對桌面進行清理，解除座位的占座狀態。結合圖書館信用評級體系，達到治標也治本的效果。同時，基于BP神經網絡的人流量預測模塊，能夠對用戶的出行起指導性作用，為用戶的時間規劃提供合理建議。相比以往采用占座條或是管理員人工計時判斷占座的方法，該方法極大地方便了學生并在一定程度上減輕了圖書館管理員的負擔，提升了座位的占用率，緩解了高峰時期一座難求的現象。

4總結

校圖書館圖書館因其資源豐富， 環境舒適，成為了學生日常學習及查閱資料的首選之處，然而隨著前往圖書館學習的學生日漸增多，座位管理逐漸成為了管理者的一項難題。在傳統圖書館中，學生難以了解圖書館座位資源的實時使用情況，由于圖書館的座位資源有限，有可能在某個時段出現大量學生而導致一座難求，或是某些時段座位存在大量余裕，在時間、空間尺度上均存在著不均勻分配的問題。很多學生為確保能在高峰時段獲得座位，往往會通過使用書本或其他物品進行長時間占座，這種現象加劇了座位資源的緊缺，同時也損害了學生的閱讀體驗。本團隊基于這一考慮，構建了“Seat？”一基于微信公眾號平臺的圖書館座位管理系統，幫助學生實時獲得座位信息并做出余座預測，從而提高座位占用率。

此項目著力于建立基于微信公眾平臺的圖書館座位管理系統，旨在解決大學圖書館惡意占座、座位使用率低下等不良現象，緩解學生需求與座位資源不均衡的矛盾，基于機器視覺技術提出了一創新管理模式，通過對圖書館的圖像采集、圖像處理、跟蹤檢測、實時反饋等任務，實現圖書館的智能化管理，為學生也為圖書館管理者提供了極大便利，屬于新的突破。

參考文獻：

[1]朱云琪，蔣玥，張軼.基于圖像識別的公共圖書館座位檢測系統研究[J].電子世界，2017（03）：131-133.

[2]林偉森，吳茂勛，鄧繼忠，李山，任高生，何明昊.基于圖像識別的高校圖書館座位余量的分析與發布[J].計算機時代，2015（04）：35-37.

[3]戴進，劉振宇.基于深度學習的圖像識別算法研究的綜述[J].計算機產品與流通，2018（03）：188.

[4]徐海東.基于人臉識別的座位管理系統的設計與實現[J].科技情報開發與經濟，2015，25（20）：140-141.

[5]馬爽. 基于圖像識別的教室照明節能系統的技術研究[D].沈陽理工大學，2015.

本文得到上海立信會計金融學院大學生創新創業訓練計劃（202111047035X）基金支持。蔡豐熠（2000-），金融數學專業本科在讀