基于人流密度檢測算法的實訓室人員監控管理系統設計

孫一平 付瑾

摘要：針對高校實訓室人員信息難以智能化管理的問題，本文設計了一種基于人流密度檢測算法的人員監控管理系統，通過人臉檢測識別算法，實現了實訓室人員的無感識別和數理統計。以貴州民航產教融合開放實訓基地部署的人員監控管理系統為對象進行測試驗證，結果表明，該系統能夠可視化展示實訓室內的人員信息，對測試集數據具有100%的準確率。本研究為實訓室的智能化管理提供了有效支持。

關鍵詞：智能化管理；人流密度檢測算法；可視化

中圖分類號：G647??文獻標識碼：B

隨著高校不斷深化教育改革和發展，實訓課堂教學環節作為教育教學的重要組成部分，越來越受到重視。然而，目前高校在實訓教學環節中存在著資源系統配置不合理、實訓場地管理智能化水平低、實訓室利用率缺乏數理統計和評估等問題，嚴重影響了教學的質量和效果[1]。針對這些問題，亟需對實訓室人員進行有效地監控和管理。實訓室人員智能化監控管理是實訓監控管理中的一個重要方面，它涉及到對實訓室內人員出入、在場、活動等情況的記錄、分析和評估。傳統的人員監控管理方式主要依靠人工登記、考勤、巡查等方式進行，這些方式存在著主觀性強、效率低、準確性差等缺點，不能滿足現代化信息化教學管理的要求，因此，需要研究一種基于數字化、信息化和智能化的方法對實訓室人員監控管理進行改進和創新。

目前的人員監控管理系統主要采用主成分分析、線性判別分析、和支持向量機等方法，這些方法易陷入局部最優，存在識別效率低的問題，而人工神經網絡也存在數據樣本小或網絡簡單，導致模型訓練困難等問題，不能滿足準確監控的需要[2]。為此，本文研究一種基于人流密度檢測算法的實訓室人員監控管理系統，以解決高校實訓室人員監控管理識別準確率不高的問題。

1?系統總體方案

基于人流密度檢測算法的系統總體方案設計如圖1所示。人流密度檢測算法是基于計算機視覺對圖像進行分析和理解，實現對目標、場景、特征等信息的提取和識別的一種圖像識別技術，它通過對人臉圖像進行檢測和識別，實現對人員身份和屬性的判斷和確認，這在人員管理、考勤系統、智能門禁等方面有著重要的應用價值。

整個系統是基于攝像頭自動采集進入教學場所的人員的人臉圖像，傳入人員監控管理系統，開展人臉識別。系統若檢測到課堂學生或教師，則進行正常數據統計和分析；若監測有非法入侵者，則會把入侵者的照片保存到數據庫，并發出警報聲，同時，系統還會通過GPRS給系統管理員發出入侵警告短信[3]。

2?系統組成設計

本文設計的人員監控管理系統由四個部分組成，如圖2所示。第一部分是前端部分，它使用高清視頻攝像機來捕捉人員的信息。第二部分是傳輸部分，它使用網絡交換機、網橋等設備來把前端的圖像信號傳送到監控中心。第三部分是中心控制部分，是基于Dell?PowerEdge?R740服務器設計的，負責對圖像信號進行管理、存儲、解碼、分發等操作。第四部分是顯示部分，它負責把信息以高清、流暢、實時的形式展示出來。此外，還有輔助部分，它為其他硬件設備提供穩定的電源和安全的防護。本系統選擇?Windows作為操作系統來統一管理和控制存儲器、攝像頭和網絡等外部設備。

需要指出的是，前段部分的人臉圖像采集設備是一種用于獲取人臉圖像的硬件設備，它主要由攝像頭、圖像傳感器、GPRS模塊等組成。攝像頭負責捕捉人臉圖像，并將其轉換為數字信號。圖像傳感器具有CMOS功能，支持Windows內核的萬能驅動，具有低功耗、高集成度、低成本等優點。GPRS負責將圖像傳感器處理后的人臉圖像數據通過網絡發送到人臉識別系統的服務器端，實現遠程傳輸和存儲，它適用于Dell?PowerEdge?R740芯片的模塊，直接插到相應接口就可以使用，無需額外的配置和安裝，它提高了設備的兼容性和便捷性。

3?人流密度檢測算法

3.1?系統編譯環境

為了實現基于人流密度檢測算法的人員監控管理系統，首先搭建了系統交叉編譯環境，將圖像處理的程序編譯成適合管理平臺運行的可執行文件。本文采用的交叉編譯環境如圖3所示，模型訓練基于RTX?A4000顯卡，采用TensorFlow?2.0開源系統軟件，這有利于提高系統設計的靈活性及降低開發成本。

3.2?算法實現

人流密度檢測算法的核心是識別圖像中的每個人員，基于深度學習的人員檢測方法自動從圖像中提取有助于完成任務的語義特征，提高檢測的準確性和魯棒性。本研究基于YOLOv5的深度學習算法[4]，它由四個部分組成：輸入端、Backbone、Neck、Prediction，如圖4所示。模型的基本組件包含由Conv+Bn+Leaky_relu三者組成的CBL、由Conv+Res?unint模塊Concate組成的CSP、以及采用1×1，3×3，5×5，7×7的卷積核進行多尺度融合的SPP。

輸入端是對圖像進行調整大小、歸一化預處理，轉換為適合模型處理的格式。Backbone是主干網絡，用于特征提取，它是一種經典的卷積神經網絡Resnet，通過Res?unit來解決梯度彌散和過擬合的問題，在圖像分類問題上具備較強的特征提取能力。Neck利用殘差連接和通道分離的方式，更好地融合Backbone給出的特征，提高了特征提取的效率和效果，從而提高網絡的性能。需要指出的是，Backbone網絡使用了Focus結構，將圖像的寬高信息集中到通道信息，減少了計算量和內存消耗，同時，還使用了Mosaic數據增強，將四張圖片進行拼接，豐富了檢測物體的背景，提高了模型的泛化能力。

3.3?系統特色與創新

與經典的卷積神經網絡和深度信念網絡人臉特征提取方法相比[5]，YOLOv5首先使用了Focus結構，輸入圖像的四個相鄰像素被合并為一個，能夠將更高層次的特征運用到多個層次的表示中，以更高效地提取圖像特征的判別信息。其次，利用YOLOv5的CSP結構，將特征圖分為兩部分，一部分直接傳遞到下一層，另一部分經過卷積操作后再與前一部分相加，從而增強特征的表達能力。最后，由于YOLOv5使用了SPP結構，實現了多尺度的特征融合，提高了對不同大小目標的檢測性能。因此，基于YOLOv5的深度學習特征提取方法的優勢之一是靈活性和分辨率，它非常適合實訓室人員監控管理系統且更為有效。

4?系統實現與測試

4.1?系統執行流程

系統程序執行分為訓練過程和測試過程，如圖5所示。首先對攝像頭采集的訓練樣本圖片作數據增強處理，充分訓練后獲得準確的測試模型。然后，讀取測試樣本，測試模型自動預測準確率。如果存在異常數據則報警，系統利用GPRS給系統管理員發短信通知。

4.2?測試結果分析

以貴州民航產教融合開放實訓基地部署的人員監控管理系統實驗平臺為測試對象，如圖6所示。測試集人臉數據是由貴州開放大學航空學院應急救援技術專業的4個不同班級，每個班級50人，為了綜合測試GPRS報警功能，在測試的二班、三班和四班分別加入非本班學生2名、3名和4名，因此，測試集由209幅人臉圖像組成。

系統對4個班分別進行測試，測試分析結果見下表，可以看出，該系統的準確率為100%。

5?結論

本研究設計了一種人流密度檢測算法的實訓室人員監控管理系統，給出了系統的設計目標、硬件組成以及軟件流程。測試結果表明，系統具備人員信息識別準確率高達100%。該系統配備了GPRS模塊，一旦發現非法入侵者，能夠立即通過短信告知系統管理員，實現實訓室的智能化無人管理。

參考文獻：

[1]李家薪，秦思，陳彬．新形勢下職業院校實驗實訓室建設與管理問題的思考[J]．科技風，2023（03）：17-19．

[2]鄭鵬，柯曄偉．基于人工智能和云平臺管理的高校智能實訓室建設[J]．科技風，2020（32）：3-4．

[3]劉新朋，郎利影．基于ARM的人臉識別門禁系統設計[J]．工礦自動化，2013，39（09）：12-15．

[4]宋傳旗．YOLOv5算法的人臉識別檢測方法研究[J]．計算機時代，2023（07）：15-19．

[5]莊薪霖．人臉識別方法綜述[J]．科技創新與應用，2022，12（02）：130-132．

項目來源：本文為貴州開放大學（貴州職業技術學院）、貴州遠程教育基地、貴州遠程教育學會課題成果，課題名稱：基于圖像識別的人員監控管理系統設計及應用研究（項目編號：2023ZD12）

作者簡介：孫一平，博士，貴州開放大學（貴州職業技術學院）副教授，研究方向：深度學習。