王宝旭 杨会玲 何烊波 张刚 周石柱 叶利华

摘要：本文旨在开发一套防范因关窗疏忽导致儿童坠楼危险的窗户智能防护系统，拟采用人脸检测、年龄段识别、单目深度估计等人工智能技术检测儿童靠近窗户并自动关闭来规避危险事件的发生，提升智能家居安全水平。

关键词：儿童安全;人脸检测;深度学习;年龄段识别;单目测距

中图分类号：TP399 文献标识码：A

文章编号：1009-3044（2020）19-0065-02

开放科学（资源服务）标识码（OSID）：

1 引言

近年来，儿童在居住场所意外坠楼事故频频发生，除了大人疏于看护等主观原因，高层住户窗户缺乏防护栏等安全设施也是一个重要的因素。为了避免悲剧重演，家长须提高儿童安全监管意识，同时应做好防护措施。为了尽可能消除窗台存在的隐患，开发一套自动预防儿童坠楼监护系统实有必要[1]。目前，市面上已经存在智能窗系统，但其主要功能集中在防盗、放劫、防雨等方面[2]，并没有专门针对检测与保障家中儿童安全的窗户。因此研发一种新型的多功能儿童安全防护智能门窗成为智能居家与安全保障的发展趋势[3]。

2 系统构架与设计

儿童室内安全智能门窗防护系统由终端设备、服务端和APP端组成，如图1所示。该系统的硬件部分是一款基于人脸检测、年龄识别、单目图像深度估计来实现儿童识别的终端设备，它是儿童室内安全智能门窗防护系统中的重要部分，主要包括儿童检测、警报功能、单目测距、智能开关、数据记录模块等功能。服务端有云端数据控制，用户终端控制等功能。系统基于tensorflow设计分类大脑，使用OpenCV对采集的图像进行预处理，然后采用人脸检测、年龄识别、单目图像深度估计等算法进行风险评估。

3 系统功能实现

3.1 终端技术实现

终端部分基于深度学习的人脸检测、年龄段识别、单目图像深度估计等人工智能算法为核心，实现门窗的自动开闭操作[4]。

终端运行流流程如下：

1）终端开启后，硬件完成初始化，从服务器获取设置;

2）通过摄像头不断地采集数据，将图像输入到服务器端;

3）通过图像处理与识别判别是否是儿童，再判断风险;

4）如果有危险就会发送关窗和警报信号，并将此事件上传服务器存档。

图像处理与识别运行流程如图2所示。人脸检测判断是否有人，如果有人，再通过年龄段识别判断是否是儿童，如果是儿童，再通过行为预测和深度估计进行分析是否有危险。用户通过APP端查看终端设备的运行记录，如窗户自动通风记录、窗户自动防护记录等信息。也可以设置住户人脸、警戒距离、警报设置、自动防护等终端功能，通过服务器传输到终端来设置终端的相应功能。

年龄段识别由人脸检测和年龄识别两个部分构成。1）人脸检测：通过摄像头输入的图像，不能直接拿来进行操作，由于受到各种环境，拍摄角度，人物姿态，表情等因素，需要对图像进行人脸检测[5]，找出图像中人脸的具体位置，并将人脸提取出来。通过多任务学习方法[6]，将人脸检测分为三步（如图3所示）。通过三次卷积计算实现由粗到细的生成结果，其中Pro-posal Network（P-Net）的全卷积网络，以此来获得候选人脸窗口及其边框的回归向量并采用非极大值抑制（Non-maximum sup-pression，NMS）进行合并;Refine Network（R-Net），对上一阶段得到的所有候选框进行筛选;Output Network（O-Net）输出最终的人脸对象框，并输出五个面部特征点的位置（如图4所示）。在进行人脸对齐之前，需要对图像中的人脸的关键点进行检测。通过对人脸进行映射或仿射变化，得到正脸人脸图像。2）年龄识别：年龄识别通过采用深度学习对人类进行学习并进行估计，直接輸出估计的年龄结果。

深度估计基于深度学习单目估计方法，其原理是利用像素值关系反映深度关系，通过是拟合一个函数f把图像I映射成深度图，利用函数映射关系从像素值中恢复出相对深度值[7]。

3.2 服务端实现

服务器端主要使用Html、css、Javascript、Java和Mysql等技术共同开发完成，服务端和APP端之间通过Socket建立连接，进行通信。首先ServerSocket将在服务端监听某个端口，当发现APP端有Socket来试图连接时，accept该Socket的连接请求，同时在服务端建立一个对应的Socket与之进行通信。服务器端记录用户和设备信息，并将记录上传到服务器的终端设置、识别数据、警报记录等，用户可以随时在APP端查看这些数据信息。

4.3 结果分析

4.3.1 训练模型

通过在互联网上采集4万张儿童图像构建模型训练数据集，数据包括儿童及非儿童两种类型，如图5测试库部分样例所示，其中图集a是儿童样例，图集b为非儿童图集。训练中，通过随机抽取其中的60%用来训练模型，30%用于测试模型，剩余的10%用于验证模型。

我们首先基于DCNN深度卷积网络模型对图像进行特征提取嘲，模型的各卷积层配置如图6所示。

利用该模型对图像进行特征提取，如图7（a）所示;图像与Sobel-Gx卷积核的卷积结果如图7（b）所示;Sobel-Gy卷积核卷积层所得到的最终结果如图7（c）所示。

4.3.2 实验对比

由于三层不同卷积核操作之后的感受野不同，人脸在图像中的大小不一。随着卷积层数的逐渐增加，感受野的范围在逐渐扩大。卷积神经网络通过这种层层推进的方式，每一个卷基层都能学习到不同的特征，最后实现相关的识别、分类功能。为了验证卷积核大小对测试精度的影响，本文设计了四种卷积核进行测试，四种卷积核大小的不同组合下的实验结果如表1所示：

上述实验结果表明，模型中的卷积核大小对识别准确率有较大影响，相同卷积层数的情况下，每层卷积核越大，识别精度越高。在保证性能相差不大且CNN规模较小的考虑下，本文将网络的结构改进为三层卷积核为5*5的卷积层。

4.3.3 识别示例

为了消除指标之间的量纲影响，实验中对数据标准化处理，解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，再进行综合对比评价。实验结果如图8所示。

5 结束语

针对目前儿童意外坠楼事故频频发生的问题，本文设计了儿童安全智能门窗的防护系统，有效解决儿童门窗安全防护问题。随着生活方式的改变，儿童安全智能门窗的防护系统在生活中有着越来越重要的作用。新型的多功能兒童安全防护智能门窗必将成为智能居家与安全保障重要组成部分。

参考文献：

[1]钱坤，马淑文.家用超声波儿童防坠楼监护系统[J].大众科技，2016，18（7）：26-28.

[2]不公告发明人.一种基于物联网的智慧安防数据系统：CN110471346A[Pl. 2019-11-19.

[3]邓辉.建筑智能门窗及技术发展分析[J].门窗，2017（4）：32-34.

[4]林水清，林泰立，赵宝田，梁聪伟.门窗开关装置：CN207332598U[Pl. 2018-05-08.

[5]谭萍.人脸识别门锁：CN205680149U[P]. 2016-11-09.

[6]汤旭.基于深度学习的跨年龄人脸识别[Dl.北京：中国科学院大学，2017.

[7]席林，孙韶媛.基于SVM模型的单目红外图像深度估计方法：CN102708569A[P]. 2012-10-03.

[8]许路，赵海涛，孙韶媛.基于深层卷积神经网络的单目红外图像深度估计[Jl-光学学报，2016，36（7）：0715002.

[通联编辑：唐一东]收稿日期：2020-03-15

基金项目：浙江省新苗人才计划项目（编号：2019R417037）;国家级大学生创新创业训练计划项目（编号：201910354027）

作者简介：王宝旭（1999-），男，主要研究领域为人工智能;杨会玲（1998-），女，主要研究领域为图像处理;何烊波（1999-），男，主要研究领域为人工智能;张刚（1999-），男，主要研究领域为软件工程;周石柱（1997-），男，主要研究领域为软件工程;叶利华（1978-），男，主要研究领域为机器学习。