林冠宇 张卓渊 刘贤稳 谢佳铭

摘要：室内人员信息是建筑智能化的重要决策依据之一。为此设计一种基于超声测距传感器阵列的室内人员感知系统，在无人的状态下采集数据作为参考数据进行建模，然后将模型与待检测数据进行比对。计算模型与待检测数据的相似度，可以判断检测区域内是否有人。实验结果表明，采用平滑去噪算法的模型能够有效区分待检测数据是有人状态或者无人状态。该方案具有低隐私侵犯性，且易于实现。

关键词：人员感知;超声传感器;上位机

中图分类号：TP391   文献标识码：A

文章编号：1009-3044（2022）16-0077-04

1引言

室内人数估计作为建筑智能化的重要决策依据，已成为智能建筑领域的研究热点，而判断室内人数的方法有许多[1]。目前室内人数估计的方法有两大类：一类是基于图像采集器的计算机视觉方法，该方法采用的是图像传感器采集检测区域内信息，继而基于目标特征或度量统计的方法进行人数统计[2]，该方案采集的图像传感器采集的信息量丰富，能够以高准确率计算出检测范围内的人数，但其具有隐私侵犯性，在半开放性质的场所须经过严格审查及权衡社会公共利益和公民隐私利益后做出规划，在私密场所更是禁止安装图像采集设备[3]。在部分私密场所，如旅馆房间、办公室等，其智能化，需要获知人数信息，该场景应用并不需要用于更精细的身份识别的数据量，测量范围不会有巨大的人流量，只需要检测有无人存在而不需要知道具体人数。另一类则是非计算机视觉方法，包括基于被动红外的方案[4]、基于超声波的方案[5]、基于无线信号的[6]，这类方法具有低隐私侵犯的特点，适用于上述私密场所。

超声测距是一种非接触式检测方式，因具有对人体无害、成本低廉、检测速度快等优点，被广泛用于交通、医疗等领域。将多个超声传感器组成阵列，可以采集类似低分辨率深度图像的距离数据，避免了隐私侵犯问题。通过机器学习算法计算采集的數据，可提高人数计算的准确率。文献[7]通过在天花板和侧面一面墙壁都平铺超声传感器，文献[8]通过在脚踝附近高度排列一行超声传感器，实现人的姿态的检测，用于检测人是否跌倒，但需要大面积场地无其他物体阻挡，难以实际应用。文献[9-10]通过在检测区域天花板平铺超声传感器，实现了人的姿态、行动轨迹的检测，但其占用天花板面积大，且算法只适用于平地。文献[11-12]都使用了超声测距传感器实现了室内的定位，虽然目标精确，但都要求被测目标按一定的要求发射信号，该方案适用于工业，不适合在室内用于检测人数。文献[5]使用了超声波传感器对建筑内人数，通过传递信号密度的变化判断人员位置等信息，但受环境因素影响大，判断准确度低。

在使用超声测距阵列进行室内人数检测时，实际应用场景很少是空无一物的平地，大多有着桌椅等大件办公用具。本文采用有一定探测角度的超声阵列传感器进行探测，可以避免占据大面积的天花板或墙壁，同时基于在无人状态下采集的数据建立数学分布，根据新的测量结果判断一个区域内是否有人。实验结果表明，结合本文的算法模型，超声阵列传感器确实能分辨探测区域内有无人存在，实现人员感知功能。

2超声测距技术概述

HC-SR04超声波模块测距的原理很简单，如图1所示。测量时，给模块TRIG引脚一个不少于10μs的高电平信号，模块将会发射8个40KHz方波，如果矩形波碰到障碍物反射回来被模块接收到，ECHO就会返回高电平，高电平宽度就是超声波往返的时间t，结合超声波在当前温度和气压下的速度[ν]，可得到测量距离为：

[L=12νt]

3超声传感器阵列模块硬件设计

多个超声传感器组合成超声传感模块可以实现在不侵犯隐私的前提下实现人员感知，智能建筑可以使用该超声传感模块获取的信息对电器进行调节，以减少不必要的能耗[6]。

传感器模块连接方式如图 2所示，25个超声传感器[S11， S12， …， S55]组成5×5的阵列，其中[Sij]表示第i行第j列的传感器。每个传感器通过VCC、TRIG、ECHO、GND这4个引脚连接着对应的微控制器，如图 3所示。由于实验使用的微控制器Raspberry Pi Pico的GPIO引脚有限，单个微控制器无法连接所有传感器，因此由多个微控制器协调工作，其中上位机U与微控制器[B1， B2， B3]之间相互连接，通过UART协议传输数据和命令，如图 4所示。

工作时，上位机U向[B1]发送启动命令0x00，继而[B1]向[B2]发送启动命令0x00，[B2]向[B3]发送启动命令0x00，[B3]收到命令后，向[S55]的TRIG引脚发送10μs的高电平信号，并等待[S55]的ECHO的引脚返回高电平，测得其高电平宽度后，以同样的方式启动其余传感器以获得对应数据。传感器的工作顺序为[S55， …， S51， S45， …， S41]。[B3]采集的数据为：

[P3=p41p42p43p44p45p51p52p53p54p55]

[B3]将上述数据[P3]以[i，j，p，t]的格式打包成字节数据返回给[B2]，其中i是传感器所在的行，j是传感器所在的列，p是传感器ECHO引脚的高电平宽度，t是收到高电平信号时的时间。[B2]收到返回数据后，相继启动[S35， …， S31， S25， …， S21]获得测量数据，获得数据：

[P2=p21p22p23p24p25p31p32p33p34p35]

[B2]获得数据[P2]并后将[P2]，[P3]一同以[i，j，p，t]的格式打包返回给[B1]。[B1]接收到数据后，相继启动[S15， S14， …， S11]，得到测量数据：

[P1=p11p12p13p14p15]

[B2]获得数据[P1]并后将[P1]，[P2]，[P3]一同以[i，j，p，t]的格式打包返回给上位机U，U通过整理可获得一帧数据[P（t）]：

[P（t）=p11p12p13p14p15p21p22p23p24p25p31p32p33p34p35p41p42p43p44p45p51p52p53p54p55]

由于超声传感器的探测角度为15°，因此设计上所有传感器与相邻传感器之间的最小夹角不小于15°，每个传感器探测方向如图 5所示，传感器模组实物如图 6所示。

4人体检测算法设计

提前采集当前场景下人数为0的数据作为参考数据，在测量时将新的测量数据与参考数据进行比对。当人体检测算法计算发现测量数据与参考数据的相似度较高时，认为该测量数据应是无人状态的数据，否则认为是有人状态。

将超声模块置于顶部3m高处，向下连续进行超声扫描，检测范围内人的存在。采集场景中人数为0的超声传感器数据。以25个传感器依次各扫描一次为第[t]帧[P（t）=pijt∈F5×5]，整个数据集共[m]帧，表示为：

[D0=P00， P01，...，P0t，...，P0m]

其中第[i]行第[j]列的传感器返回有效数据的集合为：

[D0ij=pijt|t∈1，2，...，m]

计算[D0ij]的均值[μij]和方差[σ2ij]，参考正态分布建立[x]是无人状态下的测量结果的概率密度函数：

[fijx=12πσijexp-x-μij22σ2ij]

单个传感器的测量结果[pij]越接近均值[μij]，越符合[D0ij]的分布，就说明其测量的范围内没有人的概率越高。该概率为：

[Pij=2μijpijfijxdx]

传感器测量第[t]帧的数据为[P（t）=pij∈F5×5]时，探测区域内人数为0的概率为：

[fP（t）=125i=15j=15Pij]

由于超声测距存在较大测量误差，单帧的计算效果存在较大浮动，使用前[n]帧平滑去噪增加预测结果的稳定性。则传感器测量第[t]帧时，探测区域内人数为0的概率为：

[Ft=1ni=t-n+1tfP（i）]

在指定阈值[θ]时，可得到检测区域内人数情况为：

[gP=1， Ft≤θ0， Ft>θ]

当[gP=1]时，代表算法根据当前测量数据[P]判断检测区域里面有人，反之当[gP=0]时，算法认为检测区域内无人。

5实验结果与分析

实验数据：以2000帧为一组数据，共采集无人状态下用于建模的数据[D0]共5组，无人状态下用于测试的数据共4组，有人状态下用于测试的数据共4组。测试结果表 1和图7所示。可以看出，当平滑去噪算法中的[n]值越大，预测最终计算的[Ft]越趋于稳定，越容易区分当前的人员状态是有人或无人。当[n]在10左右时，检测区域内有人和无人的[Ft]边界开始分离，在采样可以明确地区分人员状态。

6结束语

本文在研究基于超声测距的室内人员感知系统的基础上，设计了在探测区域包含其他办公家具等大件障碍物的情况下，感知区域内是否有人存在。该方案基于测量数据和参考数据的相似度，感知当前的人员状态，提高了基于超声测距技术的人员感知系统的泛用性，弥补了前人研究中使用超声测距实现人员感知时，场景内不能有障碍物妨碍计算的缺陷。然而，目前的研究仅在大件障碍物位置不变的前提下适用，要满变化多端的实际场景，仍需要更加合理地安排采样方式来构造模型。

参考文献：

[1] 周亚苹，俞准，李郡，等.建筑用户在室行为测量方法及预测模型综述[J].暖通空调，2017，47（9）：11-18.

[2] 孙万春，张建勋，瞿先平，等.基于视频的人数统计方法综述[J].数字技术与应用，2018，36（1）：49-51.

[3] 张硕.公共场所监控图像采集与个人隐私权保护[J].阜阳师范大学学报（社会科学版），2021（1）：138-142.

[4] Lee S，Ha K N，Lee K C.A pyroelectric infrared sensor-based indoor location-aware system for the smart home[J].IEEE Transactions on Consumer Electronics，2006，52（4）：1311-1317.

[5] Tarzia S P，Dick R P，Dinda P A，et al.Sonar-based measurement of user presence and attention[C]//Orlando Florida USA：Proceedings of the 11th international conference on Ubiquitous computing.New York，NY，USA：ACM，2009：89-92.

[6] Erickson V L，Lin Y Q，Kamthe A，et al.Energy efficient building environment control strategies using real-time occupancy measurements[C].Acm Workshop on Embedded Sensing Systems for Energy-efficiency in Buildings，2009.

[7] Nadee C，Chamnongthai K.Ultrasonic array sensors for monitoring of human fall detection[C]//HuaHin，Thailand：2015 12th International Conference on Electrical Engineering/Electronics，Computer，Telecommunications and Information Technology （ECTI-CON）.IEEE，2015：1-4.

[8] Chang Y T，Shih T K.Human fall detection based on event pattern matching with ultrasonic array sensors[C]//Pattaya，Thailand：2017 10th International Conference on Ubi-media Computing and Workshops （Ubi-Media）IEEE，2017：1-4.

[9] Ghosh A，Chakraborty A，Chakraborty D，et al.UltraSense：a non-intrusive approach for human activity identification using heterogeneous ultrasonic sensor grid for smart home environment[J].Journalof Ambient Intelligence and Humanized Computing，2019：1-22.

[10] Hori T，Nishida Y.Ultrasonic Sensors for the Elderly and Caregivers in a Nursing Home[C].International Conference on Iceis，2005：110-115.

[11] 徐盛良，魯照权，周永燕，等.基于信号强度与超声波测距的室内定位系统[J].仪表技术与传感器，2019（1）：91-96.

[12] 张成，田建艳，吕迎春，等.基于超声波测距的高精度室内位置感知系统研究[J].仪表技术与传感器，2018（1）：71-75.

【通联编辑：梁书】