臺灣博碩士論文加值系統

隨著物聯網的蓬勃發展，智慧家庭、智慧型城市、智慧交通等技術日新月異，相關應用已拓展至生活中的各領域面向，其中，應用感測裝置達成人流計數的技術是許多應用共同的基礎運算，可運用於銀髮族安全照護、社區安全監控、活動或展場人流控制等等，相關的智慧產品十分多樣。
目前大多數的人流計數技術是使用影像處理方式估算人數，影像處理需要攝影機來當作判斷人流的感測器，其準確性較高但成本較昂貴，再者，人們對於安全和隱私越來越重視，架設攝影機來達到人流計數在許多場合並不適合。而被動人體紅外線感測器(PIR)可感測接近人體體溫的紅外線，可以靠溫度之變化來偵測待測物之移動，且成本較低，架設場域不受限，不但可以避免個人安全和隱私的問題，且其本身不會發射紅外線光，較為省電，很適合用來做為偵測人體移動和發展人流計數的技術。
由於PIR會因為不同進出行為模式產生不同的感測波形，根據先前的研究發現單個PIR能辨識簡單的單人移動(進出)行為，對多人同時進出的辨識效果不佳；為提高辨識正確性，我們提出利用PIR陣列產生多個PIR類比輸出波形的構想，因其有多個正負脈衝的波形變化，使不同進出行為模式的特徵也較為明顯。因此本文提出以PIR陣列和機器學習技術實現即時人流計數的技術，利用人體紅外線感測器(PIR)陣列感測人流變化，取得單人或多人進出房間的感測數據，進一步用機器學習的分類技術進行辨識，達成線上人流計數的目的。
在本論文中，我們設計即時人流計數的系統，具體地說，我們修改PIR的硬體電路，並使用八顆PIR以陣列排放的方式來偵測不同進出行為模式，以及利用多種機器學習的方法來訓練PIR感測器輸出的類比訊號以建立人流計數辨識模型，接著我們提出用OLPCML方法預測不同進出行為模式，來達到較高準確性的人流計數。為驗證我們提出方法的準確性，我們建置人流計數系統，並開發的Android人流計數App，透過手機連上Python Django伺服器進行各種操作，例如：蒐集訓練資料、即時進行辨識和統計人數、管理資料庫等功能。對比前人利用單個PIR做人流計數僅能判斷單一人進出和較簡易的類別，實驗的結果顯示我們所提出的方法在辨識多人多種進出行為模式都有不錯的準確度，因而能達到較高準確性的人流計數。

Nowadays, the IoT applications of smart home, intelligent city, and intelligent transportation have been widely used in our daily life. Using the sensing devices to count the number of people is a common and basic computing operation for various applications, e.g., smart home for elderly care, smart community with safety monitoring, flow control for activities or exhibition, etc..
Most of the people counting techniques use image processing methods to estimate the number of people. They need at least one camera as the sensor to locate the region of each person and also require some light source such as IR in stringent environments. Besides, counting people with cameras in private places raises a lot of security and privacy issues. On the other hand, the passive infrared sensor (PIR) is relatively cheap and can detect the body temperature of the infrared with low power consumption. It is widely utilized to sense the temperature changes to detect the movement of a test person and is suitable for the applications of people counting.
In the thesis, we propose an on-line people counting system by using a PIR array. Since a single PIR can only identify simple single-person passing in/out behaviors and thus we propose the use of a PIR array to generate a set of more differentiable PIR analog output waveforms to classify multi-people passing behaviors with the machine learning techniques including SVM, RBM, and regression. In addition, we modify the PIR circuit to adjust the sensing frequency and propose the OLPCML algorithm to detect the starting of an event period and then collect the sensing signals within the period. The sensing data of multiple PIRs is compiled and classified for on-line people counting applications. To study the performance of the proposed system, we implement the system with the Python Django and conduct several experiments. The experimental results show that using the PIR array can help improve the classification accuracy and the proposed system can achieve good performance for people counting.

中文摘要 i
Abstract ii
目錄 iii
圖目次 v
第1章 緒論 1
1.1 研究動機 1
1.2 研究方法 1
第2章 相關研究 3
2.1 PASSIVE INFRARED SENSOR (PIR) 3
2.1.1 菲涅爾透鏡 4
2.1.2 定時器:延遲時間Tx及封鎖時間Ti 5
2.1.3 可重複觸發模式及不可重複觸發模式 5
2.1.4 PIR感測器之相關研究 6
2.1.5 PIR輸出波形 8
2.2 PYTHON DJANGO WEB 應用程式框架 10
2.2.1 Django資料庫 11
2.2.2 Django後台管理 12
2.2.3 Celery 12
2.2.4 Asynchronous JavaScript and XML 13
2.3 類神經網路 13
2.3.1 Restricted Boltzmann Machine (RBM)的基本模型 14
2.3.2 RBM的快速訓練算法 15
2.4 支持向量機(SUPPORT VECTOR MACHINE) 17
2.5 邏輯回歸(LOGISTIC REGRESSION) 18
第3章 問題分析與解決方法 19
3.1 以PIR感測器做人數計數的極限和對策 19
3.1.1 影響PIR無法精準做人數計數的主要因素 19
3.1.2 基於PIR應用於人數計數的限制的策略 21
3.2 影響即時人流計數精確度的因素 24
第4章 系統與架構 25
4.1 系統之架構 25
4.2 OLPCML演算法之架構 25
4.3 GETEPOCHDATA演算法 26
第5章 實驗 28
5.1 實驗環境 28
5.2 訓練樣本與各類別模型 32
5.3 實驗結果 44
5.3.1 類比輸出基於不同顆數PIR的準確度比較 44
5.3.2 類比輸出基於增加較差類別筆數的準確度比較 44
5.3.3 類比輸出基於不同訓練樣本資料筆數的準確度比較 45
5.3.4 類比輸出基於不同位置PIR的準確度比較 46
5.3.5 類比輸出基於不同感測範圍的準確度比較 47
5.3.6 類比輸出基於不同擺設位置的準確度比較 47
5.3.7 類比輸出基於不同機器學習的準確度比較 48
5.3.8 僅考慮進或出，不細分31種模式的類比輸出準確度比較 49
第6章 結論 56
參考文獻 57

[1] F. Wahl, M. Milenkovic, and O. Amft, “A distributed PIR-based approach for estimating people count in office environments,” in Proc. IEEE 15th Int. Conf. CSE, pp. 640-647, 2012.
[2] S. Narayana, R. V. Prasad, V. S. Rao, T. V. Prabhakar, S. S. Kowshik, and M. S. Iyer. “PIR sensors: Characterization and novel localization technique,”. In IPSN, pp.142-153, 2015.
[3] P. Zappi, E. Farella, and L. Benini, “Tracking Motion Direction and Distance With Pyroelectric IR Sensors,” IEEE SENSORS J., vol. 10, no. 9, pp.1486-1494, 2010.
[4] S. Lee, K. N. Ha, and K. C. Lee, “A pyroelectric infrared sensor-based indoor location-aware system for the smart home,” IEEE Trans. Consumer Electron., vol. 52, no. 4, pp. 1311-1317, 2006.
[5]张 春 霞,姬 楠 楠,王 冠 伟.受 限 波 ? 兹 曼 机 简 介 [EB/OL].北京:中国科技论文在线.(2013-01-11) [2015-11-14].http://www.paper.edu.cn/releasepaper/content/201301-528.
[6]Is-215t Datasheet, Honeywell Security and Custom Electronic., 2008.
[Online]. Available: http://library.ademconet.com/MWT/fs1/9/4434.pdf
[7]G. Hinton, “Training products of experts by minimizing contrastive diver-gence, ” Neural Comput .,vol. 14, pp. 1771-1800, 2002.
[8] G. E. Hinton, “A practical guide to training restricted Boltzmann machines,” Tech. Rep. UTML TR 2010-003, Dept. Comput. Sci., Univ. Toronto, 2010.
[9]Gordon專欄,2014. [Online]. Available:http://blog.csdn.net/u010681136/article/details/40189349