未来智讯 > 智能家居论文 > 基于无线传感网络的智能家居安防系统

基于无线传感网络的智能家居安防系统

发布时间:2017-12-07 09:31:00 文章来源:未来智讯    
    关键词:无线传感网络;人脸识别;智能家居;IPv6
    中图分类号:P315.69 文献标识码:B 文章编号:2095-1302(2015)06-00-04
    0 引 言
    近年来互联网在各个领域得到了空前的发展,人们对信息资源的开发和利用进入了一个全新阶段。作为计算机网络的祖父 ARPANET 和其后继的 Internet 标准网络层协议IP的前形式(IPv4)已捉襟见肘:IP 地址资源越来越紧张,路由表越来越庞大,路由速度越来越慢等。虽然各方面都在研究一些补救方法,如用地址翻译(NAT)来缓解IP地址的紧张,用无类域间路由选择(CIDR)来改善路由性能等,但这些方法只能令IPv4得到一些喘息的余地并不能完全解决其先天的不足,很明显IPv4己来日不多。因此,互联网开始进入IPv6的新时代,其中的典型应用就是物联网,物联网应用覆盖了智慧农业、智能环保、智能建筑、智能交通等领域,提供“无所不在的连接和在线服务”,包括在线监测、定位追溯、报警联动、指挥调度、远程维保等。
    家庭安防系统广泛应用于家庭住宅预防盗窃、抢劫以及紧急救助、烟火报警、防剪线报警、煤气泄漏报警、保险柜防盗报警等,甚至有些企事业单位也可以使用例如货物仓库防盗报警,禁区防盗报警,金融部门防抢防盗报警,机密档案防盗,商店商场物品仓库防盗报警,住宅小区商住楼联网防盗报警,汽车停车库防盗报警等。随着人们生活品质的提高,智能家居越来越成为人们生活不可缺少的部分。
    1 基于IPv6的无线传感网络模块
    1.1 IPv6协议栈的裁减
    无线传感网络由于其成本低廉、扩展性好、容错性强、适应性优等特点得到了飞速发展。IPv6的安全性强、支持的服务类型多、地址空间大,拥有良好的发展前景。本文研究将IPv6作为无线传感网络的底层协议,但是受到嵌入式传感节点存储器的限制,IPv6不能直接运行。但是,6LowPAN技术的出现使得IPv6在无线传感网络环境中的运用成为可能。
    6LowPAN实际上就是一个适配层,它的下层协议使用的是IEEE 802.15.4,但上层协议是IPv6。它实现的是IPv6与IEEE 802.15.4的一个联接功能,相当于对IP协议和IEEE 802.15.4协议进行重组。由上层IPv6协议 、LowPAN适配层、下层IEEE 802.15.4协议组成了裁减过后的“轻量级”IPv6协议。IP协议与6LowPan协议的对比如图1所示。
    图1 6LowPAN协议与IP协议的对比
    6LowPAN网络可以在本网络域内正常运行,但是一个完整的网络必须是一个能够与外界联接的网络,为了与外界IP网络进行通信就要有边缘路由器。6LowPAN边缘路由器是存在于整个网络域边缘的路由器,它负责沟通外界IP网络与内部6LowPAN网络域,相当于“翻译”,将IP协议与6LowPAN协议相互转换,因此,对于这两个协议来说,协议的格式是彼此透明的。边缘路由器的功能如下:
    (1)处理6LowPAN的头部压缩;
    (2)发现周围邻居并建立邻居关系;
    (3)将6LowPAN协议与IP协议互相转换实现通信;
    (4)对传感节点收集到的不需要上传到IP网络的数据进行处理;
    (5)将传感节点收集到的实时参数以及传感网络的运行状况上传到系统数据库。
    边缘路由器的存在使得6LowPAN网络域能够与IP网络正常通信,才能将传感节点收集到的实时数据上传到互联网数据库,被外界所感知并根据相应规则进行自动调控或者及时通知管理人员采取适当措施。由于边缘路由器的存在,使得6LowPAN不再是一个单独的网络域,而是延伸为IP网络的一部分,这正是在传感网络的基础上实现农产品溯源的基础。
    1.2 数据的上传
    根据IP网络与无线传感网络的区别在于将整个系统分为两个模块,所以数据的传输可分为两段。在传感节点感知到信息后,会将信息沿着6LowPAN网络传输到边缘路由器,一部分数据会被路由器马上处理,另外一部分在经过协议转换,得到能被外界IP网络识别的数据并沿着互联网上传到某端,然后被处理,同时,信息会被数据库分类、汇总。这样就保证了传感网络的运行状况能及时上传,无用信息被丢弃,减少了系统的工作负担,提高了工作效率。从整体来看,实现重要数据从传感节点到数据库及网络的端到端联接,极大地简化了系统工作过程,如图2所示。
    图2 传感节点感知信息上传过程示意图
    边缘路由器的使用,充分利用了轻量级IPv6协议栈传输信息量大、安全性好、扩展性强的优势,对数据的智能处理以及网络域内外的协议转换弱化了传感网络以及IP网络的界限,使得传感节点在真正意义上接入互联网,传感器网络不再是一个独立的网络系统,而是融入至现有互联网系统中,真正将IPv6与传感网络相结合,体现了物联网的概念。
    2 传感节点的分类以及工作流程
    传感网络是由多种不同用途的传感器构成的,由于传感节点价格低廉、维护代价小、能够很好地适应不同环境的特点,使得传感网络能够遍布整个室内环境,更加精确地感知室内环境参数,便于自动作出应答或者及时反馈给管理人员。
         (1)温度数据:分布于房间各部位的温度传感器能够实时采集房间内温度,并将数据采集上传到后台数据库,通过终端能够将过去收集到的温度信息展示,这样,人们就可以了解到自己所处的环境温度,并且选择自己偏爱的温度范围,作为智能调节室内温度的依据。
    (2)光强数据:分布于必要的门禁系统以及可选择的室内房间的门内光强传感器采集的光照强度。在主人离开的命令下达之后,光强传感器开始工作,并在一定的光强范围内工作,为了提高精度,每个门设置了3个光照传感器,当接收到的光强数据超过一定的阈值之后,根据以下步骤进行工作:
    ①判断是否三个光照传感器都超过阈值,如果是,则执行②,否则执行⑥;
    ②判断是否是装有门禁系统的门出现故障,如果是,则执行(3),否则执行⑤;
    ③判断打开门的人是否经过授权,不是则执行④,否则执行⑦;
    ④将信息发送给主人,并提示危害程度为高;
    ⑤将信息发送给主人,并提示危害程度为低;
    ⑥系统故障,则记录信息,但不发送数据;
    ⑦系统工作正常,记录来人信息。
    (3)灰尘数据:分布于地面和墙壁上的灰尘传感器能够将空气中以及地面的尘度实时监控,在检测到所处空间的尘度超过设置的阈值后,记录空间位置;当所处空间内有一定数目的节点反馈尘度超标时,相应的除尘装置就会开始工作,并且会实时查看尘度反馈情况,当所有节点提示正常工作时,那么除尘装置就会停止。
    (4)烟雾数据:分布于厨房以及易发生火灾的各个地点,能够及时准确的感知空气中的烟雾信息是否超过阈值,以便判断室内是否真的发生火灾。在确认发生火灾后,能够根据烟雾浓度分布不同,大概确定着火地点。在采取应急措施的同时能够及时反馈给主人以及物业管理员。
    (5)视频数据:考虑到视频数据的传输复杂性以及存储庞大性,并不是所有的视频信息都会被长时间存储。并且在正常情况下不会被传输给主人,只有在发生突发事件的情况下,根据情况的紧急性将视频信息传输给主人,以便采取更加准确、人性化的策略,避免了偶然事件的误报可能。
    3 GSM通信模块
    系统上电初始化各个模块以及传感器和手机号码设定完毕后,系统进入 GSM 模块初始化阶段,之后整个系统初始化设定完毕。系统进入布防状态。只有系统进入布防状态后才进入控制检测,否则布防信号无效,控制系统不检测其状态。只有设防信号有效后,系统才处于不断检测控制系统状态和接收用户短信的状态之中,若控制系统检测到有非法入侵信号时,就会发送报警短信给用户手机,可设定只发送一次短信,并且发送本地报警信号,持续 10 秒。 当用户手机发送固定格式的短信给系统时,控制系统接收并判断,然后根据判断结果给予相应回复,以实现手机用户和系统的互动操作。图3所示是GSM通信模块的工作流程图。
    图3 GSM通信模块工作流程
    4 门禁识别系统
    4.1 人脸识别技术的现状
    目前主要的基于人脸进行识别的算法包括:基于 PCA 的人脸识别算法、基于 Fisher线性判别的人脸识别算法以及基于 LBP 特征的人脸识别算法,这些算法在识别率、计算时间、数据存储量及可扩展性方面各有优劣。
    OpenCV 是一个开源的可以跨平台运行的计算机视觉库,包含了许多图像处理和计算机视觉方面的通用算法。
    本文在OpenCV的基础上设计并实现了一种人脸识别系统。本系统根据工作过程大致分为三个模块,包括采集图像装置、服务器和客户端。采集装置在采集成功图像后传给链接的服务器,服务器调用Opencv处理之后将处理结果通过客户端展现。根据事先录入的数据进行判断,这仅仅对授权用户开放。
    与传统的Adaboost人脸检测算法不同,本系统需要的是一个正脸分类器,这就要求集中所有正样本为正面人脸,负样本需要包含非正脸的所有情况。经过测试发现,如果训练样本选择不当会导致检测算法严重失效,最终误检。例如,在复杂背景下将“非人脸”检测为“人脸”的情况;将偏转角度较大的人脸误检为正面人脸的情况。这些误检情况会对后续人脸识别产生很大的影响,从而影响系统最终结果的准确性。
    4.2 双重检测算法
    本系统采用 OpenCV 来实现双重检测算法。即首先采用 AdaBoost 人脸检测算法对采集图像进行检测,提取“人脸”图像区域,然后对检测到的“人脸”区域进行双眼定位,并对双眼特征进行判别。
    人脸检测主要包含两个模块:训练和识别。
    (1)训练模块
    训练模块是由OpenCV自带的HaarTraining程序完成的。训练之前,需要采集大量的正负样本。正样本要求是正面的人脸图像,选取时需要考虑到样本的多样性(人脸表情变化、戴眼镜与不戴眼镜、光照明暗不同等),所有正样本需要裁剪为同一尺寸,然后将图片放入“positive”文件夹;负样本即为非人脸图像,要求有一定的代表性,样本数量大(一般负样本的总数要达到正样本的三倍以上),样本图片不能重复,而且彼此之间应有较大差异,然后将图片放入“negative”文件夹。此外,要求负样本采用灰度图,提高样本训练的速度。
    然后创建样本文件。负样本是由背景描述文件“bg.txt”来描述,该文件通过自己手动创建,文件中每一行对应一个负样本图片的路径。由于采用 HaarTraining 训练时输入的正样本是 vec 文件,所以需要使用OpenCV自带的opencv_createsample.exe程序将准备好的正样本转换为vec文件。
    (2)识别模块
    首先获取摄像头视频,并对视频中的每一帧图像进行检测分析。本系统采用双重检测算法来实现人脸检测,其流程如图4所示。首先加载待检测图像,并对其进行预处理,包括灰度化、高斯滤波、直方图均衡化等。然后加载训练好的正面人脸分类器,并通过函数将其转换为OpenCV 内部格式 CvHaarClassifierCascade。再将待检测图像以及级联分类器一同传给OpenCV 目标检测函数 cvHaarDetectObject(),函数执行完返回一个检测到的人脸集合。如果集合为空,则判断无人脸存在,返回继续加载检测图像进行检测,如果不为空,则进行下一步的双眼检测。
         图4 双重检测算法流程
    由于本文采用的人脸分类器为正脸分类器,所以通过上述检测得到的人脸为“正脸”。 一般正面人脸都会存在双眼,所以对检测到的“正脸”再次进行双眼检测,排除前一轮检测的误检错误。双眼检测过程同人脸检测相同,只是加载的分类器不同。函数执行完返回一个检测到的双眼集合。如果集合为空,则判断该“正脸”为误检,程序返回并继续加载检测图像进行检测,如果不为空,则通过函数返回的双眼坐标进行下一步的双眼特征判断。如果不满足既定的基本准则,则判断获取的“双眼”为误检,进而判断该“正脸”为误检,返回继续加载检测图像进行检测,如果满足所有准则,则判断该“正脸”为系统所需正脸。最后分析一般正面人脸的双眼位置与比例关系,并根据获取的双眼坐标与距离,在原图像上截取正面人脸区域。将提取的正脸保存到本地文件夹,并将其传递给识别模块进行识别处理。一轮检测完后,程序将返回并继续加载检测图像进行检测。
    5 结 语
    在新型无线传感网络基础上实现的智能家居安防系统,由于将IPv6安全性高和无线传感网络便携性好、维护成本低、适应强的特点结合起来,具有广阔的应用前景。在此基础上实现的智能家居安防系统正在对当前以人力管理为主的存在许多安全漏洞的物业管理产业造成极大冲击,更加人性化的是,人们可以根据自己的需要定制能够满足个人需求的智能安防措施。为了更加准确地捕获室内各项参数,本系统在布置大量传感节点的同时,对系统做了冗余措施,即只有当同一区域内超过一定数量的同类型节点提示同样信息时才采取应答措施,这就避免了偶然因素。同时,根据安全事件的紧急程度采取不同等级的应对措施,如通知管理人员、报警等。门禁系统的使用,使得人们的生活更加智能化,并且通过改进的检测算法,使识别准确率大大提高;门禁系统内传感器的使用,使得非法入侵行为能够在第一时间被发现,避免了不必要的损失。GSM模块的添加使得系统更加人性化,异常信息能够被及时传递,采取更人性化、灵活的措施。视频模块的添加使得室内图像被感知并且记录下来,只有在出现紧急情况,并且在主人发出请求的前提下,短暂的视频片段才会被传输。
    随着互联网的不断发展,人们的生活更加智能化、网络化,无线传感网络的推广,尤其是廉价、适应性强的传感节点的大量部署,使得多种安全所需的参数能够被准确及时地感知,相应的安全策略也能够在事故发生之后在极短时间内被采取,极大地减少了损失发生的可能性。这是物业管理的发展趋势,也是网络的再次延伸。
    参考文献
    [1] 边肇棋,张学工.模式识别(第二版) [M].北京:清华大学出版社, 2000.
    [2] 赵伟达.人脸检测中相关特征的研究[D].上海:上海交通大学,2007.
    [3] 尹洪涛,付平,孟升卫.基于局部特征融合的人脸识别[J]. 测试技术学报, 2006,20(6):539- 542.
    [4] 艾海舟,肖习攀,徐光佑.人脸检测与检索[J]. 计算机学报,2003,26(7):874-881.
    [5] 黄爱民,安向京,骆力.数字图像处理与分析基础[M]. 北京: 中国水利水电出版社,2005.
    [6] 余永权.智能家居网络的架构、功能及发展[J].电子世界,2002(5):4-5.
    [7] 晁海鸥,吴丹.住宅火灾报警与智能家居同步发展的趋势[J].消防科学及技术,2011,30(12):1160-1162.
    [8] 金逸超.基于物联网环境的智能家居安防系统的研究与实现[D].南京:南京邮电大学,2011.
转载请注明来源。原文地址:https://www.7428.cn/page/2017/1207/9402/
 与本篇相关的热门内容: