一种基于卷积神经网络的智慧路灯联动控制算法

鄢小虎，李 康，陈 凯

(1.湖北大学 计算机与信息工程学院,湖北 武汉 430062；2.国网电力科学研究院，湖北 武汉 430074)

引言

作为智慧城市的信息节点，智慧路灯采用先进的智能控制技术、无线通信技术和电源管理技术，实现路灯的自动化、信息化和智能化。智慧路灯为实现照明管理升级、节能减排以及融合城市公共服务系统提供了方向，因此智慧路灯的建设具有重要意义[1]。

目前，国内外多家单位开发了相应的智慧路灯产品[2-4]，如：欧司朗开发的智能方案是将 LED 灯具连接到1个利用光管理软件单独控制的网络，形成1个灯具网。经过计算机的计算和分析，优化软件设置，按照特定时间、空间和环境状况调节灯具状态；华为在CeBIT 2016上发布了多级智能控制照明物联网解决方案，该方案的亮点是可以根据实时状况调整照明，从而提高节能效率；厦门市智联信通物联网科技有限公司提出的智慧城市方案，实现了视频、城市洼地水位、PM2.5、温/湿度、噪音等环境指数实时掌握；上海三思电子工程有限公司以LED路灯为载体，实现了智慧照明、充电桩、智慧安防、无线上网、信息交互、智能感知和4G基站等功能。

但是，目前市场上的智慧路灯各个功能模块之间都是孤立的，模块之间缺少联动，不能充分发挥各个功能模块的作用。当出现异常情况时，不能准确判别，给运维人员的日常工作带来了极大的困难。因此，迫切需要一种多功能联动的智慧路灯控制算法。为了提高联动的准确性，我们提出一种基于卷积神经网络的智慧路灯联动控制算法。

1 卷积神经网络

卷积神经网络[5,6](Convolutional Neural Network，CNN)是一种深度学习的前馈神经网络模型，它包括卷积层(convolutional layer)和池化层(pooling layer)。卷积神经网络可以直接从原始图像中识别物体，通过局域感受野、权值共享和次抽样三个方法来实现识别位移、缩放和扭曲不变性[7]。目前，卷积神经网络已经成为学术界和工程界研究的热点，广泛应用于图像和视频处理等领域[8]。

综合考虑计算速度和识别准确率，本文通过卷积神经网络LeNet-5模型提取拍摄图像的特征，该模型的层数为8，结构可以表示为：输入层—卷积层—池化层—卷积层—池化层—全连接层—全连接层—输出层。卷积层的形式如下：

(1)

其中l代表模型的层数，k代表卷积核，Mj代表第l-1层的第k个特征图，b代表输出图的偏置，f代表激活函数。ReLU函数能很好地传递梯度，经过多层的反向传播后，梯度仍不会大幅缩小，解决了梯度弥散的问题。本文激活函数采用ReLU函数，其数学表达式如下：

f(x)=max(0,x)

(2)

池化层采用最大值操作，通过保留最显著特征，提升模型的畸变容忍能力。

2 基于CNN的物体检测

本文的智慧路灯是集智慧照明、无线网络、视频监控、信息发布、智能充电、微环境监测、一键报警等功能的软硬件综合平台。后台系统能单独管理和控制各个功能模块，例如智慧照明模块能根据不同光照和不同时间自动调节LED灯的亮度，视频监控能实现摄像头水平方向360°连续旋转，信息发布能实现微环境监测数据自动上传和预警。

采用卷积神经网络对视频监测中的物体进行检测，详细的流程见图1。

图1 基于CNN的物体检测流程图Fig.1 Flow chart of object detection based on CNN

在智慧路灯附近，采用卷积神经网络对一键报警人和充电车辆进行检测，详细的步骤如下：

步骤1：生成候选区域。通过旋转云台，摄像头在以报警人和充电车辆为圆心，r(r=1.5 m)为半径的圆圈内拍摄图像，产生大量的候选区域。

步骤2：区域大小归一化。把所有侯选框缩放成固定大小，本文采用100×100(单位为像素)的固定区域。

步骤3：特征提取。综合考虑计算速度和识别准确率，通过卷积神经网络LeNet-5模型的卷积层和池化层提取拍摄图像的特征。

步骤4：分类与检测。在特征提取的基础上，采用softmax分类器来识别物体。softmax分类器有三个类别，分别是有报警人状态、有充电车辆状态及没有人车的状态。

3 基于CNN的智慧路灯联动控制算法

本文实现视频监控、智能充电和一键报警多功能的联动。摄像头在智慧路灯附近拍摄图像，将图像缩放成固定大小100×100(单位为像素)，输入卷积神经网络进行检测。当出现有人报警时，摄像头通过云台实时检测并跟踪报警人。若有人误报警，运维人员通过后台系统查看现场报警的视频情况，及时排除异常情况，避免无效的救援。

当出现车辆充电时，摄像头通过云台实时检测并跟踪车辆。若充电过程出现异常，运维人员在后台能实时查看，并提供相关的帮助。对于视频中的充电车辆图像，采用卷积神经网络还可以进行车牌、车辆类型、车身颜色和车标等信息识别，实现违法行为的自动化取证，提高取证效率，维护交通秩序和治安管理。

将视频监控、智能充电和一键报警联动的算法安装在后台服务器上，实现多功能的实时联动控制，联动的策略见图2。

图2 基于CNN的智慧路灯联动控制流程图Fig.2 Flow chart of intelligent street lamp linkage control based on CNN

在摄像的图像范围内检测到报警人时，视频监控与一键报警功能联动；在摄像的图像范围内检测到充电车辆时，视频监控与智能充电功能联动。当同时检测到报警人和车辆充电时，摄像头优先与一键报警功能进行联动，当检测到报警人离开后，再与智能充电的功能进行联动，详细的联动步骤如下：

步骤1：监控智慧路灯周围。在智慧路灯周围，摄像头将焦点对准固定位置进行监控，本文在东南西北方向共设置固定的八个点，摄像头每天在这八个点上轮回进行监控，这些点包括报警位置和充电车位。

步骤2：判断是否有人报警。若有，则转步骤3；否则，转步骤1，摄像头按固定的模式继续监控智慧路灯周围的情况。

步骤3：监控报警人。当有行人报警时，报警信号传到后台，采用卷积神经网络对行人按报警器的状态进行检测。摄像头在以报警位置为圆心，r为半径(r=1.5 m)的圆圈内检测。若检测到报警人，则摄像头自动调整角度，监控报警人。当报警人离开检测区域后，转步骤1。

步骤4：判断是否有车辆充电。若有，则转步骤5；否则，转步骤1，摄像头按固定的模式继续监控智慧路灯周围的情况。

步骤5：监控充电车辆。当有车辆充电时，充电信号传到后台，采用卷积神经网络对车辆充电的状态进行检测。摄像头在以充电车位为圆心，r为半径(r=1.5 m)的圆圈内检测。若检测到充电车辆，则摄像头自动调整角度，对准充电车辆，监控充电车辆。当充电车辆离开检测区域后，转步骤1。

4 实验结果及分析

为了验证本文方法的有效性和可行性，通过现场模拟一键报警和充电桩功能，产生训练样本。为了更好地比较和验证算法性能，产生3 000张训练图像和1 000张测试图像。在训练图像中，出现报警人的图像1 000张，出现充电车辆的图像1 000张，两者都不存在的图像1 000张。采用服务器对算法进行训练和测试，服务器的配置如下：CPU：Intel(R) Xeon(R) E7-4830 2.13 GHz，共有4个处理器；内存：64 G；软件环境：Matlab 2017a。

采用卷积神经网络和BP神经网络对收集的图像进行训练和测试，两种方法的结果比较见表1。在LeNet-5卷积神经网络中，学习速率设置为0.1，批次大小设置为20。BP网络有一个隐含层，该层的神经元为100个，允许误差为0.01。

表1 两种方法的比较结果

由表1可知，本文采用的方法运行时间短，准确率高，更加适合智慧路灯多功能的联动控制。当有500个训练样本时，卷积神经网络的识别准确率为86.2%；当有1 000个训练样本时，卷积神经网络的识别准确率为90.6%。由此可知，随着样本量的增加，算法的准确性也在增大。为了增大样本的容量，提高算法的鲁棒性，对试运行阶段的样本进行人工确认后，重新作为训练样本。当算法的识别准确率大于90%时，能满足智慧路灯现场联动的效果，因此本文将卷积神经网络应用的条件设置为样本量大于1 000。

5 总结

我们提出了一种基于卷积神经网络的智慧路灯联动控制算法，实现了视频监控、智能充电和一键报警联动多功能的联动。采用卷积神经网络对报警人和充电车辆进行检测，提高了联动的准确率。通过智慧路灯各个功能之间的联动发挥了各个功能模块的作用，极大地方便了运维人员的日常工作。