基于深度置信网络的酒店入住管理系统研究

张殉 权家运

摘要：为了解决当下智能酒店出现无法人证合一以及资源不必要浪费问题，通过视频流人脸识别技术与行人再识别技术应用，结合模糊集理论改进的深度置信网络模型实现人体检测，提出一种新型智能化的酒店入住管理系统模型。人脸识别技术、多数据融合技术以及“居民身份证网上功能凭证”，为模型提供了可靠的技术支持。结合模糊控制理论的深度置信网络人体检测模型相较于传统人体感应模型，可观察范围由单一场景拓展到复杂多因素场景，有效排除了各种因素的干扰。

关键词：人脸识别;行人再识别;多数据融合;模糊集理论;深度置信网络

DOI：10.11907/rjdk.192252 开放科学（资源服务）标识码（OSID）：

中图分类号：TP319文献标识码：A 文章编号：1672-7800（2020）006-0125-05

0 引言

在智能家居业蓬勃发展的今天，酒店智能化不容忽视。酒店客房一般通过办理客房卡刷卡人住，通过插卡取电及开关直接控制灯光空调等电器设备。这要求人住者保管好房卡，出门随身携带;若外出时房卡不慎丢失，会带来麻烦，如果被别有用心之人捡到，容易造成一定安全隐患。并且，酒店办理者与实际人住者身份不统一，也存在安全方面的隐患。因此，实现方便快捷以及节能的无卡酒店人住和供能控制尤为重要。

通过调查已有文献可知，智能酒店是通过面部识别对房客进行认证识别，从而摒弃了对房卡的使用，但是忽略了房卡对于节能节水方面的影响。而实现房卡对于节能节水的控制，就需要通过人体感应实现“人在供电，人走去电”的特性，而传统的人体感应模型只是针对楼道灯感应出水等单一因素和单一场景判定。如何应对复杂场景的人体感应是一大难点。

随着科技的进步与发展，人脸识别技术、电子身份网证、多数据融合技术，以及各类传感器的研究与开发日益完善，视频流人脸识别技术可以实现对人住者的实时跟踪判断，在此基础上延伸酒店智能化特性。本文提出基于模糊理论的传感器融合人体感应技术，可以解决传统人体感应模型单一因素、单一场景的限制。

1 酒店入住系统总体框架

本系统主要由身份识别认证模块和房间人体检测模块构成。用户通过移动设备预定酒店。预定成功后房客脸部信息进入酒店数据库白名单。用户进入酒店时被摄像头识别认证，并通过摄像头群进行行人再识别。实时定位用户位置，并对用户进行位置指引。当用户到对应房间位置时，房间门锁处于可打开状态，通电模块予以通电。在室内设有人体感应模块，通过对人类居住房间的各种行为因素（诸如站立、睡觉、静止不动、洗漱、走出房间等）进行模拟，同相应传感器结合模拟得出数据。利用其中一部分数据进行学习，用其它数据进行检测，创建出一个全面高效的人体感应模型，实现全面有效的人体检测。

2 酒店入住管理系统关键技术

2.1 技术需求分析

针对传统酒店管理系统出现的几个问题，如何使用现有科技解决问题是本文主要研究内容：①解决房卡对于房客人住的限制;②实现人证合一，智能认证房客信息;③保证人住安全性。

房卡的功能主要有两点：一是刷卡进房，二是插入取电。基于此分析房卡特性为：其一它是人住者身份信息的体现，其二作为供电信号，插卡取电保证了人住通电、人走断电的供电模式。

基于房卡功能及特性分析，总结代替房卡所需技术需求如下：①酒店系统自动识别房客身份，智能开锁;②酒店系统能够自动识别房间是否有人，做到智能通断电。

考虑实现人证合一及安全性所需技术如下：①店系统能够存人房客身份认证后的脸部信息，作为人脸识别对比库;②人的面部信息同身份证信息相结合，识别房客踪迹，实时跟踪判断。

综上所知，要代替房卡实现人证合一，借助视频流人脸识别技术、行人再识别技术以及可靠的人体感应技术。

2.2 视频流人脸识别技术关键算法Adaboost

人脸检测常基于Adaboost算法加以实现。Adaboost算法是一种自适应增强型算法，其优点在于经过多次迭代，使得被错误分类的样品权值不断增大，而正确分类样品的权值会减少。在每一次迭代中，都会加入一个弱分类器，当错误率的大小符合要求时得到最终强分类器。

Adaboost算法原理为：

（1）设当前训练集如式（1）所示。

其中给定Y_i∈{-1，1}用于训练样本的种类标签。

这时，需要給每一个样本赋予相同权值，选定权值都为1/N，可得初始权值分布如式（2）所示。

迭代T次，先选取一个弱分类器计算该弱分类器在分布上的误差，其误差如式（3）所示。

式中，e_t代表第t次迭代时弱分类器的误差率，H_t表示此时加人的基本分类器。

计算归一化常数Z_t如式（4）所示。

对t+l时刻的权值分布进行更新如式（5）所示。

（3）对弱分类器进行整合如式（6）所示。

最后通过符号函数Sign作用得到强分类器如式（7）所示。

在视频流人脸识别中，考虑到Adaboost算法敏感性问题，可以借助Opencv中肤色辨别方法排除人体中非肤色区域，这样能够大大减少训练时间。

2.3 基于Camshift算法的行人再识别技术实现

在摄像头识别房客后，要对房客的运动轨迹进行追踪，这样才能够在酒店内精准定位到房客位置，而实现这一功能的关键算法便是由Meanshift算法改良后的Camshift算法，流程如图2所示。

Camshifl算法是一种通过爬升概率分布梯度获得最近主峰的无参方法，是Meanshift的改进版，在一阶矩基础上再次计算窗口各元素的二阶矩。其算法原理如下：

（1）计算窗口的零阶距。

运用Camshift算法可以有效解决目标遮挡以及变形，并且其时间复杂度低。但是它也有缺点，如当背景较为复杂时，会有较多的像素干扰，这时可能会导致跟踪失败。因此，对于酒店走廊背景设计应该以精简为主。

2.4 结合模糊集理论改进深度置信网络模型的人体检测实现

当前，感应人体的传感器种类繁多，主要运用于感应灯、安保措施等方面。人们主要运用单一传感器对人体进行检测，考虑的只是单一的、某一区域的静态检测，往往会存在很多局限性。常用人体感应传感器及其局限性如表1所示。

由于单一传感器的局限性以及特定场景的不可预测性，单一传感器显然无法可靠全面地判断人是否在房间。而由于酒店的特殊性，其无法安装摄像头。因此，根据各种传感器的优缺点，结合特定场景放置其它传感器，可以设计出一个稳定可靠的人体感应模型。

模糊集是描述不确定事物以及不确定现象的一种数学手段，它可以将复杂的事物逻辑转换为[0，1]区间上的逻辑，常用在模式识别中。可以将存在住户与不存在住户的逻辑转换为隶属度，然后在深度学习中引入模糊集概念，这样可以有效提高预测精准度。

在识别方面，深度置信网络（DBN）是当今使用较多的一种深度学习结构，它由多个受限玻尔兹曼机（RBM）组合而成。如图4所示，受限玻尔兹曼机由可见层和隐层单元组成，它是基于能量的概率模型，其概率分布如下：

其中，E（x，h，θ）代表能量函数;x和h为RBM网络可见与隐藏的单元配置;b和c为偏移量;W为可视节点和隐藏节点的权重;θ为系统参数。

通过对人类居住房间的各种行为因素（诸如站立、睡觉、静止不动、洗漱、走出房间等）进行模拟，同相应传感器结合模拟得出数据集X。将数据集分成训练集和测试集两个部分：其中，X^R代表用于训练的数据集，可表示为X^R=[x¹，x²，…x^m]，其中m代表训练数目，X^T代表用于测试的数据集，可表示为X^T=[x¹，x²，…xⁿ]，其中n代表用于测试数据的数目，x=[x₁，x₂，…x_D]，D代表传感器数目。

接下来对数据集进行训练，DBN通过逐层非监督学习构建而成，特征提取和分类步骤是使用相同的深度学习框架。通过是否标记来区分接受训练以及未接受训练的数据集，然后将未标记的数据集放人第一层RBM网络，这里接收的是未经过处理的原始特征向量数据，训练得到参数W₁。训练完成后，将第一层RBM网络的隐含层作为第二层网络的可视层，输出的处理数据作为第二层的输人数据。继续训练网络参数W₂，以此类推，得到参数集W。

在经过学习后，往往训练好的模型并不能满足需求，需要使用BP算法对整个训练的DBN进行微调。将错误的信息反向传递至DBN中的所有RBM网络，让其更加准确地进行分辨。在分辨上，采用模糊集描述训练结果为“房间有房客”或者是“房间无房客”的隶属度。使用A（x）表示房间有人的隶属度函数，B（x）表示房间无人的隶属度函数，其中A（x）∈[0，1]，B（x）∈[0，1]。由于本次模型训练结果只有“房间有房客”与“房间无房客”两种，因此最后一层RBM网络中h（x）的维度为2，这样可以计算出这一层h（x）与类别分界线的距离D（x）。

对于数据集里单一的一条数据x^t（其中0t）>0，则代表此时有房客，否则便是房间内无房客。

隶属度函数A（x）和B（x）与距离函数D（x）的关系可以由以下方程表示。

式中，β为A（x）由0变为1时x的距离，y为x轴上A（x）与B（x）的对称中心点。输入每组数据时会得到一个距离函数D（xⁿ），这样多次输入便可以估计出β和y的模糊最优解。在得到最优解后便可使用这些参数建立模糊深度结构，再次优化权重参数w，将A（x）与B（x）作为输入，如图5所示。

3 酒店入住管理系统对比分析

通过对传统酒店以及最近兴起的智慧酒店人住管理系统进行分析，再同本文提出的人住管理系统进行比较，得出本文提出的人住管理系统优势及发展空间。

3.1 传统酒店入住模式

传统酒店采用持卡人住和持卡取电的人住管理模式，如图6所示。房客持身份证到酒店前台办理人住手续，前台通过将身份证信息传递给公安系统，后台管理系统认证房客身份，认证完毕前台给予房客房卡，房客持卡寻找房间，刷卡进房以及插卡取电，房客外出时拔卡断电。

3.2 新型智慧酒店入住模式

隨着人脸识别技术的日益完善，传统的酒店人住模式随之改进，电子身份证的出现也促进了这一改进。如图7所示，在新型智慧酒店里，用户可以通过大厅自助办理人住手续，没有携带身份证时也可以通过人脸识别以及电子网证办理人住手续，办理好之后，用户可以通过房间前的人脸识别装置刷脸进人房间。

3.3 入住管理系统优势

通过对新旧管理模式进行对比研究发现，旧的酒店管理系统主要依靠人工办理人住，房客人住以及取电完全依靠房卡，这样的人住模式会带来以下缺点：①若房卡遗落房间，将会对房客造成很大困扰;②房客外出时若房卡丢失，会造成较大安全问题（传统房卡上会标有房间号）;③办理人住人与实际人住人身份有时无法相统一;④办理模式比较繁琐，对人工依赖较大。新型智慧酒店解决了上述问题，但在节能取电方面还有待改进。本文采用视频流人脸识别和行人再追踪技术，让房客无卡进入房间，并且可以同电梯及指示灯结合，做到智能引导房客进入房间，其应用的人体感应技术很好地解决了节能取电方面的问题。

4 结语

本文通过对Adboost算法、Camshm算法以及结合模糊理论深度置信网络进行研究，提出了一种新型酒店人住管理系统，实现了人证合一、节能取电的效果。同时，针对新型智慧酒店对于资源节约上的短板，提出了一种新型的人体检测方式，实现了人在供电、人走去电。通过该研究，解决了传统人体传感器对于场景的依赖，提高了检测可靠性。