基于智能数字“家”的大数据服务平台模型研究

陈俊任，张波，邓广，夏志红

（1.华西生物医学大数据中心，四川大学华西医院∕华西临床医学院，成都 610041；2.四川大学医学大数据中心，成都610064；3.四川大学网络空间安全学院，成都 610065；4.四川斯宇信息技术有限公司，泸州 646600）

0 引言

中国城市化进程发展迅速，截至2016 年全国城镇人口比率为60%，发达地区的城镇人口比率超过80%。城市人口的迅速增加导致了社会结构的变化，同时也为城市发展带来了新的机遇与挑战。城市对人口的吸引表现为各种社会优质资源的集中，城镇人口比率越高的地区社会发展越快，社会优质资源越集中，对人口的吸引力越大。随着人口的增加，城市环境的压力也随着加大。居民对城市生活的需求也变得多样化。城市问题在城市的发展过程中变得日趋明显。家是人类生活的主要环境，以“家”为需求的服务业、商业欣欣向荣，例如：粮油配送、物业维修、房屋租售中介等。以“家”为中心的政务管理和服务体现这政府对社区治理的深入，例如：租户管理、居住证办理、人文关怀等。“家”生活的各个方面早已被人工智能产业深入，例如：智能家电、门窗、停车收费、物业管理、电子商务等。“家”生活的数字化，不仅能实质性地提高居民生活的便利以及居民的幸福感，更体现了政府公共管理和服务水平。基于数字‘家’构建的数字社区是城市的基本网络单元，是将社区民生与国家政府连接起来的核心点。因此加强基于数字“家”构建的智慧社区的建设，对于加强政府与居民的联系，提升惠明服务，构架和谐中国，从根本上解决我国城市化发展问题具有重大意义。

智慧社区的建设作用明显。首先，数字社区有利于我国政府增强其执行能力和服务水平，从而将政府性质由管理型顺利地过渡到服务型；其次，数字智慧社区的建设有助于改善民生，在平衡社会、商业和环境需求的基础上，使可利用的社会资源得到优化，进而使社会的基础设施的层次得以提升；第三，建设数字智慧社区有利于市场的建设并促进多元化共建，从而改善传统的以政府为主导投资建设的模式，达到社会经济效益直接提升的目的。因此，国家非常重视基于数字“家”的数字智慧社区建设问题，2014 年5 月中国城乡建设与住房部发布的《智慧社区建设指南》中指出于2015 年，计划在全国逐步建立约100 个关于智慧社区的示范区点，到2020 年，争取在全国建设50%以上的智慧社区，从而建立具有持续性发展的智慧社会服务形态和社区治理系统，进一步健全社区服务体系。通过数字“家”生活数字化、智能化的建设，以点带面构建数字智慧“家”、数字智慧社区，数字智慧城市逐步实现智慧社会，为社区中的居民创建一个交互的智慧网络平台，创造舒适、愉悦、便利、安全的生活环境，从而使得居民获得更好的生活体验、更强烈的幸福感以及归属感。综上，“数字家”对相关部门在完善社区服务、理顺管理秩序、畅通信息交流与获取、营造和谐人的际关系，打造现代化的家居生活具有重要的意义；为保障公共安全、提升居民社区生活幸福指数，实现智慧社会打下优良基础。

1 相关工作

国外关于智能社区[1]的研究起步较早，早在20 世纪七十年代末，美国就提出了智能家庭HBS 的概念[2]，在HBS 中，每一个家庭有一套总线，这条总线和社区的总线相连，实现社区家庭的信息交互。之后美国的商业公司也投入到智能社区的研究中来，1984 年，世界第一个智能建筑在美国康奈尔出现[3]，该建筑采用计算机控制技术，控制了建筑内的照明、排水、安全防盗设备，实现了智能化管理。基于该建筑的示范效应，智能建筑在美国迅速传播开来，逐渐散布到世界的各个地区，如雨后春笋般建成。在2016 年底，美国新建建筑中超过80%的建筑都属于智能建筑。欧洲紧随美国之后，在1986 年提出尤尼卡计划，该计划较为详细的讨论了社区各种智能设备集成与集中处理的问题。同时，欧洲电器标准委员会指定了智能建筑数字总线标准。在1986-1989 年间，英国大规模智能化的改造了伦敦中心商业区，之后欧洲其他国家陆续建造了特色各异的智能建筑。2007 年，戴姆勒-克莱斯勒控股的集团公司在波兰华沙建了一个辉宏的智能化建筑，这个耗资6500 万欧元智能化建筑采用Lon Works 技术，控制着整个建筑中3000 个传感点，不仅能够检测室外风速和风向并且也能测量温度、湿度、降雨量以及太阳光照度，俨然一个庞大的智能楼宇控制系统。日本的社区智能化起步与欧洲大致相同。20 世界八十年代末，日本为对全国的智能建筑的发展做了规划，成立了相关的委员会。1988 年，为了更好地促进社区中居民住宅的智能化发展，日本提出了S-HBS 理念研究和一种超级总线系统。1990 年，一个高水准示范性智能社区在幕张拔地而起。1996 年，日本率先在智能社区引进多媒体技术。截至2016 年，日本全国的新建建筑中的智能建筑比重达到了60%。

相较于国外，我国智慧社区虽然建设起步较晚，但发展较快。1999 年，原建设部出台《全国住宅小区智能化系统示范工程建设要点与技术指导》来推进社区建设。为了应对城市安全防范的需要，公安部提出3111工程，提升社区安防水平。国内智慧社区化刚起步时，智能化程度很低，仅仅是设备自动控制，设备相互之间相对孤立，不能互联。物联网[4]的出现，改变早期的智能化程度低的状况。随着《中国智慧城市行业调研现状及未来前景评估报告》的出台，近年来，将物联网技术应用到社区的智能化方面的趋势越来越明显，初步在多个地区成功实现。较早的“智慧社区”典型案例是在2010 年，位于北京市广内街道的“智慧社区”的建立，该面向社会服务的管理平台由四个主要部分共计14 个子系统组成。其中，智慧中心主要负责记录社区街道每个单位中全部的人物、地段、组织等方面，这些记录数据甚至精确到了各个社区街道的井盖。上海的首个“智慧社区”在2011 年的上半年通过三千万资金的投资建设而成，使得智能家庭的终端服务得以实现，并且完成了社区门户信息网站、云计算中心等四大基础项目。2014 年12 月，长虹社区才成为杭州首个实验智慧社区，全区实现无线Wi-Fi 覆盖社区所公共区域，部署车诱导系统管理社区车辆进出的安全、便捷。点点手机便可远程“监护”家中特殊人群，实现远程安全监护。同年，广州光大花园联合当地电信企业在位于广州市的海珠区建设“信息家园”社区。居民能够在该社区中利用宽带网络以及固定电话完成对电视节目的自主控制、对开关家电的远程遥控以及家居安全的视频监控等对住宅实现智能化的管理方式。2015 年12月底，上海发布《上海市智慧社区白皮书（2015）》和《2015 年上海市智慧社区需求调研报告》，根据这两份报告，计划在上海发挥其地理位置优势，在其16 个区县范围内决定了建设50 家智慧社区试点的方案，建成了闵行古美路、长宁周家桥等街道的一批示范社区，实现了智慧化的社会管理和公共服务，优化了社区居民的生活方式，使这种新型的社区发展治理模式生态、可持续的优势得以凸显。

2 提出的模型

基于智能数字“家”的大数据服务平台最大限度地使用包含物联网以及云计算和大数据等为主的计算机科学技术，统筹社区服务等资源，通过整合人、地、房、以及组织等信息，以平台为载体，是以“家”服务为核心，实现社会治理和服务的创新模式。该平台涵盖了网络设施基础建设、社区电商、智慧家居、居家地理信息、居家养老、智慧物业、社区金融等诸多领域的技术基础。提出模型的关键技术主要由高效的智能社区方案设计，基于边缘计算的数据采集技术，云计算平台构建，基于深度学习的人脸识别门禁技术组成。

2.1 高效的智能社区方案设计

智慧社区建设基与物联网与互联网基础之上不断发展，但是仍然有很大的发展空间，当前，智慧社区的建设尽管大量结合了物联网技术，但其应用还处于十分基础的阶段，还需要充分挖掘物联网的应用与需求，探索智慧社区的发展的进一步发展方向。在产品的开发和运用等施行过程中，仍需要着力解决技术标准与方案不统一等方面的问题。图1 为本文提出模型实现的智慧社区实施方案，该方案内容涵盖安全、基本生活以及养老与医疗等各个方面。因此，智慧社区建设方案的整合应用，现今仍处于初级阶段。

图1 基于智能数字“家”的智能社区方案

2.2 基于边缘计算的数据采集技术

本模型包括智能家电、智能门窗、智慧物管、智慧停车、老人健康监测、居家安全信息等在内的数字“家”数据涉及多源数据采集、数据编码处理、数据融合等技术，这是数据采集中难点，也是提出模型的关键技术之一。如图2 所示，收集的主要数据内容为车辆管理、人员管理、社区网、视频监控等方面。

图2 平台收集数据示意图

数据的收集如图3 所示，是一种基于边缘计算的层次结构，最下层为嵌入层，该层是智能社区中使用到的各类传感器，第二层为边缘网关层，由各种物理具有无线连接功能的传感器组成，这层的设备往往具备有限的计算和网络资源，但可以进行最高精度的数据访问。边缘服务器由多台服务器组成，作为云与边缘网关的接口，使云为智慧社区的数据中心，来实现两个层次之间的数据能够进行通信交换。

图3 基于边缘计算的数据收集

2.3 云计算平台构建

在本文提出的模型中，云平台主要实现大数据存储和计算功能，云平台的一项关键技术是虚拟技术，为基于智能数字“家”的大数据服务平台提供可靠的数据存储和访问能力。云平台的拓扑架构如图4 所示。云平台中的另一项关键技术是大数据处理技术，本文提出的模型采用SPARK 配置在yarn（一种新的Hadoop资源管理器）中，发挥SPARK 的强大计算能力，实现大数据的管理、查询、统计分析等。

图4 基于云平台的数据中心

2.4 基于深度学习的人脸识别门禁技术

这些年，在人脸识别技术领域已经取得了了显著的进步。传统方法在基于相关领域专家精心设计的特征的基础上，使用流行的机器学习算法进行识别检测。在无约束条件的环境中，难以设计稳定可靠的人脸特征，因此，之前的研究往往侧重于某个条件下的专用方法。深度学习方法能够在海量的数据中进行参数学习，进而尽可能地拟合到数据的表征，这是它的主要的优势。互联网中的自然的人脸图像体量庞大，这些图像能够代表各种实际生活中场景。因此，获取较高质量的人脸数据集并非难事。人脸识别方法在卷积神经网络的基础上通过对这些数据集训练以从人脸图像中学习到复杂稳定的特征，因此，在训练过程中能够应对实际世界环境条件的变化情况。此外，基于深度学习的人脸识别因神经网络强大的特征提取与抽象能力受到了广泛的关注，因此提出的模型采用深度学习方法用于实现人脸门禁系统的实现。基于深度学习技术的人脸识别方法的总体系统架构如图5 所示。

图5 基于深度学习的人脸识别系统架构

本模型提出的人脸识别方法在基于深度学习的基础上首先进行视频采集，接着进行人脸识别、在人脸识别的基础上进行人脸对齐、最后进行人脸表征与人脸匹配。其中，视频采集从用于从摄像头中获取视屏图片；人脸识别作用于图像的空间区域来寻找人脸所处的位置，若图像空间区域中存在人脸，则输出表征每个人脸位置的空间坐标；人脸对齐是通过图像中由特征检测器定位一组特定位置的参照点以实现图像中人脸区域的缩放与裁剪。人脸图像区域中的像素值在人脸表征阶段会被转换成紧凑型的特征向量；在人脸匹配构建模块中，基于数据库中的照片特征向量，将摄像头得到的人脸特征向量与之进行比较，进而得到一个相似度分数，根据比较得到的相似度分数判断摄像头中的人是否为已有用户。

如图6 所示为人脸识别系统中具体的工作流程。利用摄像头获取到640×480 分辨率的视频。视频首先进入视频处理模块，截取中间的方形区域，通过通信模块暂存在DDR 中，同时传送到视频输出模块，保持显示器上视频的连续输出。接收到输入图片后，PS 端的控制逻辑根据网络结构依次在DDR 中取出特征图和对应的权重，将其传送到PL 端的运算单元。PL 端由多个卷积核运算单元组成，每个运算单元包含输入缓存、输出缓存和DSP 构成的卷积器。可以同时完成多个卷积运算。运算后的结果通过总线传送回DDR暂存。在神经网络运算完毕后，将得到的人脸框标注在输出视频帧中。

图6 人脸识别流程

人脸检测与人脸表征的流程如图7 所示。

图7 人脸检测与特征表示示意图

在提出的模型中，待测图片尺度转换成为416×416输入卷积网络直接得到边界框。网络负责进行回归操作，输出预测框的位置和框内物体的类别。此网络可以看作把图像分为13×13 的网格，每个网格预测4 个边界框。如果对象的中心落在网格单元中，则该网格负责预测该物体。每个边界框会输出（X,Y,W,H,O,C）六个值。O 代表置信度，反映本框中出现人脸的概率。X,Y,W,H 是该预测框的长宽和中心点所在坐标。C∈{0,1}是该框中物体所属类别，C=1，C=0 分别代表人脸和非人脸。最终网络输出一个13×13×4×6 的张量。如图8 所示，边界框的长宽通过相对于聚类中心的偏移确定。边界框的中心点坐标通过网络输出和网格位置确定。该基于深度学习的人脸识别方法通过CNN 实现，网络的初始卷积层从图像中提取特征，最后三层生成位置和置信度信息。

3 结语

本文提出的模型利用互联网、物联网、数据库以及云处理等计算机科学技术，设计并且实现了基于智能数字“家”的大数据服务平台，将建成一站式管控系统，主要包括停车场、通道闸、监控、巡更、物业管理、政府服务、周边商圈、居家智能等集成于同一云平台，实现统一管理、联动应用。有效整合社区物业管理、电子商务服务、家居以及养老等服务，实现不同应用间的业务协同和资源共享，使得社区居民能够生活于既便利、舒适又智慧且安全的现代化生活环境，有效避免社区在重复建设、资源浪费等情况，形成基于智能化、信息化社会管理与服务的一种新型的社区管理模式。

图8 检测示意图