使用Helium、Grid EYE和Raspberry Pi進行人數(shù)統(tǒng)計

除了上面鏈接的 AWS IoT 頻道文檔之外，這里還有一個視頻，展示了如何將其端到端連接起來。

對 Grid-EYE 進行編程

現(xiàn)在我們已經(jīng)在您的 Helium 傳感器和 AWS IoT 之間啟動并運行了數(shù)據(jù)流，我們可以加載 Python 程序以從 Grid-EYE 捕獲數(shù)據(jù)。（在此之后，我們將通過在 AWS Quicksight 中可視化數(shù)據(jù)來將它們放在一起。）

以下是接下來的步驟：

• 更新 Raspberry Pi 并安裝相關的庫。

• 通過運行每個電路板經(jīng)銷商提供的測試示例來測試 Grid-EYE 的功能，以確保連接正確。

• 通過運行 Helium 庫中的示例設置代碼來測試 Helium Atom 和 Element 的功能。

• 確保兩個硬件設備的功能正常后，獲取下面的 Grid-EYE 代碼并在您的 Pi 上運行它。

使用以下命令在您的 Pi 上安裝 Grid-EYE 庫

cd ~ 
git clone https://github.com/adafruit/Adafruit_AMG88xx_python.git 
cd Adafruit_AMG88xx_python
python setup.py install
//check setup success
python
import Adafruit_AMG88xx

如果import 語句沒有返回錯誤，則說明AMG88xx庫安裝成功。

使用以下命令安裝 OpenCV 和以下庫：

sudo apt-get install python-opencv 
sudo pip install imutils
sudo apt-get install libtiff5-dev libjasper-dev libpng12-dev
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libgtk2.0-dev
sudo apt-get install libatlas-base-dev gfortran
sudo pip install numpy
sudo apt-get install python-matplotlib

通過運行以下命令檢查您的 OpenCV 安裝：

python
import cv2
cv2.__version__

從像素數(shù)組到 JSON

隨著我們的 Pi 準備就緒，我們現(xiàn)在可以開始從 Grid-EYE 捕獲數(shù)據(jù)并進行一些邊緣處理以將其轉換為 JSON，然后再將其發(fā)送到 Helium 網(wǎng)絡。

Python 實現(xiàn)中來自 Grid-EYE 的原始數(shù)據(jù)被采樣為原始 64 元素數(shù)組。然而，使用更復雜的 OpenCV 工具，這個數(shù)組被重新格式化為一個 8x8 數(shù)組，并被插值形成一個 32x32 的圖像。

然后將圖像轉換為灰度、反轉并使用斑點檢測工具掃描圓形斑點。OpenCV 計算在結果圖像中發(fā)現(xiàn)的 blob 數(shù)量，并且該變量通過 Helium 網(wǎng)絡無線發(fā)送到 AWS IoT。

在傳感器級別，從 Grid-EYE 傳輸?shù)轿覀兊?Raspberry Pi 的原始數(shù)據(jù)采用數(shù)組格式，通常遵循以下模式：

pixels = [num0, num1, num2, ..., num63]

該數(shù)據(jù)被重新格式化以適應 8x8 數(shù)組，如下所示：

pixels = [[num0, num1,..., num7],
          [num8, num9,..., num13],
          [...],
          [num55, num56,..., num63]] 

這 64 個數(shù)據(jù)點中的每一個都是由 Grid-EYE 返回的電壓，該電壓又對應于溫度讀數(shù)。從那里，可以將這些插值到 32x32 數(shù)組并保存為圖像。他們出來看起來像這樣？

?

你看到多少人？

?

這很好，但是我們可以消除通過空中傳輸此圖像的需要，而是通過在我們的 Pi 上運行的 Python 中的一些簡單邊緣處理（下面的代碼），我們可以估計空間中的人數(shù)并將其轉換到 JSON。

因此，通過設置閾值并在執(zhí)行 blob 檢測的傳感器上運行一些代碼，我們可以識別 blob 的數(shù)量，并創(chuàng)建一個簡單的 JSON 表示，以通過空中發(fā)送到 Helium 和我們的可視化應用程序。

換句話說，這：

 Pixel Output:  
28.50 28.50 28.00 27.75 27.75 27.50 28.00 29.00  
29.50 28.75 28.00 27.25 27.00 27.25 29.00 29.25  
29.00 28.25 29.50 28.25 27.50 27.75 30.50 29.00  
28.50 29.00 31.25 31.00 29.75 29.25 31.25 29.50  
29.00 27.50 28.25 30.25 30.25 29.75 30.50 29.75  
27.25 27.00 27.00 27.75 29.75 30.00 29.25 27.75  
27.25 27.00 26.75 26.25 27.50 28.75 27.75 27.25  
26.50 26.50 26.00 26.00 26.00 26.25 26.50 26.25

變成這樣：

{
"People" : "2"
}

在 Grid-EYE 的視野中用于定位人員的相對較大的圖像數(shù)據(jù)被解析為最小的有價值的形式，以便通過線路發(fā)送。例如，如果傳感器正在查看座位是否有人，則斑點檢測功能還將返回每個斑點圖像中的坐標。但是對于這個演示，我們只關心一個房間里有多少人。這是從我的辦公桌上看的樣子：

?

俯瞰作者辦公桌的動作捕捉傳感器。此外，Arch Linux 規(guī)則。

?

通過調整 Grid-EYE 溫度閾值的靈敏度，您可以將其放置在距離某個區(qū)域最大 15 英尺的地方以掃描熱特征。在此示例中，我將閾值設置為 30 攝氏度，這足以找到未覆蓋的人體。當您第一次部署此傳感器時，您很可能會注意到它需要一些調整。具體來說，您需要調整溫度閾值以適應 Grid-EYE 正在查看的區(qū)域。

在 AWS QuickSight 中可視化人員數(shù)據(jù)

現(xiàn)在我們正在捕獲空間中的人數(shù)，我們需要通過 Helium AWS IoT 通道將其傳輸?shù)?Web 服務，并實時可視化空間利用率。公平警告：這個過程有點艱巨，但結果值得付出努力。閱讀這篇博文了解詳情。（另外，如果有人知道在不離開 AWS 的情況下可視化時間序列數(shù)據(jù)的更好方法，請告訴我。

這是回報。下面是 QuickSight UI 的屏幕截圖，顯示了在通過 Helium 網(wǎng)絡發(fā)送到 AWS IoT 后經(jīng)過我辦公桌的人員：

?

在 AWS QuickSight 中可視化的人員經(jīng)過我在 Helium 總部的辦公桌

?

小像素陣列和檢測多個對象存在固有問題。在這兩個代碼示例中，都會刪除低于人體溫度閾值的值以改進檢測。 此外，由于靠近身體的兩個特別溫暖的部分具有局部熱量最大值，因此變化的體溫會為某個區(qū)域的身體計數(shù)產(chǎn)生誤報（讀數(shù)2 而不是）。1但是通過一些測試和調整，您可以開始對返回的數(shù)據(jù)的準確性感到非常滿意。

這是一篇關于在 AWS 中管理此設備狀態(tài)以向您的對象檢測器添加更多功能的博客文章。您可以更改采樣時間，并從云端激活/停用傳感器：

后續(xù)步驟和幫助

好工作！您現(xiàn)在擁有一個功能正常的 Grid-Eye，它具有基本的嵌入式對象檢測功能。如果您想了解有關 Helium 的更多信息、如何制作自己的物聯(lián)網(wǎng)項目原型，或了解有關此項目的更多信息，請在此處加入我們：

• Helium 開發(fā)者文檔

• 氦氣開發(fā)人員松弛

• 氦氣開發(fā)者論壇