本專題是應用在圖書館的座位管理系統，我們發現學校的圖書館，在尋找座位時，必須全部巡視過，才能確定是否有空位，所以我們決定利用影像辨識來幫助大家尋找空位。 利用座位上方架設的攝影機，獲得影像，經過辨識之後，得出座位的使用情況，再經由網頁顯示各區域的座位佔用情況，方便使用這更快找到座位，在沒有座位時，也不會白跑一趟。
使用Python Tkinter作為圖形界面開發工具。
Step 1. 使用手機安裝IP Webcam之後，開啟攝影機架設界面，在界面底部輸入對應的IP位址連結相機，成功連結後，會顯示攝影機畫面。
Step 2. 在攝影機畫面上使用右上角，「Rect」和「Point」 Selection tool，來分別框選座椅和桌面區域區域，並輸入編號、位置及攝影機資料。
Step 3. 按下「Database」，開啟新視窗，儲存當前的設定資料，也可以讀取先前的資料。
Step 4. 按下「YOLO detect」，運行影像辨識功能。
攝影機設定界面，擁有存取設定資料的功能，使用SQLite架設。其中儲存使用者框選的桌面、座椅的相關資料，以及初始設定時使用的攝影機圖片。
辨識座位使用兩種不同的模型，因為我們發現，當桌面放置的物體是雜物，YOLOv3[2]就無法成功辨識，所以使用CNN分類器，判斷桌面是否有物體，為了適應不同桌面，我們將空桌面的圖片與攝影機擷取畫面，進行structure similarity[1]運算，只取出兩張圖片的差異作為CNN分類器的輸入。 影像辨識流程 (圖三)
Step 1. 擷取攝影機的畫面，並取出所有座位的資料。一個座位會有兩種檔案，第一種是座椅檔案，存放座椅在圖片中的位置，第二種是桌面檔案，存放桌面在圖片中的位置，以及空桌面的圖片。
Step 2. 使用座椅的座標，對擷取畫面進行裁切，並分別將每個座椅的圖片輸入給 YOLOv3[2]，判斷裁切後的圖片是否有人類，作為椅子上是否有坐人的依據。
Step 3. 使用桌面的座標，對擷取畫面進行裁切，並分別將每個桌面的圖片與空桌面的圖片，進行structure similarity[1]運算，再將結果當作CNN分類器的輸入，判斷桌面是否有物體。
Step 4. 綜合Step 2及Step 3的結果，判斷此座位是否被佔用，並傳送結果至網頁伺服器。
經由結構相似 structure similarity[1]處理過後的影像，接著會經過一個CNN，這個CNN由2個卷積層(Convolution Layer)、2個池化層(Polling Layer)、扁平層(Flatten Layer)和2層全連接層(Fully Connected Layer)。 第1個卷積層使用16個5×5的卷積核做卷積，接著2×2的最大值池化層，第2個卷積層使用32個5×5的卷積核做卷積，接著2×2的最大值池化層，使用最大值池化是為了更加凸顯特徵，在平均值池化與最大值池化的比較中，最大值池化的效果較為顯著。
YOLO v3使用官方的yolov3.weights，在輸出的地方，只取出人類的標籤，判斷圖片內是否有人。
網站使用Django架構，其中的功能包含: 顯示座位資訊、查看IP Camera畫面、圖形化系統資料、即時更新網頁資訊。
在網頁的左邊可以選擇位置，觀看不同地方的座位使用情形，網頁最上方會顯示本區域剩下的座位數，中間顯示場域座位平面圖，平面圖中，空座位顯示藍色，被佔用的座位顯示灰色，並且使用Django-channel，只要座位使用狀況更新，網頁就會同步更新，不須手動按下重新整理按鈕。
將系統中的座位分佈、座位平均佔用時間等等，使用圖表顯示，讓管理者能夠藉由統計資料，改善場域的規劃。
[1] Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, “Image quality assessment: From error visibility to structural similarity,” IEEE Trans. Image Process., vol. 13, no. 11, pp. 600– 612, Apr. 2004. [2] Joseph Redmon, Ali Farhadi, “YOLOv3: An Incremental Improvement”, arXiv, 2018.