CN103778442A - 一种基于视频人数统计分析的中央空调控制方法 - Google Patents

Abstract

本发明公开了一种基于视频人数统计分析的中央空调控制方法及其控制系统，包括：间断地获取监控区域内视频流数据并将视频流数据传输至服务器；服务器对同一时间段内视频流数据中的每一帧图像进行分析以统计人数；将监控区域划分为多个子区域；对每个子区域内的人数进行估算，并取视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；根据人数分布情况产生控制信号以控制位于上述子区域内的中央空调。与现有技术相比，本发明的控制方法实现了根据人数分布情况对中央空调开关、出风量及出风方向的智能控制的目的，使得中央空调发挥了最大效率，并有效地减少了能源浪费。

Description

一种基于视频人数统计分析的中央空调控制方法

技术领域

本发明涉及中央空调节能控制技术领域，更具体地涉及一种基于视频人数统计分析的中央空调控制方法及其控制系统。

背景技术

随着经济的飞速发展，对能源的需求量也相应地大幅度增加。而随着智能建筑和节能减排概念的不断普及，中央空调在给人们创造舒适的室内环境的同时，其巨大的能耗也引起了人们的极大重视。如何降低中央空调的能耗成为了节能减排和绿色城市建设中不可或缺的重要环节。

目前，大多数中央空调都是统一开关、统一调节强度和控制出风方向，普遍存在以下问题：其一是人走空调未关或者人少但是空调出风量大，造成很大的能耗浪费；其二是空调无法区分人多的区域和人少的区域，各个区域和各个方向的出风量一致，使得人聚集和稀疏的区域空调风量无差别，导致中央空调没有发挥最大的效率；其三是空调无法根据人数分布情况来自动调节出风方向，需要手动调节才可实现，从而造成了不便。

因此，基于以上现状，有必要提供一种基于视频人数统计分析的中央空调控制方法及其控制系统来克服上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种基于视频人数统计分析的中央空调控制方法及控制系统，以实现根据人数分布情况对中央空调开关、出风量及出风方向的智能控制，使得中央空调发挥最大效率，并能有效减少能源浪费。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于视频人数统计分析的中央空调控制方法，包括：

S1：间断地获取监控区域内视频流数据并将所述视频流数据传输至服务器；

S2：所述服务器对同一时间段内所述视频流数据中的每一帧图像进行分析以统计人数；

S3：将所述监控区域划分为多个子区域；

S4：对每个所述子区域内的人数进行估算，并取所述视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；

S5：根据所述人数分布情况产生控制信号以控制位于各所述子区域内的中央空调。

与现有技术相比，本发明的控制方法间断地获取监控区域内的视频流数据并将其传送至服务器，服务器进行分析以统计人数，再对监控区域进行划分，之后对子区域内的人数进行估算以得到各子区域内同一时间段内的人数分布情况，最后根据该人数分布情况产生控制信号，以实现对各个子区域内的中央空调的开关、出风量及出风方向的控制，从而实现了根据人数分布情况对中央空调开关、出风量及出风方向的智能控制的目的，使得中央空调发挥了最大效率，并有效地减少了能源浪费。

相应地，本发明还提供了一种基于视频人数统计分析的中央空调控制系统，包括：

视频获取，用于间断地获取监控区域内视频流数据；

传输模块，用于传输所述视频流数据；

服务器，用于接收所述视频流数据并对同一时间段内所述视频流数据中的每一帧图像进行分析以统计人数；

划分模块，用于将所述监控区域划分为多个子区域；

估算模块，用于对每个所述子区域内的人数进行估算，并取所述视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；以及

控制模块，用于根据所述人数分布情况产生控制信号以控制位于各所述子区域内的中央空调。

通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。

附图说明

图1为本发明基于视频人数统计分析的中央空调控制系统一实施例的结构框图。

图2为红外摄像头安装示意图。

图3为图1的整体架构示意图。

图4为图1的控制流程图。

图5为本发明基于视频人数统计分析的中央空调控制方法一实施例的流程图。

图6为一种可行的室内区域划分图。

图7为图5中S1的具体流程图。

图8为图5中S2的具体流程图。

图9为特征提取示意图。

图10为特征组合及训练流程图。

图11为凹弧、凸弧示意图。

具体实施方式

现在参考附图描述本发明的实施例，附图中类似的元件标号代表类似的元件。

请参考图1及图2，本发明基于视频人数统计分析的中央空调控制系统主要包括：

视频获取模块10，用于间断地获取监控区域内视频流数据；需要说明的是，该监控区域为中央空调所能覆盖的整个区域，既可以是一个室内区域，也可以是多个室内区域；

传输模块12，用于传输视频流数据；

服务器14，用于接收视频流数据并对同一时间段内视频流数据中的每一帧图像进行分析以统计人数；

划分模块16，用于将监控区域划分为多个子区域；

估算模块18，用于对每个子区域内的人数进行估算，并取视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；以及

控制模块20，用于根据人数分布情况产生控制信号以控制位于各子区域内的中央空调。需要说明的是，控制模块20可以包括一个主控制器、多个区域控制器及多个子控制器，每个子控制器控制一台或多台中央空调的开关、出风量及出风方向，主控制器负责各区域内中央空调的统一调度，区域控制器进行协调。

具体地，视频获取模块10具体包括：

红外摄像头，用于间断式地获取视频流数据，视频流数据包括头肩部分。其中，红外摄像头安装的方式见图2。为了捕获识别更好的图像，红外摄像头采用斜射式安装在区域上面的中央，这样有利于摄像头的视角覆盖整个区域，能够捕获到所有目标。具体而言，本发明的摄像头可完全覆盖空调的处理范围之内，如果一个摄像头无法满足可设置多个摄像头，进而覆盖整个空调区域。关于照明问题，我们选择适度的光照角度，以免图像太亮或太暗，从而达到有效的识别。摄像头主要捕获人的头肩部分并过滤掉非人的目标和背景，同时红外摄像头不受光照影响。

视频采集卡，用于对视频流数据进行噪声去除、A/D转换、帧率调整、色彩转换及编码压缩。

需要说明的是，根据中央空调的使用习惯以及室内区域的人数和人群分布呈现间断式变化的经验，红外摄像头采取的是间断式地获取视频流数据，即每间隔30min至1h采集一段视频，该视频经过视频采集卡的处理后经过传输模块12传输到服务器14以及估算模块18进行分析，对相同时间段内的视频分析结果取相对平均值，以平均值来反映人数、分布、密度等信息。这样的处理方式不对视频流中的每一帧都进行处理，既保证了统计的相对精确性和连续性，也减轻了视频分析过程中服务器的负载，减少资源耗费的同时避免了频繁的空调调整造成的不方便。另外，请结合图3及图4，考虑到中央空调应用的室内区域面积广，数量多，这里采取的是每个区域的视频采集装置（红外摄像头）和信号控制设备自成一体，控制模块20的主控制器发出的控制信号经由控制电路到达各个室内区域的子控制器，子控制器来负责调整空调的开关、出风量和出风方向。

相应地，如图5所示，本发明还提供了一种基于视频人数统计分析的中央空调控制方法，包括：

S1：间断地获取监控区域内视频流数据并将视频流数据传输至服务器；

S2：服务器对同一时间段内视频流数据中的每一帧图像进行分析以统计人数；

S3：将监控区域划分为多个子区域；具体地，对采集到的视频流中每一帧图像都进行人数统计之后，根据空调分布情况结合人工辅助，来对整个室内区域划分子区域。这里小尺寸网格式的划分方式不被采用，原因是该方式容易造成一个整体的人体目标被划分到不同网格，最后统计各个网格是否存在人体目标时会重复统计，使得得到的人数与实际人数有很大出入。结合中央空调的分布在使用区域内呈现聚集式和片区式的特点，所以我们采取大范围表格式的划分方式，根据区域的面积和形状将整个室内区域划分为2*2或3*3等不同区域，一种可能的区域划分方式如图6；

S4：对每个子区域内的人数进行估算，并取视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；

S5：根据人数分布情况产生控制信号以控制位于各子区域内的中央空调。

具体地，如图7所示，步骤S1具体包括：

S11：采用红外摄像头间断式地获取视频流数据，视频流数据包括头肩部分；

S12：采用视频采集卡对视频流数据进行噪声去除、A/D转换、帧率调整、色彩转换及编码压缩后传输至服务器。

具体地，如图8所示，步骤S2具体包括：

S21：对视频流数据进行解压缩、色彩转换及帧率调整的预处理；

将网络传输的视频图像解压缩后，进行颜色空间转化和帧率调整，并通过Gamma校正来调整亮度。这里采用视频监控领域通用的25帧/秒的帧率，每一帧图像为YUV格式和CIF（352*288）的分辨率的视频数据，处理起来简单快捷，提升效率并保证实时性。

S22：对预处理后的视频数据流中的每一帧图像进行人群候选区域提取，以得到人群候选区域图像；

对于预处理后的视频图像首先采用一种改进的基于随机更新的背景建模方法提取人群的候选区域：

（1）对于视频第一帧图像，随机地选取图像中每个像素点周围N=20邻域的像素点作为像素初始模型的背景像素集；

（2）对于当前帧的每一个像素点，设其像素值为Vx。设定一个范围R=30，如果该像素点对应的背景像素集中的像素值在Vx±R范围内的像素个数超过阈值#min=2，那么这个像素点就是背景，否则就是人体目标；

（3）如果某个像素点被认为是背景的话，则它有

的概率去更新自己的背景像素集中的像素点，也有

的概率去更新它的邻居点的背景像素集中的像素点。同时当前景点计数达到临界值N=20时将其变为背景点，并有

的概率去更新自己的背景像素集中的像素点。

经过上述处理后，得到了人体目标的二值图像。但是，该二值图像存在各种问题，所以需要对二值图像进行形态学处理和连通区域检测，消除空洞，连接区域，初步得到人体目标候选区域：首先采用连通区域检测大致找到属于同一目标区域的像素点，此时通过设置前景轮廓的面积阈值来初步消除小的非目标区块，再采用改进的模糊C-均值聚类分割算法对检测后的图像进行聚类分析，进一步聚合人体目标并剔除非人体的部分，粗略分割出候选人体区域。改进的聚类分割算法步骤如下：

（1）对于区域内的人体目标，首先要在大量人体统计样本的基础上，按实际安装情况进行修正，确定人体活动区域统计特征：假设area为目标区域的面积，num为目标区域的人数估计，th1-th4为各类目标区域面积的最佳阈值，mean为单人面积均值。它们之间的关系如表1：

表1目标区域面积与估计人数的对应

（2）对于num大于1的运动区域，此类区域包含多个候选人体目标。一般的FCM算法原理为：设N为待聚类的样本数，C为类别数（C是整数），m为模糊加权指数满足m∈[1,∞]。目标函数的值是图像中像素到C-聚类中心值的平方距离的加权累积和，可表示为：

$W_m(U,V)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m{\left(d_{\mathrm{ij}}\right)}^2$

式中μ_ij是第j个像素在第i个类中的模糊隶属度函数值，d_ij是像素与聚类中心的距离内积，U是模糊隶属度集合，V是聚类中心集合。W_m的值反映在某种差异性定义下的类内紧致度；W_m越小，聚类越紧致。W_m的极小化可由迭代算法实现。该算法是一种迭代优化的运算方法，需要反复计算直到算法收敛。当用于图像分割时收敛速度很慢，所以这里将图像从像素空间映射到其灰度直方图特征空间，加快算法速度，改进如步骤（3）。

（3）假如图像大小为S*T，每一点的像素灰度值为f(s,t)，则图像的一维灰度统计直方图函数为：

$H\left(g\right)=\underset{0}{\overset{S-1}{\mathrm{\Σ}}}\underset{0}{\overset{T-1}{\mathrm{\Σ}}}\mathrm{\δ}(f(s,t)-g),g\∈\{\mathrm{0,1,2},...,L_{\max }-1\}$

将一般FCM算法中的f(s,t)用统计直方图H(g)来代替，从而得到新的聚类目标函数：

$J_m=\underset{0}{\overset{L_{\max }-1}{\mathrm{\Σ}}}\underset{1}{\overset{c}{\mathrm{\Σ}}}{\left(u_{\mathrm{ig}}\right)}^{2}H\left(g\right)d^2(g,v_i)$

由于引入了直方图统计特性，因此算法中处理的数据个数大大下降，但其进行图像分割的效果与原始的模糊C-均值聚类算法接近。经过上述操作之后，在人群区域图像上大致标记出单个人体的区域，最后使用开运算和中值滤波等形态学操作来进一步滤除干扰，优选出最好的一幅图像作为人群候选区域图像。

S23：对人群候选区域图像进行人体目标检测，以确定人体数目。

上述处理后虽然得到了人群候选区域，但是各区域大小不一，人体个数各不相同，形态差别也很大，需要使用进一步的识别算法进行检测。而由于人头肩结合部位在实际应用当中比较突出且相对来说是独一无二的，具有很多代表性的特征，所以本发明通过人头肩部位的识别来精确地确定人体数目。

由于人群候选区域图像为二值图像，其中人群区域为白色，背景区域为黑色，首先对其进行取反操作，然后与初始视频帧图像进行或操作提取ROI区域，这样的目的是在原图像上截取出人群目标区域。最后采用交叉核支持向量机训练人头肩部位四个方向的多区块纹理和梯度组合特征来对人体的头肩进行检测识别。其中，特征提取示意图如图9所示。

具体地，如图10所示，特征组合及训练流程的具体步骤为：

（1）首先采集多个视频中人体头肩部位的前、后、左、右四个视角的图像，根据人体头肩部位的高宽比约为1:1来归一化图像到64*64的尺寸，再对每种图像提取多个子区域的LBP纹理和HOG梯度组合特征，最后组合各个区块的特征直方图向量得到整幅图像的特征向量。随后对每个视角的图像得到的特征向量进行PCA降维，最后按照0.5、0.25、0.25、0.1的权重线性组合四个视角的特征向量，用交叉核支持向量机来训练该特征向量，得到人头肩部位的分类器。

（2）然后在待检测的人群候选区域图像中找到已标记的人头大致位置坐标，并采集多组视频帧图像中人头肩部位的尺寸，使用坐标与尺寸数据进行最小二乘拟合，得到关系的数学表达式。在待检测图像中，通过人头坐标点得到头肩的矩形窗口，并使用矩形窗口截取人头肩部位的局部图像作为待识别图像。

（3）最后使用训练好的分类器对待识别图像进行识别，检测出单个人体目标。同时组合的多尺度HOG和LBP特征能够适应因距离远近造成的人头肩的尺度变化，并检测到遮挡和重叠，标记出遮挡和重叠发生的位置，为遮挡后处理提供先验信息。

（4）对识别后的图像进行遮挡处理

由于实际应用当中人群的遮挡和重叠无法避免，且步骤（3）中组合后的多尺度HOG和LBP特征为遮挡处理提供了先验信息，所以对上述识别步骤后的人体目标做重叠和遮挡判断，可弥补人头肩部识别的不足，以便于精确计数。本发明中所采用的遮挡处理方法是：根据遮挡人头的轮廓面积和弧度特征进行特征点采样来剔除错误轮廓，再通过Hough变换进行人头轮廓曲线拟合，找到遮挡区域中的单个人头目标，从而消除遮挡和重叠。下面对该处理方法进行相关的如下说明：

（1）对于人头轮廓面积而言，计算轮廓外接矩形框区域的像素总和，如果区域值介于单个人头平均面积和设定的最大面积阈值之间，矩形框架是有效的。对于弧度而言，因为头部上部是凸弧，下部是凹弧，基于这一因素建立数学模型。如图11所示，如果0<M<X₁<X₃并且0<N<X₂<X₃，就可以判断这段弧是凹弧；如果0<X₁<M<X₃和0<X₂<N<X₃，我们可以判断这段弧为凸弧。结合轮廓面积和弧度模型来对轮廓中的弧进行区分与剔除，便于特征点的准确选取。

（2）在图像中，人头顶部点的特征为：该点在竖直方向局部最高处。即在图像中，该点的左边k个像素均为背景像素，并且该点上面一个点左右各m个像素及图像上边缘到这m个像素之间的像素也为背景像索。同时由于人的头发为黑色，所以在灰度序列图像中该点灰度值小于T，因此可以根据该特征来扫描选取人头轮廓特征点，在特征点选取完成之后，依次在特征点左右两边的轮廓线上采取k个数据点。由于摄像机角度限制，场景中的头部目标在图像不同位置大小可能会不同，采集的数据点的数目也会不同。所以首先对图像每一部分的人头大小进行事先估计，可以通过采集现场数据进行头部的大小估计再进行采样。

（3）对于Hough变换，圆的方程为(x-a)²+(y-b)²=R²，那么圆图像x-y空间中的一个圆对应了参数空间a-b-R中的一个点，参数空间中的一个点对应了图像空间中的一个圆；圆图像空间中在同一个圆上的点，它们的参数相同即a,b,R相同，那么它们在参数空间中的对应的圆就会过同一个点。所以将原图像空间中的所有点变换到参数空间后，根据参数空间中点的聚集程度就可以判断出图像空间中有没有近似于圆的图形。同理，对于椭圆用5个参数来描述，x-y平面中的一个点对应在参数空间中有对应的椭圆来表述，再根据响应程度来判断原空间内是否有近似于椭圆的图形。利用拟合结果设定椭圆长、短轴以及长短轴的范围，去除不符合条件的椭圆，当人头发生小部分遮挡时，该方法也能检测出人头部位。

综上，从以上描述可以看出，本发明的控制方法及控制系统，通过间断地获取监控区域内的视频流数据并将其传送至服务器，服务器进行分析以统计人数，再对监控区域进行划分，之后对子区域内的人数进行估算以得到各子区域内同一时间段内的人数分布情况，最后根据该人数分布情况产生控制信号，以实现对个子区域内的中央空调的开关、出风量及出风方向的控制，从而实现了根据人数分布情况对中央空调开关、出风量及出风方向的智能控制的目的，使得中央空调发挥了最大效率，并有效地减少了能源浪费。

以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (10)

1.一种基于视频人数统计分析的中央空调控制方法，其特征在于，包括：

S1：间断地获取监控区域内视频流数据并将所述视频流数据传输至服务器；

S2：所述服务器对同一时间段内所述视频流数据中的每一帧图像进行分析以统计人数；

S3：将所述监控区域划分为多个子区域；

S4：对每个所述子区域内的人数进行估算，并取所述视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；

S5：根据所述人数分布情况产生控制信号以控制位于各所述子区域内的中央空调。

2.如权利要求1所述的控制方法，其特征在于，步骤S1具体包括：

S11：采用红外摄像头间断式地获取所述视频流数据，所述视频流数据包括头肩部分；

S12：采用视频采集卡对所述视频流数据进行噪声去除、A/D转换、帧率调整、色彩转换及编码压缩后传输至所述服务器。

3.如权利要求2所述的控制方法，其特征在于，步骤S2具体包括：

S21：对所述视频流数据进行解压缩、色彩转换及帧率调整的预处理；

S22：对预处理后的所述视频数据流中的每一帧图像进行人群候选区域提取，以得到人群候选区域图像；

S23：对所述人群候选区域图像进行人体目标检测，以确定人体数目。

4.如权利要求3所述的控制方法，其特征在于，步骤S22具体包括：

S221：随机选取每一帧图像中每个像素点周围的多个像素点作为像素初始模型的背景像素集；

S222：确定每一像素点为人体目标或背景，以得到人体目标的二值图像；

S223：对所述二值图像进行连通区域检测，以粗略分割出所述人群候选区域图像，并在该图像中粗略标记出单个人体的区域；

S224，对步骤S223中的图像进行形态学处理以消除干扰，最终优选出一幅图像作为所述人群候选区域图像。

5.如权利要求4所述的控制方法，其特征在于，步骤S23具体包括：

S231：对所述人群候选区域图像进行取反操作；

S232，将取反后的所述人群候选区域图像与初始的视频帧图像进行或操作，以提取感兴趣的区域；

S233，采用交叉核支持向量机训练人头肩部位四个方向的多区块纹理和梯度组合特征，以对人体的头肩进行检测识别而确定人体数目。

6.如权利要求5所述的控制方法，其特征在于，步骤S233具体包括：

（1）根据多个视频中人体头肩部位的前、后、左、右四个视角的四种图像及交叉核支持向量机得到人头肩部位分类器；

（2）采集多组视频帧图像中人头肩部位的尺寸，找出所述人群候选区域图像中被标记的单个人体的位置坐标，根据该尺寸及位置坐标得到待识别图像；

（3）采用所述人头肩部位分类器对所述待识别图像进行识别，以确定人体数目。

7.如权利要求6所述的控制方法，其特征在于，步骤（1）具体包括：

采集多个视频中人体头肩部位的前、后、左、右四个视角的四种图像，对该图像进行归一化以得到多个子区块；

提取四种图像中的多个子区块的LBP纹理和HOG梯度组合特征；

组合各子区块的特征直方图向量，以得到整幅图像的特征向量；

对每个所述视角的图像的特征向量进行PCA降维；

线性组合四个所述视角的特征向量，采用交叉核支持向量机训练所述特征向量，以得到所述人头肩部位分类器。

8.如权利要求6所述的控制方法，其特征在于，在步骤（3）之后还包括：

（4）根据遮挡人头的轮廓面积和弧度特征进行特征点采样；

（5）通过Hough变换进行人头轮廓曲线拟合，以找到遮挡区域中的单个人体目标并进行干扰消除。

9.一种基于视频人数统计分析的中央空调控制系统，其特征在于，包括：

视频获取，用于间断地获取监控区域内视频流数据；

传输模块，用于传输所述视频流数据；

服务器，用于接收所述视频流数据并对同一时间段内所述视频流数据中的每一帧图像进行分析以统计人数；

划分模块，用于将所述监控区域划分为多个子区域；

估算模块，用于对每个所述子区域内的人数进行估算，并取所述视频流数据中同一时间段内的连续N幅帧图像的人数平均值，以得到各子区域在同一时间段内的人数分布情况；以及

控制模块，用于根据所述人数分布情况产生控制信号以控制位于各所述子区域内的中央空调。

10.如权利要求9所述的控制系统，其特征在于，所述视频获取模块具体包括：

红外摄像头，用于间断式地获取所述视频流数据，所述视频流数据包括头肩部分；

视频采集卡，用于对所述视频流数据进行噪声去除、A/D转换、帧率调整、色彩转换及编码压缩。

Images