CN109711261A - 一种室内人员定位方法及装置、建筑智能照明系统 - Google Patents

Abstract

本发明公开提供了一种室内人员定位方法及装置、建筑智能照明系统，获取室内空间的视频图像数据；按照室内照明灯的分布及数量将空间划分为若干个子区域；采用目标检测方法对视频中目标人员进行识别，并定位出视频中目标人员的位置坐标；利用CMAC神经网络对视频中目标人员的位置坐标进行训练，得到目标人员在室内空间中的位置坐标信息；以网格形式存储和输出每个子区域中目标人员数量；根据照明灯所在区域的当前光照强度和该区域的目标人员数量，控制相应的照明灯的亮度。本发明实现对室内人员精确定位，能在保证照度的情况下，准确控制照明灯的开关以及亮度，减少了照明用电能源的浪费。

Description

一种室内人员定位方法及装置、建筑智能照明系统

技术领域

本公开涉及建筑智能化技术领域，尤其涉及一种CMAC神经网络与卷积神经网络相结合的室内人员定位方法及装置、建筑智能照明系统。

背景技术

随着社会经济飞速发展，全球能源需求量则是日益剧增。目前，能源短缺问题成为制约社会经济发展，人类生活质量提高的一个重要因素。特别是在中国，在70年代能源危机之后，发达国家开始致力于研究建筑节能技术，我国则是忽略这一方面，随着我国人口的增加、人们生活方式的改善以及城市化进程不断加快，建筑能耗总量逐年上升，能源浪费严重。而在整个建筑能耗中，因照明产生的电能耗浪费尤为严重。例如：许多高校由于缺乏管理，教学楼或者大型会议室在只有少数人的时候，灯依然全部点亮，甚至无人时，自习室里灯亮一整夜或者在白天室内照度合适，却依然开着灯，这样下来浪费的电能是十分惊人的。为解决照明用电浪费问题，采用建筑智能照明系统，通过定位室内人员位置，来确定室内开灯的数量和位置，因此室内人员定位方法成为解决此问题的基础和关键一步。

目前常用的室内人员定位方法有如下几种：红外线技术、蓝牙技术、无线局域网、超声波、Zigbee等技术。红外线技术有两种，一种是被定位目标使用红外线IR识别作为移动点，发射红外射线，通过光传感器接收来进行定位；另一种为由多对发射器和接收器编织的红外线网来直接对运动目标进行定位，但红外线技术存在一定的弊端，例如：红外线技术只能视距传播，且穿透力差，当室内人员重叠时会出现较大的误差，无法正常工作。WiFi技术与GPS技术通常实现较大范围的定位，精度较低，常用工厂、商场等需要导航的场所。超声波定位则主要采用反射式测距法，通过多边定位等方法确定物体位置，系统由一个主测距器和若干接收器组成，主测距仪需放置在待测目标上，接收器固定于室内环境中。蓝牙技术，则需给每个待测目标佩戴蓝牙手环。超宽带(UWB)定位技术利用事先布置好的已知位置的锚节点和桥节点，与新加入的盲节点进行通讯，并利用三角定位或者“指纹”定位方式来确定位置。这三种定位方法成本较高，且不适用于大型会议室和自习室等场所。

综上所述，如何在保持成本较低的同时，提高室内人员定位的精确度，从而实现照明控制智能化的问题，尚缺乏有效的解决方案。

发明内容

为了克服上述现有技术的不足，本公开提供了一种室内人员定位方法及装置、建筑智能照明系统，结合了卷积神经网络和CMAC神经网络实现对室内人员精确定位，能在保证照度的情况下，准确控制照明灯的开关以及亮度，减少了照明用电能源的浪费。

本公开所采用的技术方案是：

一种室内人员定位方法，该方法包括以下步骤：

获取室内空间的视频图像数据；

按照室内照明灯的分布及数量将室内空间划分为若干个子区域；

采用目标检测方法对视频图像中目标人员进行识别，并定位出视频图像中目标人员的位置坐标；

利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练，得到目标人员在室内空间中的位置坐标信息；

根据得到的所有目标人员在室内空间中的位置坐标信息，确定每个子区域的目标人员数量，依据室内空间的光照度数据和子区域的目标人员数量，判断灯的开关及亮度。

进一步的，所述子区域的数量与室内照明灯的数量相同，每个子区域内包含有一照明灯。

进一步的，所述采用目标检测方法对视频图像中目标人员进行识别的步骤包括：

训练卷积神经网络；

利用训练好的卷积神经网络对视频图像数据进行预测，识别出目标人员在视频图像中的位置坐标。

进一步的，所述训练卷积神经网络的步骤包括：

采用卷积网络模型训练数据集，经过多个卷积层、池化层以及全连接层，在全连接层后再添加多个卷积层，通过每一个卷积层进行预测，输出每个默认框的位置，根据预测的默认框与真实值计算损失。

进一步的，所述利用训练好的卷积神经网络对视频数据进行预测的步骤包括：

卷积神经网络训练结束后，将视频图像中的每一帧数据分别输入已经训练好的卷积神经网络中进行预测，输出预测到的每个边框；

获取每个边框的位置坐标，取每个边框中心位置坐标作为识别的目标人员在视频图像中的位置坐标，并输出至CMAC神经网络。

进一步的，所述利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练的步骤包括：

训练CMAC神经网络；

利用训练好的CMAC神经网络对视频图像中目标人员的位置坐标信息进行训练，预测出目标人员在室内空间中位置坐标信息；

根据所有目标人员在室内空间中位置坐标信息，确定每个子区域中目标人员数量；

按照若干个子区域的划分方式，以网格形式存储和输出每个子区域中目标人员数量。

进一步的，所述训练CMAC神经网络的步骤包括：

采集并记录室内空间中每个目标人员位置坐标；

将室内空间中每个目标人员位置坐标的横坐标值作为CMAC神经网络的输出，将视频图像中目标人员位置坐标的横坐标值作为CMAC神经网络的输入；

对输入数据进行归一化处理，设定归一化后的输入空间，对输入空间进行等网格划分，以每个网格交点位中心定义超闭球；

在超闭球上定义高斯基函数；

将输入空间内所有点作为学习样本，计算误差值和估计误差；

修正权系数，直到CMAC神经网络输出误差值满足要求，训练结束，得到训练好的CMAC神经网络。

一种室内人员定位装置，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的室内人员定位方法。

一种建筑智能照明系统，该系统包括室内人员定位装置和照明灯控制终端；

所述照明灯监控终端包括照明灯控制器、多个摄像头、无线通信模块、若干个布置在每个照明灯附近的光照度传感器和若干个与每个照明灯连接的照明灯驱动器，所述摄像头、无线通信模块、光照度传感器和照明灯驱动器分别与照明灯控制器连接，所述照明灯控制器通过无线通信模块接收室内人员定位装置得到的每个照明灯所在区域内的目标人员数量，根据照明灯所在区域内当前光照强度和该区域内的目标人员数量，通过照明灯驱动器控制相应的照明灯亮度。

一种基于如上的建筑智能照明系统的照明控制方法，该方法包括以下步骤：

获取室内空间的视频图像数据；

按照室内照明灯的分布及数量将室内空间划分为若干个子区域；

采用目标检测方法对视频图像中目标人员进行识别，并定位出视频图像中目标人员的位置坐标；

利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练，得到目标人员在室内空间中的位置坐标信息；

根据得到的所有目标人员在室内空间中的位置坐标信息，确定每个子区域的目标人员数量，以网格形式存储和输出每个子区域中目标人员数量；

采集每个照明灯所在区域的当前光照强度；

根据照明灯所在区域的当前光照强度和该区域的目标人员数量，控制相应的照明灯的亮度。

本公开的有益效果是：

(1)本公开结合了卷积神经网络和CMAC神经网络两种方法，通过对室内监控视频数据进行分析，避免了红外线技术与WiFi技术对室内人员定位精度低的问题，同时也弥补了超声波技术、蓝牙技术等成本较高的不足；

(2)本公开利用对监控视频数据分析实现建筑照明控制智能化，能够做到不受外界环境干扰，对室内人员定位精度较高，能在保证照度的情况下，准确控制灯的开关以及亮度，进一步减少了照明用电能源的浪费，比较适用于高校自习室或大型会议室等场所；

(3)本公开通过卷积神经网络对室内人员进行识别以及通过CMAC神经网络对人员进行定位，提高人员所在位置的精确度；

(4)本公开通过确定房间内每个照明灯控制范围内人员个数，极大程度提高了开关控制以及亮度调节的准确性；

(5)本公开在经济效益上，利用室内原有摄像头采集监控视频图像数据成本低，且能在极大程度上改善照明用电浪费情况。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。

图1是室内人员定位方法流程图；

图2是卷积神经网络结构示意图；

图3是CMAC结构示意图；

图4是建筑智能照明系统的示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释：

(1)视距传播：利用超短波、微波作为地面通信和广播时，其空间波在所能直达的两点间的传播，距离同在地面上人的视线能及的距离相仿。

(2)SSD：全称为Single Shot MultiBox Detector，是一种基于前向传播的卷积神经网络的目标检测方法。

(3)VOC0712：从数据集PASCAL VOC2007和PASCAL VOC2012选取部分图片作为本实施例的数据集，并将其命名为VOC0712。

(4)VGGNet：一个经典的卷积网络模型。

(5)卷积层：用来进行特征提取。

(6)池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。本实施例使用最大池化：选特征图像区域的最大值作为该区域池化后的值。

(7)全连接层：连接所有的特征，将输出值送给分类器。

(8)卷积核：卷积层中同一特征平面的神经元共享权值，其好处是减少网络各层之间的连接，同时又降低了过拟合的风险。

(9)kernel_size:卷积核的大小。如果卷积核的长和宽不等，可以用kernel_h和kernel_w分别设定。

(10)stride:卷积核的步长，默认为1。可以用stride_h和stride_w来设置。

(11)pad:扩充边缘，默认为0，即不扩充。扩充的时候是左右、上下对称的，比如pad设置为2，则卷积核四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素。也可以通过pad_h和pad_w来分别设定。

(12)ReLU函数：一种新的激活函数。用来添加非线性因素，优化梯度耗散问题。f(x)＝max(0,x)

(13)CMAC：小脑神经网络，是一种基于局部逼近、简单快速的神经网络，能够学习任意多维非线性拟合。

一种或多种实施例提供一种将卷积神经网络和CMAC神经网络相结合的室内人员定位方法，如图1所示，该方法包括以下步骤：

S101，采集室内空间的视频图像数据。

选定一个空教室作为室内空间实验场所，在室内空间内安装一个照明灯监控终端，进入待检测目标人员，使人员在教室内无规则走动，同时记录若干个人员位置坐标，通过照明灯监控终端采集整个室内空间内的图像信息，并通过无线通信方式上传到处理器中。

S102，按照室内照明灯的分布及个数将室内空间划分为若干个子区域。

室内整个空间内安装有m*n个照明灯，按照照明灯的个数和分布将该空间划分为m行*n列个子区域，每个子区域对应一个照明灯。

S103，采用SSD目标检测方法对视频图像中目标人员进行识别并定位。

在本实施例中，采用SSD目标检测方法对视频图像数据进行分析，识别出视频图像内目标人员，定位出目标人员的位置坐标信息，并在视频图像中标注出目标人员的位置。

SSD物体检测方法是一种基于前向传播的卷积神经网络的目标检测方法。

所述步骤103中，采用SSD目标检测方法对视频图像数据进行分析的步骤包括：

S103-1，训练卷积神经网络。

采用卷积网络模型(VGGNet)训练数据集VOC0712，经过卷积层、池化层以及全连接层训练数据集VOC0712，在卷积层提取数据集VOC0712的特征，在池化层对提取的特征图像进行压缩，得到特征最大值，在全连接层连接所有特征最大值，形成边框，并在全连接层后再添加多个卷积层。

在本实施例中，将卷积层中的卷积核的大小(kernel_size)设为3，卷积核的步长(stride)设为1，扩充边缘(pad)设为1，在每一次卷积后跟一个ReLU激活函数。

在本实例中，在全连接层后添加的卷积层设置固定的卷积核的大小(kernel_size)为1，卷积核的步长(stride)为1，扩充边缘(pad)为1。

如图2所示为卷积神经网络示意图，图2中方框1则为添加的卷积层，为使整个网络对小目标有较好的检测效果，检测过程则在conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2上进行。

在预测时则会输出每个默认框的位置以及默认框检测的不同物体类别概率，将预测默认框与真实值进行计算损失。设L_conf为默认框检测物体类别概率损失函数，L_loc为默认框位置损失函数。总损失函数为L_conf与L_loc的加权值。

损失函数：

其中，c为类别置信度预测值；l为先验框的边界框位置预测值；g为真实框(groundtruth box)；N为先验框正样本数量；α参数用来调整confidence loss和location loss之前的比例，默认为1；p为类别；m为特征图；w为框的宽度；h为框的高度；为预测框为；为真实框。

步骤103-2，利用训练好的卷积神经网络对视频图像中的每一帧数据进行预测，识别出目标人员在视频图像中的位置坐标。

卷积神经网络训练结束后，将每个子图块中的每一帧数据分别放入已经训练好的卷积神经网络中进行预测，输出预测到的每个边框，获取每个边框坐标，取每个边框中心位置坐标作为识别的目标人员在视频图像中的位置坐标，并输出。

步骤104，利用CMAC神经网络对步骤103得到的视频图像中目标人员的位置坐标信息进行训练，得到目标人员在现实室内空间中的位置坐标信息，并将目标人员在现实室内空间中的位置坐标信息输出至照明灯监控终端。

1975年J.S.Albus提出一种模拟小脑功能的神经网络模型，称为CerebellarModel Articulation Controller，简称CMAC。CMAC神经网络模型是仿照小脑控制肢体运动的原理而建立的神经网络模型。小脑指挥运动时具有不假思索地作出条件反射迅速响应的特点，这种条件反射式响应是一种迅速联想。

所述步骤104中，利用CMAC神经网络对视频图像中目标人员的位置坐标信息进行训练的步骤包括：

S104-1：训练CMAC神经网络。

将实际记录的目标人员位置坐标的横坐标值(x值)作为输出，将步骤103识别出的视频图像中相对应目标人员位置坐标的横坐标值(x值)作为输入；

对输入数据进行归一化处理：

其中，X为图像中相对应目标人员位置坐标的横坐标值；X_min为输入数据的最小值；X_max为输入数据的最大值。

设A为一个归一化后的输入空间，对空间A进行等网格划分，划分后的网格交点编号记为P_j(j＝1,2,…L)，对应权值为q_j，以节点P_j为中心定义超闭球为：

U＝{x|||x-p_j||≤R_b,x∈A}

在超闭球U上定义高斯基函数b_j(·)为：

其中，x为空间A内任意一点，R_b取值为0.06，σ取值为1.9。

令S＝{(x_k,y_k)}(k＝1,2,…,N)为学习样本，其输出为以激活节点为中心的超闭球上的基函数的线性组合，则误差值的计算公式为：

其中，B(x_k)＝diag[b₁(x_k),b₂(x_k),…,b_L(x_k)]，L为划分后的网格交点数量，q＝[q₁,q₁,…,q₁]^T是权系数向量，S_k＝[S_k，L]_L×1为权系数选择向量。

估计误差为

再修正权系数，直到CMAC神经网络输出误差满足要求，训练结束，如图3所示。其中，修正权系数公式如下：

其中，T取值为0.4，U取值为0.1，为输入的样本数据；

B(x_k)＝diag[b₁(x_k),b₂(x_k),…,b_L(x_k)]；S_t为权系数选择向量。

步骤S104-2，利用训练好的CMAC神经网络对视频图像中目标人员的位置坐标信息进行训练，得到目标人员在室内空间中位置坐标信息，并输出至照明灯监控终端。

利用训练好的CMAC神经网络对图像中目标人员的位置坐标信息进行训练，预测出目标人员在室内空间中位置坐标信息，根据目标人员在室内空间中位置坐标信息，得到每个子区域内的目标人员数量，并按照划分后的m*n个子区域以网格的形式输出视频数据信息，每个网格存放的数据信息为该区域中目标人员数量，并将每个区域中目标人员数量输出至照明灯监控终端。

步骤105，照明灯监控终端中照明灯控制器依据室内照度要求控制照明灯的亮度，从而实现亮度的连续控制。

所述步骤105的具体实现方式如下：

S105-1，通过光照度传感器，采集每个区域的当前环境光照强度参数，并传输至照明灯控制器。

每个照明灯所在区域内均设置有光照度传感器，该光照度传感器与照明灯控制器连接，用于检测照明灯所在区域内当前光照强度，并传输至照明灯控制器。每个照明灯与照明灯控制器之间还连接有照明灯驱动器，照明灯控制器通过照明灯驱动器控制相应的照明灯亮度。

S105-2，照明灯控制器根据当前照明灯所在区域环境的光照强度参数和该区域内的人员数量，通过照明灯驱动器控制相应的照明灯亮度，实现照明灯照度的连续控制。

假设第一个照明灯所在区域为A，第二个照明灯所在区域为B，第三照明灯所在区域为C，第四照明灯所在区域为D，第五照明灯所在区域为F，D区、F区人员数各为1，其他区域各为0，因此结合在D、F处采集的光照强度参数，确定此处灯应该自动开启，以及开启的亮度。

本实施例提出的室内人员定位方法，结合了卷积神经网络和CMAC神经网络两种方法，通过对室内监控视频数据进行分析，避免了红外线技术与WiFi技术对室内人员定位精度低的问题，同时也弥补了超声波技术、蓝牙技术等成本较高的不足。本公开利用对监控视频数据分析实现建筑照明控制智能化，能够做到不受外界环境干扰，对室内人员定位精度较高，能在保证照度的情况下，准确控制灯的开关以及亮度，进一步减少了照明用电能源的浪费。

本实施例提出的室内人员定位方法，分别结合了卷积神经网络和CMAC神经网络，在室内人员定位技术上，比红外线等定位技术减少了误差，比WiFi、GPS等技术提高了定位精度，比起超宽带定位等技术降低了成本，对整个照明自动控制系统具有十分明显的效果。

一种或多种实施例提供一种室内人员定位装置，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的室内人员定位方法。

一种或多种实施例提供一种建筑智能照明系统，如图4所示，该系统包括照明灯监控终端和处理器，其中：

所述照明灯监控终端，安装在室内，被配置为采集整个室内空间的视频图像数据，通过无线通信方式将视频图像数据传送到处理器；接收处理器回馈的照明灯所在区域内的目标人数数量，根据照明灯所在区域内的目标人数数量和照明灯所在区域内的光照强度，控制相应的照明灯亮度；

所述处理器，被配置为接收照明灯监控终端上传的视频图像数据，按照室内照明灯的分布及个数将室内空间划分为若干个子区域，采用SSD目标检测方法对视频图像数据进行分析，识别出视频图像中目标人员，定位出视频图像中目标人员的位置坐标信息，利用CMAC神经网络对视频图像中目标人员的位置坐标信息进行训练，得到目标人员在现实室内空间中的位置坐标信息，依据所有目标人员在现实室内空间中的位置坐标信息，得到每个子区域内目标人员的数量，以网格形式将每个子区域中目标人员数量输出至照明灯监控终端。

在本实施例中，所述照明灯监控终端包括多个分散布置在室内空间内的摄像头、照明灯控制器、无线通信模块、光照度传感器和照明灯驱动器，所述摄像头，用于采集整个室内空间的视频图像数据，传输至照明灯控制器；所述照明灯控制器通过无线通信模块将视频图像数据传输至处理器；所述照明灯控制器还通过无线通信模块接收处理器反馈的照明灯所在区域内的目标人员数量，所述光照度传感器，用于采集光环境参数，并传输至照明灯控制器；所述照明灯控制器结合环境光照度参数以及照明灯所在区域内的目标人员数量控制照明灯驱动器驱动和关闭相应的照明灯，实现照度的连续控制。

在本实施例中，所述无线通信模块可采用WIFI模块。

本实施例提出的建筑智能照明系统，利用对视频图像数据分析，对室内人员进行定位，从而达到依据环境照度控制灯的开关及亮度，比较适用于高校自习室或大型会议室等场所；在通过卷积神经网络对室内人员进行识别以及CMAC对人员进行定位，提高人员所在位置的精确度；通过确定房间内每个灯控制范围内人员个数，极大程度提高了开关控制以及亮度调节的准确性；在经济效益上，利用室内原有摄像头采集监控视频，成本低，且能在极大程度上改善照明用电浪费情况。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种室内人员定位方法，其特征是，包括以下步骤：

获取室内空间的视频图像数据；

按照室内照明灯的分布及数量将室内空间划分为若干个子区域；

采用目标检测方法对视频图像中目标人员进行识别，并定位出视频图像中目标人员的位置坐标；

利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练，得到目标人员在室内空间中的位置坐标信息；

根据得到的所有目标人员在室内空间中的位置坐标信息，确定每个子区域的目标人员数量，依据室内空间的光照度数据和子区域的目标人员数量，判断灯的开关及亮度。

2.根据权利要求1所述的室内人员定位方法，其特征是，所述子区域的数量与室内照明灯的数量相同，每个子区域内包含有一照明灯。

3.根据权利要求1所述的室内人员定位方法，其特征是，所述采用目标检测方法对视频图像中目标人员进行识别的步骤包括：

训练卷积神经网络；

利用训练好的卷积神经网络对视频图像数据进行预测，识别出目标人员在视频图像中的位置坐标。

4.根据权利要求3所述的室内人员定位方法，其特征是，所述训练卷积神经网络的步骤包括：

采用卷积网络模型训练数据集，经过多个卷积层、池化层以及全连接层，在全连接层后再添加多个卷积层，通过每一个卷积层进行预测，输出每个默认框的位置，根据预测的默认框与真实值计算损失。

5.根据权利要求3所述的室内人员定位方法，其特征是，所述利用训练好的卷积神经网络对视频数据进行预测的步骤包括：

卷积神经网络训练结束后，将视频图像中的每一帧数据分别输入已经训练好的卷积神经网络中进行预测，输出预测到的每个边框；

获取每个边框的位置坐标，取每个边框中心位置坐标作为识别的目标人员在视频图像中的位置坐标，并输出至CMAC神经网络。

6.根据权利要求1所述的室内人员定位方法，其特征是，所述利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练的步骤包括：

训练CMAC神经网络；

利用训练好的CMAC神经网络对视频图像中目标人员的位置坐标信息进行训练，预测出目标人员在室内空间中位置坐标信息；

根据所有目标人员在室内空间中位置坐标信息，确定每个子区域中目标人员数量；

按照若干个子区域的划分方式，以网格形式存储和输出每个子区域中目标人员数量。

7.根据权利要求6所述的室内人员定位方法，其特征是，所述训练CMAC神经网络的步骤包括：

采集并记录室内空间中每个目标人员位置坐标；

将室内空间中每个目标人员位置坐标的横坐标值作为CMAC神经网络的输出，将视频图像中目标人员位置坐标的横坐标值作为CMAC神经网络的输入；

对输入数据进行归一化处理，设定归一化后的输入空间，对输入空间进行等网格划分，以每个网格交点位中心定义超闭球；

在超闭球上定义高斯基函数；

将输入空间内所有点作为学习样本，计算误差值和估计误差；

修正权系数，直到CMAC神经网络输出误差值满足要求，训练结束，得到训练好的CMAC神经网络。

8.一种室内人员定位装置，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-7中任一项所述的室内人员定位方法。

9.一种建筑智能照明系统，其特征是，包括权利要求8所述的室内人员定位装置和照明灯控制终端；

所述照明灯监控终端包括照明灯控制器、多个摄像头、无线通信模块、若干个布置在每个照明灯附近的光照度传感器和若干个与每个照明灯连接的照明灯驱动器，所述摄像头、无线通信模块、光照度传感器和照明灯驱动器分别与照明灯控制器连接，所述照明灯控制器通过无线通信模块接收室内人员定位装置得到的每个照明灯所在区域内的目标人员数量，根据照明灯所在区域内当前光照强度和该区域内的目标人员数量，通过照明灯驱动器控制相应的照明灯亮度。

10.一种基于权利要求9所述的建筑智能照明系统的照明控制方法，其特征是，该方法包括以下步骤：

获取室内空间的视频图像数据；

按照室内照明灯的分布及数量将室内空间划分为若干个子区域；

采用目标检测方法对视频图像中目标人员进行识别，并定位出视频图像中目标人员的位置坐标；

利用CMAC神经网络对视频图像中目标人员的位置坐标进行训练，得到目标人员在室内空间中的位置坐标信息；

根据得到的所有目标人员在室内空间中的位置坐标信息，确定每个子区域的目标人员数量，以网格形式存储和输出每个子区域中目标人员数量；

采集每个照明灯所在区域的当前光照强度；

根据照明灯所在区域的当前光照强度和该区域的目标人员数量，控制相应的照明灯的亮度。