CN110087369A - 办公区的灯光控制方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开提供了一种办公区的灯光控制方法及装置，属于人脸识别技术领域，该方法包括：获取当前楼层的实时热图像；将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。该方法提高了灯光控制的准确率。

Description

办公区的灯光控制方法及装置、存储介质、电子设备

技术领域

本公开涉及人脸识别技术领域，具体而言，涉及一种办公区的灯光控制方法、办公区的灯光控制装置、计算机可读存储介质以及电子设备。

背景技术

灯光是人们日常生活中不可或缺的一部分，例如夜晚的照明、舞台灯光的运用、办公环境的照明等等。

办公照明是一座办公楼的重要组成部分，现有的办公照明中，通常采用区域控制配合人工控制的方法进行灯光照明的管理，即将办公楼层按照不同区域的划分进行灯光的控制，例如办公区、茶水区等等，再通过人工控制的方式对灯光进行开关控制。但是由于用户经常出现忘操作或者误操作，例如控制了错误区域的灯光、离开时由于忘记关灯浪费资源等等，导致灯光控制不准确，且易造成资源浪费。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的实施例提供一种办公区的灯光控制方法、办公区的灯光控制装置、计算机可读存储介质以及电子设备。

根据本公开的第一方面，提供一种办公区的灯光控制方法，包括：

获取当前楼层的实时热图像；

将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

在本公开的一示例性实施例中，在根据所述人员的当前位置，对应控制当前楼层不同区域的灯光之后，还包括：

每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

在本公开的一示例性实施例中，所述方法还包括：

将当前楼层的热图像样本集合中的多张热图像样本作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

在本公开的一示例性实施例中，所述机器学习模型包括多个与不同时间段相对应的子机器学习模型，每个时间段所对应的子机器学习模型的预先训练包括：

将该时间段的当前楼层的热图像样本集合中的多张热图像样本作为该子机器学习模型的样本输入，以对该子机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整该子机器学习模型的参数，使得该子机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

在本公开的一示例性实施例中，在所述获取当前楼层不同区域的实时影像之前，所述方法还包括：

对当前楼层进行区域划分，使每个区域中至少含有一个摄像头；

对每一摄像头以及每一区域分别进行编号；

分别将每一摄像头的编号与该摄像头所属区域的编号对应存储。

在本公开的一示例性实施例中，所述方法还包括：

根据当前楼层不同区域的实时影像的人脸识别结果，分别获取当前楼层每一区域的人员的数量；

根据当前楼层每一区域的所述人员的数量，通过查询人员数量与灯光亮度对应关系表分别控制当前楼层每一区域的灯光亮度。

根据本公开的第二方面，提供一种办公区的灯光控制装置，包括：

第一获取模块，用于获取当前楼层的实时热图像；

判断模块，用于将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

第二获取模块，用于在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

第三获取模块，用于对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

第一控制模块，用于根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

在本公开的一示例性实施方式中，所述装置还包括：

提取模块，用于每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

计算模块，用于根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

运动趋势获取模块，用于在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

第二控制模块，用于根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的办公区的灯光控制方法。

根据本公开的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来实现如上述任意一项所述的办公区的灯光控制方法。

本公开的实施例提供的技术方案可以具有以下有益效果：

通过本公开的各实施例，将当前楼层的热图像作为机器学习模型的输入，由该机器学习模型输出当前楼层是否有人的判断结果。通过机器学习模型的设置，基于当前楼层的热图像进行识别，避免了人工需要遍视当前楼层确认是否有人的麻烦。在机器学习模型的判断结果为当前楼层有人时，获取当前楼层每一区域的实时影像，并基于每一实时影像的人脸识别结果，确定人员的当前位置，并对应控制当前楼层不同区域的灯光。避免了出现人工控制错误和资源浪费的情况，保证了灯光控制的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出根据本公开一示例性实施例的办公区的灯光控制方法的流程示意图。

图2示出根据本公开一示例性实施例的图1的办公区的灯光控制方法还包括的对当前楼层进行区域划分的流程示意图。

图3示出根据本公开一示例性实施例的图1的办公区的灯光控制方法还包括的根据人员运动趋势控制灯光的流程示意图。

图4示出根据本公开一示例性实施例的一种办公区的灯光控制装置的示意组成框图。

图5示出根据本公开一示例性实施例的电子设备的示意组成框图。

图6示出根据本公开一示例性实施例的一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

请参阅图1，图1为根据本公开一示例性实施例的办公区的灯光控制方法的流程示意图，该灯光控制方法可以运行于任意计算设备中，例如运行于终端或者服务器，也可以运行于服务器集群或云服务器等等。当然，本领域技术人员也可以根据需求在其他平台运行本公开的方法，本示例性实施例对此不做特殊限定。如图1所示的实施例中，该灯光区的灯光控制方法包括：

步骤S110，获取当前楼层的实时热图像。

当前楼层的实时热图像是指通过设置于当前楼层的热成像仪所获取的该楼层的实时热图像画面。由于人体一直在向外界辐射能量，且具有特殊轮廓，因此能够识别出热图像画面中是否有人。在一示例中，可在当前楼层的不同位置分别设置热成像仪进行热图像的获取，避免出现视觉死角。

在一示例性实施方式中，可以每隔预定周期获取一次当前楼层的实时热图像，其中，预定周期可以是预先配置，例如二十分钟、三十分钟或者四十五分钟等等，本示例对此不做特殊限定。

步骤S120，将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果。

将当前楼层的实时热图像作为机器学习模型的输入，由机器学习模型根据该实时热图像输出当前楼层是否有人的判断结果。由于该机器学习模型为预先训练完成的，因此判断结果准确，避免了人工确定需遍视当前楼层的麻烦。

在一示例性实施方式中，在所述将所述实时热图像输入预先训练完后成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果之前，所述方法还包括：

将当前楼层的热图像样本集合中的多张热图像样本作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

其中，当前楼层的热图像样本集合中的每一张热图像样本均为事先采集，每张热图像样本具有有人或者没有人的对应标识。在一示例中，可以将每一热图像样本显示在显示界面上，由专业人员来判定该热图像样本中是有人或者没有人，然后，接收专业人员在显示界面上的输入，该输入作为对应热图像样本的对应标识。

采用当前楼层的热图像样本集合对该机器学习模型进行训练，保证了该机器学习模型判断结果的准确性，进而保证了灯光控制的准确性。

在一示例性实施方式中，所述机器学习模型包括多个与不同时间段相对应的子机器学习模型，每个时间段所对应的子机器学习模型的预先训练包括：

将该时间段的当前楼层的热图像样本集合中的多张热图像样本作为该子机器学习模型的样本输入，以对该子机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整该子机器学习模型的参数，使得该子机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

由于办公区在不同的时间，工作人员的人数不是固定的，例如上班时间、下班时间等，由于办公设备(例如电脑、打印机等等)的使用也会向外界发散热量，过多的办公设备会影响当前楼层是否有人的判断结果，因此需采集不同时间段的当前楼层的实时热图像样本集合作为机器学习模型的训练样本输入。

在一示例中，该不同时间段的划分可以是根据当前楼层的企业的上班时间进行划分，例如当前楼层的企业上班时间为8:00～17:30，则将每天8:00～17:30划分为工作时间段，每天工作时间以外的划分为非工作时间段，分别采集不同时间段的当前楼层的实时热图像样本，以对该时间段所对应的子机器学习模型进行训练，保证了子机器学习模型的判断结果的准确性。

在另一示例中，该不同时间段可以根据当前楼层的工作日和非工作日进行划分，例如当前楼层的企业的上班时间为每星期的星期一到星期六，则将每星期的星期一到星期六划分为工作时间段，每星期的星期日划分为非工作时间段，分别采集不同时间段的当前楼层的实时热图像样本，以对不同时间段的子机器学习模型进行训练。

步骤S130，在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像。

通过设置于当前楼层的不同区域的摄像头，在机器学习模型的判断结果为当前楼层有人时获取当前楼层不同区域的实时影像。

请参考图2，图2为根据本公开一示例性实施例的图1的办公区的灯光控制方法还包括的对当前楼层进行区域划分的流程示意图，在图2的实施例中，在获取当前楼层每一区域的实时影像之前，所述方法还包括：

步骤S210，对当前楼层进行区域划分，使每个区域中至少含有一个摄像头。

步骤S220，对每一摄像头以及每一区域分别进行编号。

步骤S230，分别将每一摄像头的编号与该摄像头所属区域的编号对应存储。

其中，对当前楼层进行区域划分，在一示例中，可以根据当前楼层的功能进行划分，例如划分为办公区、休闲区等等。在另一示例中，可以根据当前楼层的办公室区域进行划分，例如经理办公室、人事部办公室、茶水间等等。为了获得每一区域的实时影像，在对当前楼层进行区域划分后，保证每一区域中至少含有一个摄像头，在其他示例中，每一区域的摄像头可以是多个，例如两个、三个或者四个等等，本示例对此不做特殊限定。

在对当前楼层进行区域划分后，对所有区域以及不同的区域进行编号，并将每一摄像头的编号与该摄像头所属区域的编号进行对应存储。在一示例中，每一区域可以与该区域内的摄像头进行对应编号，方便管理。例如区域编号可以为A1，则该区域内的摄像头可对应编号为A11、A12等等。因此，根据每一摄像头的编号即可知道该摄像头所对应的区域。

步骤S140，对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置。

对当前楼层的每一区域的实时影像进行人脸识别，当在实时影像中识别出人脸时，根据获取该实施影像的摄像头即可得知该摄像头所对应的区域，代表着该区域内有人活动。

步骤S150，根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

在获取所述人员的当前位置即该人员位于当前楼层的哪个区域之后，即可对应控制当前楼层不同区域的灯光。例如所述人员位于编号为A1的区域，其他区域为识别出人脸，则将编号为A1的区域的灯光打开，关闭其他编号的区域的灯光等等。

请参考图3，图3为根据本公开一示例性实施方式的图2的办公区的灯光控制方法还包括的根据人员运动趋势控制灯光的流程示意图，在图2的实施例中，在根据所述人员的当前位置，对应控制当前楼层不同区域的灯光之后，该示例性方法还包括：

步骤S310，每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧。

其中，预定时间为预先配置，可以是10S、20S或者30S等等。由于人员在区域内的移动时间较短，因此该预定时间不应过长，以防止灯光控制反应不及时。每隔预定时间从与人员的当前位置相对应的区域的实施影像中提取静态帧，该静态帧中人员头像的位置是固定的。

步骤S320，根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标。

对每一静态帧进行人脸识别，根据每一静态帧的人脸识别结果，计算得出每一静态帧中的人脸在实时影像中的中心点坐标。在一示例性实施方式中，以屏幕的中心点为坐标原点，在屏幕上建立坐标系，计算得出实施影响中的人脸的平均坐标，即为该人脸在实时影像中的中心点坐标。例如，实时影像中的人脸中该人脸的额头顶点坐标为(45，35)，该人脸的下巴的顶点坐标为(44，33)，则该人脸在实时影像中的中心点坐标为(44.5，34)。

步骤S330，在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势。

根据相邻时刻的两张静态帧中的人脸的中心点坐标，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，即可获得该人员的当前运动趋势。例如，在上一时刻的静态帧中的人脸的中心点坐标为(44.5，34)，在下一时刻的静态帧中的该人脸的中心点坐标为(-24，-32)，则该人员的当前运动趋势为由坐标系的第一象限到第三象限。

步骤S340，根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

根据该人员的当前运动趋势，且结合当前楼层的区域的排列方位，对该人员的运动位置进行预测，控制与该当前运动趋势相对应的区域的灯光。例如当前人员在编号为A1的区域的当前运动趋势为从第一象限到第三象限，而编号为A2的区域位于与A1区域的相同方向上，且A2区域与A1区域相邻，因此，控制打开A2区域的灯光。

避免了人员进入A2区域后再打开灯光，灯光控制速度慢，且未开灯时人员进入容易发生磕碰等事故，保证了人员的人身安全。

在一示例性实施方式中，在根据所述人员的当前位置，对应控制当前楼层不同区域的灯光之后，所述方法还包括：

根据当前楼层不同区域的实时影像的人脸识别结果，分别获取当前楼层每一区域的人员的数量；

根据当前楼层每一区域的所述人员的数量，通过查询人员数量与灯光亮度对应关系表分别控制当前楼层每一区域的灯光亮度。

在该示例中，人员数量与灯光亮度对应关系表可以预先配置，根据对每一区域的人脸识别结果，识别出每一区域的人员数量。将每一区域的灯光亮度设置为多级，针对有人员所在的每一区域，通过查询人员数量与灯光亮度对应关系表，对应控制该区域的灯光亮度级别，既能保证灯光亮度足够，又避免人员数量少而灯光亮度过盛的资源浪费。

例如：人员数量与灯光亮度对应关系表如下表所示：

人员数量(个)	灯光亮度(级)
		1-3	1
4-8	2
		≥8	3

其中1级代表灯光亮度最低，3级代表灯光亮度最高，人员数量越多则对应的灯光亮度灯级越高。若当区域的人脸识别结果为该区域有三个人员时，则对应将该区域的灯光亮度调控为1级，若有9个人员，则将该区域的灯光亮度调控为3级等等。

本公开还提供了一种办公区的灯光控制装置。参考图4所示，该灯光控制装置可以包括第一获取模块410、判断模块420、第二获取模块430、第三获取模块440以及第一控制模块450。其中：

第一获取模块410用于获取当前楼层的实时热图像；

判断模块420用于将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

第二获取模块430用于在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

第三获取模块440用于对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

第一控制模块450用于根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

在一示例性实施方式中，所述灯光控制装置还包括：

提取模块460，其被配置为：每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

计算模块470，其被配置为：根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

运动趋势获取模块480，其被配置为：在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

第二控制模块490，其被配置为：根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

上述办公区的灯光控制装置中各模块的具体细节已经在对应的办公区的灯光控制方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤110：获取当前楼层的实时热图像；步骤S120：将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；步骤S130，在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；步骤S140：对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；步骤S150：根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种办公区的灯光控制方法，其特征在于，包括：

获取当前楼层的实时热图像；

将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

2.根据权利要求1所述的灯光控制方法，其特征在于，在根据所述人员的当前位置，对应控制当前楼层不同区域的灯光之后，还包括：

每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

3.根据权利要求1所述的灯光控制方法，其特征在于，还包括：

将当前楼层的热图像样本集合中的多张热图像样本作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

4.根据权利要求1所述的灯光控制方法，其特征在于，所述机器学习模型包括多个与不同时间段相对应的子机器学习模型，每个时间段所对应的子机器学习模型的预先训练包括：

将该时间段的当前楼层的热图像样本集合中的多张热图像样本作为该子机器学习模型的样本输入，以对该子机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；

通过调整该子机器学习模型的参数，使得该子机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致。

5.根据权利要求1所述的灯光控制方法，其特征在于，在所述获取当前楼层不同区域的实时影像之前，还包括：

对当前楼层进行区域划分，使每个区域中至少含有一个摄像头；

对每一摄像头以及每一区域分别进行编号；

分别将每一摄像头的编号与该摄像头所属区域的编号对应存储。

6.根据权利要求1所述的灯光控制方法，其特征在于，还包括：

根据当前楼层不同区域的实时影像的人脸识别结果，分别获取当前楼层每一区域的人员的数量；

根据当前楼层每一区域的所述人员的数量，通过查询人员数量与灯光亮度对应关系表分别控制当前楼层每一区域的灯光亮度。

7.一种办公区的灯光控制装置，其特征在于，包括：

第一获取模块，用于获取当前楼层的实时热图像；

判断模块，用于将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

第二获取模块，用于在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

第三获取模块，用于对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

第一控制模块，用于根据所述人员的当前位置，对应控制当前楼层不同区域的灯光。

8.根据权利要求7所述的灯光控制装置，其特征在于，还包括：

提取模块，用于每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

计算模块，用于根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

运动趋势获取模块，用于在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

第二控制模块，用于根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的办公区的灯光控制方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来实现如权利要求1-6中任一项所述的办公区的灯光控制方法。