CN110309759A - 基于人体图像识别的光源控制方法 - Google Patents
基于人体图像识别的光源控制方法 Download PDFInfo
- Publication number
- CN110309759A CN110309759A CN201910561188.XA CN201910561188A CN110309759A CN 110309759 A CN110309759 A CN 110309759A CN 201910561188 A CN201910561188 A CN 201910561188A CN 110309759 A CN110309759 A CN 110309759A
- Authority
- CN
- China
- Prior art keywords
- light source
- image
- human body
- face
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于人体图像识别的光源控制方法,包括:获取视频的步骤;人体检测的步骤,若检测到视频中有人体存在时,则开启第一光源;否则,若未检测到视频中有人体存在时,则不开启光源;和在检测到人体存在的情况下,进行人脸检测的步骤,若检测到视频中有人脸存在时,则降低第一光源的强度;否则,若未检测到视频中有人脸存在时,则保持第一光源的强度不变。
Description
技术领域
本发明涉及视觉检测领域,更具体地,涉及基于人体图像识别的光源控制方法和光控设备。
背景技术
随着经济与智能化技术的发展,人们更加提倡节能减排、健康舒适的生活,智能光源控制系统由此而生。智能光源控制系统通过时间、声音或者是否有人等条件来实施对光源的开启和关闭的控制。这种光源控制系统不仅节约能源,还可延长灯具的使用寿命。
现有的智能光源控制方法通过红外传感器来检测是否有人存在来实现对光源的智能控制,但存在以下缺陷:红外传感器对热源和光源比较敏感,因此易于受到干扰。例如,当人体的红外辐射被遮挡时,传感器很难接收到人体信息。或者,当外界温度较高时,红外传感器灵敏度将大幅度下降,甚至造成短时失灵。
另外,公共场所一般要求光源的亮度较高。因此,当人体面向光源时,强烈的光线会使人体感到不适。
因此,本领域需要一种更加智能的光源控制方法及光控设备,其不仅能准确地检测人体的存在而不受外界因素的过多干扰,还能根据人体的方位来调节光源的亮度或强度。
发明内容
本发明所要解决的技术问题在于现有的光源控制方法精度不足和人脸在面向光源时亮度过高所存在的问题,并提供了一种基于人体图像识别的光源控制方法,其中包括人体检测步骤和人脸检测步骤。人体检测步骤可以检测是否有人体存在,这一步骤不受外界光源和热源的影响;人脸检测步骤在检测到人体直接面向灯源时,降低光源亮度或强度,提高舒适感。
具体地,本发明针对上述问题,提供一种基于人体图像识别的光源控制方法,包括:获取视频的步骤;人体检测的步骤,若检测到视频中有人体存在时,则开启第一光源;否则,若未检测到视频中有人体存在时,则不开启光源;和在检测到人体存在的情况下,进行人脸检测的步骤,若检测到视频中有人脸存在时,则降低第一光源的强度;否则,若未检测到视频中有人脸存在时,则保持第一光源的强度不变。
根据一个方面,进一步包括在第一光源开启后的一定时间内未检测到视频中有人体存在时,关闭第一光源的步骤。
根据一个方面,人脸检测的步骤还包括在检测到人脸的存在时,开启第二光源,所述第二光源是人脸所面向方向上距离第一光源最近的光源。
根据一个方面,人体检测步骤包括:当视频所拍摄的环境中仅可能出现人体时,采用基于视频的帧移光流法来进行人体检测;否则,当视频拍摄的环境中可能出现非人体的生物时,采用HOG+Haar特征与SVM分类器来进行人体检测。
根据一个方面,SVM分类器中的人体训练图像集包括多张人体图像和数量至少2倍于人体图像的非人体图像,所述人体图像和非人体图像的尺寸均为96×32。
根据一个方面,SVM分类器采用跳帧法和滑窗法对视频中的图像进行人体检测。
根据一个方面,采用如下算法来进行人脸检测步骤,该算法由2个级联网络构成,其中第一级网络利用P_Net,用于缩小视频拍摄到的图像的尺寸并对其进行处理以产生仅包括类似人脸的候选图像;和第二级网络利用R_Net,对所有候选图像进行进一步筛选以获得仅包括人脸的图像。
根据一个方面,第一级网络为小框架的4层卷积神经网络,输入图像尺寸为12×12×3,第二级网络为小框架的4层卷积神经网络,输入图像尺寸为24×24×3。
根据一个方面,人脸检测算法的训练方法及参数为:(1) 卷积层中的卷积核与全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始化;(2) 使用随机梯度下降算法训练权重,批处理大小设置为128,训练时支队70%损失较小的数据进行反向传播;(3) 训练样本使用了15000张正面人脸图,50000张不含人脸图像和50000张部分人脸图像,训练集中正样本,负样本,部分样本三种样本的比例为3:1:1,正面人脸图像来自多个开源的人脸图像集和具有人脸定位坐标的图像集,部分人脸图像大部分通过正面人脸图像的截取获得,将所有数据分别裁剪为12×12×3和24×24×3两种尺寸;(4) 按照一定比例设置数据的训练集、验证集和测试集,在10代的训练后,每一代都进行验证集的测试;和(5) 设置全部数据迭训练周期为1000代。
通过以下参照附图对示例性实施例的描述,本发明的其他特征将变得清楚。
附图说明
包含在说明书中并构成说明书的一部分的附图例示了本发明的示例性实施例、特征和方面,并且与文字说明一起用来解释本发明的原理。
图1为根据本发明一个方面的实施基于人体图像识别的光源控制方法的流程图。
图2是根据本发明一个方面的应用场景的示意图。
具体实施方式
下面将参照附图详细描述本发明的各种示例性实施例、特征和方面。应当指出,除非另外具体说明,在这些实施例中描述的部件、数字表示和数值的相对配置不限制本发明的范围。应当指出,下面的实施例并不限制权利要求中记载的本发明的范围,并且并非这些实施例中描述的特征的全部组合均是本发明所必须的。
为解决上述问题,本发明提供一种基于人体图像识别的光源控制方法,包括获取视频的步骤、人体检测的步骤和人脸检测的步骤。
根据本发明的一个方面,图像捕获装置实现图像的获取。图像捕获装置包括但不限于相机、摄像机、摄像头等电子产品。图像捕获装置可以与光源一体设置,也可以独立于光源设置。如在常见的住宅门廊场景下,光源一般设置在门廊天花板的中央以便照亮整个场景,而图像捕获装置可以设置在人体最先出现的位置附近,例如大门上方,以便第一时间感知人体的存在并拍摄人体画面。由于需要检测人脸是否面向光源,因此图像捕获装置的方向优选地设置成使得在人脸面向光源时能拍摄到整个面部的位置。图像捕获装置可以以有线或无线的方式与光源和/或下文具体描述的控制电路相连接。图像捕获装置的数量不是限制性的。可以为一个光源设置多个图像捕获装置,以全方位地监控系统中人体的存在。一个图像捕获装置也可以连接到多个光源,以在其检测到人体的存在时,使得多个光源可以被开启或调节亮度。
根据本发明的一个方面,人体检测步骤用来检测视频中是否有人体的存在。若检测到视频中有人体存在时,则开启光源;否则,若未检测到视频中有人体存在时,则不开启光源。在光源被开启的情况下,仍然继续检测人体的存在。若在光源被开启后的一定时间(例如30秒,180秒(图1所示),5分钟,10分钟等)内未检测到人体的存在,则关闭光源。
优选地,根据应用场景的不同,人体检测步骤所用的方法也不同,这有利于提高本发明方法的运行效率。这些人体检测方法包括光流法、HOG+Haar特征以及SVM分类器。
在一个实施例中,当应用场景中仅含有人体时,采用基于视频的帧移光流法(光流法)检测视频中是否出现了人体。这种方法的优势在于计算速度非常快,消耗资源较少。
在另一个实施例中,当应用场景较为复杂,即可能出现除了人体以外的其他动物(例如猫、狗等具有面部且易于在计算时与人体混淆的动物)时,则采用HOG+Haar特征与SVM分类器同时对是否存在人体进行检测。其中,HOG(Histogram of Oriented Gradient,方向梯度直方图)和Haar特征用于表征人体特征,而SVM(Support Vector Machine,支持向量机)分类器将通过HOG+Haar特征获得的人体特征映射到表征是否有人体存在的二维概率矩阵中以判断是否有人体存在。
作为示例,SVM分类器采用跳帧法和滑窗法(Sliding window)对视频中的图像进行检测以获得人体特征。其中,跳帧法对所有视频获得的图像进行跳帧处理,每隔特定数量的图像对人体特征进行一次检测,例如每5帧、8帧或10帧图像检测一次人体特征。其中,滑窗法每次截取由跳帧法获得的图像的固定尺寸的一部分,通过缩放和滑窗对该图像的各个部分进行检测。
SVM分类器的二维概率矩阵使用大量的训练图像集来训练得到。优选地,训练图像集包含人体图像及非人体图像,通常非人体图像的数量大于人体图像,优选至少2倍于人体图像。例如,人体图像例如为8000+张,非人体图像为16000+张。其他数量的人体图像和非人体图像也是可以的,但要保证数量足够大以确保人体检测的准确性。人体图像可以来自于开源的行人数据集和具有人体定位坐标的图像集。所有人体图像和非人体图像的尺寸不是限制性的,但在优选实施例中,人体图像和非人体图像均具有96×32的尺寸。
根据本发明的一个方面,当根据上述方法检测到人体存在的情况下,开启第一光源且启动人脸检测步骤。若检测到人脸的存在(或检测到人脸面向第一光源时),则降低第一光源的强度;否则,若未检测到人脸的存在(或检测到人脸未面向第一光源时),则保持第一光源的亮度不变。
优选地,本发明的人脸检测采用改进的人脸检测算法MTCNN(Multi-taskconvolutional neural network,多任务卷积神经网络)。具体地,本发明的MTCNN由第一级网络和第二级网络构成。其中,第一级网络可以看做一个随机森林,每一个树的模型都是一样的。所有输入的图像尺寸均被缩小,并利用P_Net检测图像中类似人脸的所有区域。经由此,大概可以去掉70%与人脸无关的图像。在减少70%的图像的情况下且在减少了第一级网络会检测到疑似人脸区域数量的同时,不会将人脸区域遗漏掉,由此可大大降低算法复杂度。“70%”这个数值要根据具体场景进行设置,包括会出现的最大人数数量、人脸占用的像素点数等。其中,第二级网络用R_Net对第一级网络检测到的人脸进行重新确认,以获得仅包括人脸的图像。这同样大大降低了误警率。与现有MTCNN算法不同的是,本发明的改进的MTCNN不需要第三级网络,即不需要对五官进行检测。
作为示例,第一级网络对图像进行检测时,需要对图像进行不同程度的缩放,对每一个缩放图像都用P_Net进行检测。现有的MTCNN需要采用10个缩放值左右,这是考虑到待测图像中含有的人体较多,而本发明中已将人体提取出来,所以只需采用4个、3个甚至更少数量的缩放值。这样经过第一级网络提取出的疑似人脸区域数量只有现有的MTCNN的五分之一左右,加上本发明中的MTCNN不使用第三级网络,本发明的改进后的MTCNN算法在保持性能的同时,运行速度提高了接近8倍,适用于大部分的嵌入式设备。例如,若利用全志A64芯片,则单帧图像的运行时间由200ms左右提升到20到30ms。
进一步地,第一级网络采用小框架的4层卷积神经网络,输入图像尺寸为12×12×3。第二级网络采用小框架的4层卷积神经网络,输入图像尺寸为24×24×3。作为示例,卷积神经网络的训练方法及参数,具体如下:
卷积层中的卷积核与全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始化。
使用随机梯度下降算法训练权重,批处理大小设置为128,训练时只对70%损失较小的数据进行反向传播。
训练样本使用了15000张正面人脸图,50000张不含人脸图像和50000张部分人脸图像,训练集中正样本,负样本,部分样本三种样本的比例为3:1:1,正面人脸图像来自多个开源的人脸图像集和具有人脸定位坐标的图像集,部分人脸图像大部分通过正面人脸图像的截取获得,将所有数据分别裁剪为12×12×3和24×24×3两种尺寸。
按照一定比例设置数据的训练集、验证集和测试集,在10代的训练后,每一代都进行验证集的测试。本领域技术人员可根据已知的指示设置迭代次数以及训练集、验证集和测试集的比例。
设置全部数据迭代训练周期为1000代。更多(1200代,2000代)或更少(500代,800代)的迭代训练周期也是可以的。
本领域技术人员可以理解,上述训练方法及参数中出现的数据不是限制性的。本领域技术人员可以根据应用场景的不同而采用不同的图像尺寸、训练样本和迭代周期,以保证运算速度和精度同时得到优化。
进一步地,作为优选实施例,本发明的光源控制方法还包括在检测到人脸的存在时开启第二光源,所述第二光源是人脸所面向方向上距离第一光源最近的光源。如图2所示,目前人体位于第一光源的检测范围内。由于检测到人体的存在,所以第一光源被开启。同时,由于检测到人脸的存在,第一光源的强度被降低。又由于,第二光源是距离第一光源最近的且是人脸面向的光源,因此第二光源也可以被开启。优选地,第二光源被以较低或最低的光亮强度被开启。这是因为,人体不一定朝向第二光源移动,降低亮度可以降低不必要的能源损耗,且若人体最终确实朝向第二光源移动,由于第二光源面向人脸也需要降低第二光源的强度以使人眼适应。
本发明还涉及一种光控装置,其包括光源、摄像装置和控制电路。控制电路根据摄像装置是否采集到人体和人脸而开启光源或降低已被开启的光源的强度。光源的种类不是限制性的,可以是LED等。摄像装置的种类也不是限制性的,只要其能进行拍摄即可。控制电路为如前文所述的电路,其可以在确定摄像装置获取的图像中包括人体时,开启光源;在光源开启后一定时间(例如5分钟)内未检测到人体则关闭光源;和在确定摄像装置获取的图像中包括人脸时,降低光源的强度。该控制电路还可以在检测到人脸的存在时,开启第二光源,该第二光源是人脸所面向方向上距离前述光源最近的光源。
以上对本发明所提供的光源控制方法和光控设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于人体图像识别的光源控制方法,其特征在于,包括:
获取视频的步骤;
人体检测的步骤,若检测到视频中有人体存在时,则开启第一光源;否则,若未检测到视频中有人体存在时,则不开启光源;和
在检测到人体存在的情况下,进行人脸检测的步骤,若检测到视频中有人脸存在时,则降低第一光源的强度;否则,若未检测到视频中有人脸存在时,则保持第一光源的强度不变。
2.根据权利要求1所述的光源控制方法,其特征在于,进一步包括在第一光源开启后的一定时间内未检测到视频中有人体存在时,关闭第一光源的步骤。
3.根据权利要求1所述的光源控制方法,其特征在于,人脸检测的步骤还包括在检测到人脸的存在时,开启第二光源,所述第二光源是人脸所面向方向上距离第一光源最近的光源。
4.根据权利要求1所述的光源控制方法,其特征在于,人体检测步骤包括:
当视频所拍摄的环境中仅可能出现人体时,采用基于视频的帧移光流法来进行人体检测;否则,当视频拍摄的环境中可能出现非人体的生物时,采用HOG+Haar特征与SVM分类器来进行人体检测。
5.根据权利要求4所述的光源控制方法,其特征在于,SVM分类器中的人体训练图像集包括多张人体图像和数量至少2倍于人体图像的非人体图像,所述人体图像和非人体图像的尺寸均为96×32。
6.根据权利要求4所述的光源控制方法,其特征在于,SVM分类器采用跳帧法和滑窗法对视频中的图像进行人体检测。
7.根据权利要求1所述的光源控制方法,其特征在于,采用如下算法来进行人脸检测步骤,该算法由2个级联网络构成,其中
第一级网络利用P_Net,用于缩小视频拍摄到的图像的尺寸并对其进行处理以产生仅包括类似人脸的候选图像;和
第二级网络利用R_Net,对所有候选图像进行进一步筛选以获得仅包括人脸的图像。
8.根据权利要求7所述的光源控制方法,其特征在于,第一级网络为小框架的4层卷积神经网络,输入图像尺寸为12×12×3,第二级网络为小框架的4层卷积神经网络,输入图像尺寸为24×24×3。
9.根据权利要求7所述的光源控制方法,其特征在于,人脸检测算法的训练方法及参数为:
(1) 卷积层中的卷积核与全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始化;
(2) 使用随机梯度下降算法训练权重,批处理大小设置为128,训练时支队70%损失较小的数据进行反向传播;
(3) 训练样本使用了15000张正面人脸图,50000张不含人脸图像和50000张部分人脸图像,训练集中正样本,负样本,部分样本三种样本的比例为3:1:1,正面人脸图像来自多个开源的人脸图像集和具有人脸定位坐标的图像集,部分人脸图像大部分通过正面人脸图像的截取获得,将所有数据分别裁剪为12×12×3和24×24×3两种尺寸;
(4) 按照一定比例设置数据的训练集、验证集和测试集,在10代的训练后,每一代都进行验证集的测试;和
(5) 设置全部数据迭训练周期为1000代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561188.XA CN110309759A (zh) | 2019-06-26 | 2019-06-26 | 基于人体图像识别的光源控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561188.XA CN110309759A (zh) | 2019-06-26 | 2019-06-26 | 基于人体图像识别的光源控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309759A true CN110309759A (zh) | 2019-10-08 |
Family
ID=68077806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561188.XA Pending CN110309759A (zh) | 2019-06-26 | 2019-06-26 | 基于人体图像识别的光源控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309759A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969718A (zh) * | 2010-09-08 | 2011-02-09 | 无锡中星微电子有限公司 | 智能灯光控制系统及其控制方法 |
CN102915434A (zh) * | 2012-09-26 | 2013-02-06 | 上海交通大学 | 一种基于低功耗嵌入式平台的人脸识别系统 |
US20140001964A1 (en) * | 2012-06-27 | 2014-01-02 | Panasonic Corporation | Illumination system with comfort at low power consumption |
CN103503575A (zh) * | 2011-03-07 | 2014-01-08 | 齐德公司 | 一种具有安全装置的led灯 |
CN105760824A (zh) * | 2016-02-02 | 2016-07-13 | 北京进化者机器人科技有限公司 | 一种运动人体跟踪方法和系统 |
CN106102268A (zh) * | 2016-06-25 | 2016-11-09 | 程丽 | 一种展示柜光源智能控制系统及其控制方法 |
CN107128240A (zh) * | 2016-02-29 | 2017-09-05 | 长城汽车股份有限公司 | 车辆、车辆的照明系统及其控制方法 |
CN107949134A (zh) * | 2017-12-26 | 2018-04-20 | 华南理工大学 | 一种基于机器视觉的智能型台灯 |
CN108860156A (zh) * | 2018-06-28 | 2018-11-23 | 信利光电股份有限公司 | 一种驾驶员监控方法、装置、设备及计算机可读存储介质 |
CN109462922A (zh) * | 2018-09-20 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 照明设备的控制方法、装置、设备及计算机可读存储介质 |
CN109635768A (zh) * | 2018-12-20 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
-
2019
- 2019-06-26 CN CN201910561188.XA patent/CN110309759A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969718A (zh) * | 2010-09-08 | 2011-02-09 | 无锡中星微电子有限公司 | 智能灯光控制系统及其控制方法 |
CN103503575A (zh) * | 2011-03-07 | 2014-01-08 | 齐德公司 | 一种具有安全装置的led灯 |
US20140001964A1 (en) * | 2012-06-27 | 2014-01-02 | Panasonic Corporation | Illumination system with comfort at low power consumption |
CN102915434A (zh) * | 2012-09-26 | 2013-02-06 | 上海交通大学 | 一种基于低功耗嵌入式平台的人脸识别系统 |
CN105760824A (zh) * | 2016-02-02 | 2016-07-13 | 北京进化者机器人科技有限公司 | 一种运动人体跟踪方法和系统 |
CN107128240A (zh) * | 2016-02-29 | 2017-09-05 | 长城汽车股份有限公司 | 车辆、车辆的照明系统及其控制方法 |
CN106102268A (zh) * | 2016-06-25 | 2016-11-09 | 程丽 | 一种展示柜光源智能控制系统及其控制方法 |
CN107949134A (zh) * | 2017-12-26 | 2018-04-20 | 华南理工大学 | 一种基于机器视觉的智能型台灯 |
CN108860156A (zh) * | 2018-06-28 | 2018-11-23 | 信利光电股份有限公司 | 一种驾驶员监控方法、装置、设备及计算机可读存储介质 |
CN109462922A (zh) * | 2018-09-20 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 照明设备的控制方法、装置、设备及计算机可读存储介质 |
CN109635768A (zh) * | 2018-12-20 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
Non-Patent Citations (1)
Title |
---|
KAIPENG ZHANG等: "Detecting Faces Using Inside Cascaded Contextual CNN", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868689B (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
CN102750539B (zh) | 一种对区域空间人群进行统计的装置及其统计方法 | |
US11196966B2 (en) | Identifying and locating objects by associating video data of the objects with signals identifying wireless devices belonging to the objects | |
US11232685B1 (en) | Security system with dual-mode event video and still image recording | |
CN103839373B (zh) | 一种突发异常事件智能识别报警装置及报警系统 | |
Zhang et al. | Tiny YOLO optimization oriented bus passenger object detection | |
US9299231B2 (en) | Image processing sensor systems | |
CN109951936B (zh) | 一种根据不同应用场景智能调整的照明控制系统及方法 | |
CN104091176A (zh) | 人像比对在视频中的应用技术 | |
US20110043630A1 (en) | Image Processing Sensor Systems | |
US10769909B1 (en) | Using sensor data to detect events | |
CN109271875B (zh) | 一种基于眉部和眼部关键点信息的疲劳检测方法 | |
US20160188965A1 (en) | Image Processing Sensor Systems | |
CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
US10755537B1 (en) | Implementing deterrent protocols in response to detected security events | |
CN105959592A (zh) | 一种自适应光线的生物计量信息采集装置和方法 | |
US11302156B1 (en) | User interfaces associated with device applications | |
Anishchenko | Machine learning in video surveillance for fall detection | |
CN109325462A (zh) | 基于虹膜的人脸识别活体检测方法及装置 | |
CN205917619U (zh) | 通道管理设备 | |
CN109637123A (zh) | 一种复杂交通环境下行人生物特征识别与交通管控系统 | |
US10943442B1 (en) | Customized notifications based on device characteristics | |
CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别系统 | |
US11501618B1 (en) | Security device with user-configurable motion detection settings | |
WO2021078145A1 (zh) | 基于活体感应运动趋势检测的无线传感人脸识别装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |