CN112558760A - 一种空调器和控制方法 - Google Patents

一种空调器和控制方法 Download PDF

Info

Publication number
CN112558760A
CN112558760A CN202011383197.3A CN202011383197A CN112558760A CN 112558760 A CN112558760 A CN 112558760A CN 202011383197 A CN202011383197 A CN 202011383197A CN 112558760 A CN112558760 A CN 112558760A
Authority
CN
China
Prior art keywords
gesture recognition
air conditioner
preset
radar sensor
determining
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
Application number
CN202011383197.3A
Other languages
English (en)
Inventor
张文强
任兆亭
慕安臻
崔国龙
张博
蹇强
唐川田
罗皓蓝
郭世盛
殷豪杰
石靖峰
张佳舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Qingdao Hisense Hitachi Air Conditioning System Co Ltd
Original Assignee
University of Electronic Science and Technology of China
Qingdao Hisense Hitachi Air Conditioning System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China, Qingdao Hisense Hitachi Air Conditioning System Co Ltd filed Critical University of Electronic Science and Technology of China
Priority to CN202011383197.3A priority Critical patent/CN112558760A/zh
Publication of CN112558760A publication Critical patent/CN112558760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F24F2120/14—Activity of occupants

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种空调器和控制方法，该空调器包括雷达传感器，用于：当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS‑CFAR算法对回波信号进行处理并确定目标检测结果；若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，从而在保证用户隐私的基础上实现了准确进行手势识别，提高了用户体验。

Description

一种空调器和控制方法
技术领域
本申请涉及空调控制领域，更具体地，涉及一种空调器和控制方法。
背景技术
在智能空调行业中，实现手势控制空调具有重要的意义，能够让用户更加方便地操作空调，而其中手势识别技术是实现手势控制的关键环节。
目前用于房间内的手势识别的传感器主要有光学传感器，摄像头主要利用目标对光信号的反射进行成像，成像精度高，但是会对用户的隐私造成一定程度的侵犯。
因此，如何提供一种在保证用户隐私的基础上实现准确手势控制的空调器，是目前有待解决的技术问题
发明内容
本发明提供一种空调器，用以解决现有技术中无法在保证用户隐私的基础上准确手势控制的技术问题。
该空调器包括：
冷媒循环回路，使冷媒在压缩机、冷凝器、膨胀阀、蒸发器和四通阀组成回路中进行循环；
压缩机，用于进行将低温低压冷媒气体压缩成高温高压冷媒气体并排至冷凝器的工作；
室外热交换器和室内热交换器，其中，一个为冷凝器进行工作，另一个为蒸发器进行工作；
室内风扇，用于将气流经吸入口引入并经室内热交换器后由吹出口送出；
控制器；
所述空调器还包括：雷达传感器，用于：
当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；
若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；
基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；
基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
在本申请一些实施例中，所述雷达传感器具体用于：
根据所述前景部分的高度将所述前景部分划分为多个区域；
根据各所述区域的区域HOG特征确定特征统计结果；
根据所述特征统计结果的归一化结果确定所述图像HOG特征。
在本申请一些实施例中，所述雷达传感器还用于：
获取所述手势识别图像的二值化图像；
根据所述二值化图像中灰度值大于预设阈值的像素的集合确定所述前景部分。
在本申请一些实施例中，所述雷达传感器还用于：
将预设训练样本集输入预设SVM待训练模型进行训练，当确定出一个划分超平面时，训练结束，得到所述预设SVM分类模型；
装载所述预设SVM分类模型；
其中，所述预设训练样本集中的正样本和负样本是基于所述划分超平面分开的。
在本申请一些实施例中，所述雷达传感器具体用于：
基于对所述回波信号的一维距离像中的参考单元进行排序确定有序样本序列，并确定所述有序样本序列中的第k个单元；
根据所述参考单元的概率密度函数和所述参考单元的累积分布函数确定所述第k个单元的概率密度函数；
根据所述第k个单元的概率密度函数和预设概率值确定所述目标检测结果；
其中，所述参考单元为待检测单元周围的预设数量的样本，所述预设概率值为预设检测概率或预设虚警概率。
在本申请一些实施例中，所述雷达传感器还具体用于：
根据所述第k个单元的概率密度函数确定所述待检测单元的杂波功率估计值的概率密度函数；
根据所述杂波功率估计值的概率密度函数确定所述杂波功率估计值；
根据所述预设概率值确定所述待检测单元的门限因子；
根据所述杂波功率估计值和所述门限因子确定所述目标检测结果。
在本申请一些实施例中，所述雷达传感器还用于：
基于对原始回波信号进行脉冲压缩后，使用动目标显示MTI算法，确定目标的二维距离像；
基于对所述目标的二维距离像进行非相干积累的结果确定所述回波信号的一维距离像。
在本申请一些实施例中，所述雷达传感器还用于：
若根据所述目标检测结果确定不存在所述手势数据，向所述控制器发送不存在手势数据的信息。
相应的，本发明还提出了一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，所述空调器还包括雷达传感器，所述方法包括：
当接收到所述控制器发送的手势识别指令时，所述雷达传感器基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；
若所述雷达传感器根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；
所述雷达传感器基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；
所述雷达传感器基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
相应的，本发明还提出了一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，所述空调器还包括雷达传感器，所述方法包括：
所述控制器基于预设时间间隔定期向所述雷达传感器发送手势识别指令；
若所述控制器接收到所述雷达传感器发送的手势识别结果且所述手势识别结果与预设控制指令匹配，根据所述预设控制指令控制所述空调器；
若所述控制器接收到所述雷达传感器发送的不存在手势数据的信息，或所述手势识别结果与所述预设控制指令不匹配，使所述空调器保持当前状态。
与现有技术对比，本发明具备以下有益效果：
本发明公开了一种空调器和控制方法，该空调器的雷达传感器用于：当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。避免了摄像头进行手势识别时带来的隐私问题，从而在保证用户隐私的基础上实现了准确进行手势识别，使用户可不用遥控器进行远程控制空调器，提高了用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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示出了本发明实施例中空调器的控制原理示意图；
图2示出了本发明实施例中雷达传感器回波信号处理流程示意图；
图3示出了本发明实施例中雷达传感器回波信号预处理流程示意图；
图4示出了本发明实施例中获取手势识别图像的流程示意图；
图5示出了本发明实施例中确定手势识别结果的流程示意图；
图6示出了本发明实施例中一种空调器的控制方法的流程示意图；
图7示出了本发明另一实施例中一种空调器的控制方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本申请中空调器通过使用压缩机、冷凝器、膨胀阀和蒸发器来执行空调器的制冷循环。制冷循环包括一系列过程，涉及压缩、冷凝、膨胀和蒸发，并向已被调节和热交换的空气供应制冷剂。
压缩机压缩处于高温高压状态的制冷剂气体并排出压缩后的制冷剂气体。所排出的制冷剂气体流入冷凝器。冷凝器将压缩后的制冷剂冷凝成液相，并且热量通过冷凝过程释放到周围环境。
膨胀阀使在冷凝器中冷凝的高温高压状态的液相制冷剂膨胀为低压的液相制冷剂。蒸发器蒸发在膨胀阀中膨胀的制冷剂，并使处于低温低压状态的制冷剂气体返回到压缩机。蒸发器可以通过利用制冷剂的蒸发的潜热与待冷却的材料进行热交换来实现制冷效果。在整个循环中，空调器可以调节室内空间的温度。
空调器的室外单元是指制冷循环的包括压缩机和室外热交换器的部分，空调器的室内单元包括室内热交换器，并且膨胀阀可以提供在室内单元或室外单元中。
室内热交换器和室外热交换器用作冷凝器或蒸发器。当室内热交换器用作冷凝器时，空调器用作制热模式的加热器，当室内热交换器用作蒸发器时，空调器用作制冷模式的冷却器。
室内风扇产生通过室内热交换器的室内空气的气流，以促进在传热管中流动的制冷剂与室内空气的热交换。该室内风扇由能够变更转速的室内风扇马达驱动。
本实施例中的空调器还包括雷达传感器，可与空调器的控制器进行通讯，用于：
当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；
若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；
基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；
基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
恒虚警(CFAR)技术是在检测目标的过程中保持恒定的虚警概率，不受背景杂波的影响。在实际雷达检测中，为了获得稳定检测性能和恒定的虚警概率，常常从实时测量得到的回波数据中估计背景杂波功率电平，从而自适应地调整检测门限。CFAR处理的关键就是对背景杂波功率进行估计。OS-CFAR的主要目的是抑制遮蔽效应引起的性能恶化，对参考单元值进行排序，排序后序列的第k个元素称为第k个有序统计量，该统计量的值作为杂波功率估计值。
本实施例中，雷达传感器可以为毫米波雷达传感器，当接收到控制器发送的手势识别指令时，雷达传感器发射电磁波对室内空间的目标进行照射并接收其回波信号，该目标可以为室内人员，基于OS(Ordered Statistics，排序统计)-CFAR(Constant FalseAlarm Rate，恒虚警率)算法对回波信号进行处理并确定目标检测结果。根据该目标检测结果可确定是否存在手势数据，若存在手势数据，开始对手势数据进行累积，并存储到雷达传感器中的指定地址，从而得到手势识别图像。手势识别图像包括前景部分和背景部分，只有前景部分可能包括手势数据，因此本实施例对该前景部分进行处理，具体是基于HOG(Histogram of Oriented Gradient，方向梯度直方图)算法提取手势识别图像中前景部分的图像HOG特征。雷达传感器中还设置有预设SVM(Support Vector Machine,支持向量机)训练模型，通过调用该SVM分类模型对图像HOG特征进行分类后确定手势识别结果，最后将该手势识别结果发送到控制器，使控制器根据手势识别结果控制空调器。
为了确定准确的图像HOG特征，在本申请一些实施例中，所述雷达传感器具体用于：
根据所述前景部分的高度将所述前景部分划分为多个区域；
根据各所述区域的区域HOG特征确定特征统计结果；
根据所述特征统计结果的归一化结果确定所述图像HOG特征。
本实施例中，前景部分的高度为前景部分在手势识别图像中的高度，基于该高度将前景部分划分为多个区域，然后分别确定各个区域的区域HOG特征，对各区域HOG进行统计后确定特征统计结果，将特征统计结果进行归一化处理，再根据归一化结果确定图像HOG特征。
确定各个区域的区域HOG特征的过程对本领域技术人员是显而易见的，在此不再赘述。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其它基于HOG算法提取前景部分的图像HOG特征的方式均属于本申请的保护范围。
为了准确定位手势识别图像中的前景部分，在本申请一些实施例中，所述雷达传感器还用于：
获取所述手势识别图像的二值化图像；
根据所述二值化图像中灰度值大于预设阈值的像素的集合确定所述前景部分。
本实施例中，获取手势识别图像的二值化图像，将二值化图像中各像素的灰度值与预设阈值进行比较，确定二值化图像中灰度值大于预设阈值的像素的集合，根据该像素的集合确定前景部分。
本领域技术人员还可根据实际需要选择其它方式对前景部分进行定位，这并不影响本申请的保护范围。
为了确定准确的手势识别结果，在本申请一些实施例中，所述雷达传感器还用于：
将预设训练样本集输入预设SVM待训练模型进行训练，当确定出一个划分超平面时，训练结束，得到所述预设SVM分类模型；
装载所述预设SVM分类模型；
其中，所述预设训练样本集中的正样本和负样本是基于所述划分超平面分开的。
本实施例中，在使用SVM分类模型对图像HOG特征进行分类前，还需要先获得SVM分类模型，预设训练样本集中包括正样本和负样本，将预设训练样本集输入预设SVM待训练模型进行训练，当找到一个可以将正样本和负样本分开的划分超平面时，训练结束，得到预设SVM分类模型，并将该SVM分类模型进行装载，以便后续直接调用该SVM分类模型对图像HOG特征进行分类。
对预设SVM待训练模型进行训练的过程对本领域技术人员是显而易见的，在此不再赘述。
为了确定准确的目标检测结果，在本申请一些实施例中，所述雷达传感器具体用于：
基于对所述回波信号的一维距离像中的参考单元进行排序确定有序样本序列，并确定所述有序样本序列中的第k个单元；
根据所述参考单元的概率密度函数和所述参考单元的累积分布函数确定所述第k个单元的概率密度函数；
根据所述第k个单元的概率密度函数和预设概率值确定所述目标检测结果；
其中，所述参考单元为待检测单元周围的预设数量的样本，所述预设概率值为预设检测概率或预设虚警概率。
具体的，一维距离像是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和。本实施例中，对一维距离像中的参考单元进行排序，可根据功率大小从大到小进行排序，也可从小到大进行排序，根据排序的结果确定有序样本序列，并确定有序样本序列中的第k个单元，k为预设值，可根据经验确定。参考单元为待检测单元CUT周围的预设数量(如R个)的样本，本领域技术人员可灵活设定不同数量的参考单元。可选的，为了防止待检测单元附近的参考单元接收待检测单元的信号能量，保证对杂波功率谱的准确估计，将待检测单元CUT附近的指定数量的距离单元作为保护单元。
本实施例中，雷达传感器接收的噪声和背景杂波服从高斯分布，其包络为瑞利分布，各参考单元对应的采样服从指数分布，根据参考单元的概率密度函数和累积分布函数可确定第k个单元的概率密度函数，根据第k个单元的概率密度函数与预设检测概率或预设虚警概率可确定目标检测结果。
可选的，还可根据参考单元的概率密度函数和累积分布函数确定第k个单元的累积分布函数。根据第k个单元的累积分布函数与预设检测概率或预设虚警概率可确定目标检测结果，通过该目标检测结果可确定是否存在目标。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其它基于OS-CFAR算法对回波信号进行处理并确定目标检测结果的配置方式均属于本申请的保护范围。
为了确定准确的目标检测结果，在本申请一些实施例中，所述雷达传感器还具体用于：
根据所述第k个单元的概率密度函数确定所述待检测单元的杂波功率估计值的概率密度函数；
根据所述杂波功率估计值的概率密度函数确定所述杂波功率估计值；
根据所述预设概率值确定所述待检测单元的门限因子；
根据所述杂波功率估计值和所述门限因子确定所述目标检测结果。
本实施例中，根据所述第k个单元的概率密度函数可确定待检测单元的杂波功率估计值的概率密度函数；根据杂波功率估计值的概率密度函数可确定杂波功率估计值，预设检测概率或预设虚警概率与门限因子存在对应关系，根据预设检测概率或预设虚警概率可确定相应的门限因子，根据杂波功率估计值和门限因子可确定平均判决门限，将待检测单元与平均判决门限进行比较后确定目标检测结果。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其它根据第k个单元的概率密度函数和预设概率值确定目标检测结果的配置方式均属于本申请的保护范围。
为了提高目标检测结果的准确性，在本申请优选的实施例中，所述回波信号的一维距离像为经过平方律检波器后的一维距离像，各所述参考单元为统计独立同分布。
为了提高目标检测结果的准确性，在本申请一些实施例中，所述雷达传感器还用于：
基于对原始回波信号进行脉冲压缩后，使用动目标显示MTI算法，确定目标的二维距离像；
基于对所述目标的二维距离像进行非相干积累的结果确定所述回波信号的一维距离像。
本申请实施例中，如图3所示，原始回波信号可以包括12个通道，本实施例中的原始回波信号为LFMCW(Linear Frequency Modulation Continuous Wave，线性调频连续波)，是超大时宽信号，无法在时域上进行脉冲压缩处理，因此需要对原始回波信号进行脉冲压缩。
原始回波信号中除了有噪声干扰外，还有大量的杂波信号。这些杂波信号主要雷达所处环境引起的，比如：地、墙壁、桌椅等其它家具。这些杂波信号与目标回波信号最大的不同之处在于多普勒。因此，可以在多谱勒域对其进行检测与抑制。根据MTI(MovingTarget Indication，动目标显示)算法确定目标的二维距离像。
经过MTI后，回波信号中有关环境中静止目标的信号已经被抑制，但是为了进一步提高回波信号的信噪比，还需要对每一帧处理的数据进行非相干积累，基于对目标的二维距离像进行非相干积累的结果确定回波信号的一维距离像。
上述脉冲压缩的具体过程、MTI的具体过程、非相干积累的具体过程对本领域技术人员来说是显而易见的，在此不再赘述。
为了使控制器确定准确的手势识别结果，在本申请一些实施例中，所述雷达传感器还用于：
若根据所述目标检测结果确定不存在所述手势数据，向所述控制器发送不存在手势数据的信息。
通过应用以上技术方案，在包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇、雷达传感器和控制器的空调器中，雷达传感器，用于：当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器，避免了摄像头进行手势识别时带来的隐私问题，从而在保证用户隐私的基础上实现了准确进行手势识别，使用户可不用遥控器进行远程控制空调器，提高了用户体验。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
本申请实施例中提供一种空调器，包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇、控制器和雷达传感器，如图1和图2所示，控制器向雷达发送手势识别指令，雷达传感器收到该指令后进行信号处理，信号处理流程包括以下步骤：
步骤1：数据预处理
12个通道的原始回波信号包括了大量的噪声信号和背景杂波信号，无法直接进行目标的测距或定位，所以要先进行雷达信号的预处理。
a)脉冲压缩
LFMCW雷达信号是超大时宽信号，无法在时域上进行脉冲压缩处理，因此需要将信号变换到频域进行处理。由于脉冲压缩可以将时域信号压缩到频率进行处理，极大地提高了回波信号的信噪比。该过程得到的信号增益为TB。其中T为扫频时宽，B为扫频带宽。
b)MTI
回波信号中除了有噪声干扰外，还有大量的杂波信号。这些杂波信号主要雷达所处环境引起的，比如：地、墙壁、桌椅等其它家具。这些杂波信号与目标回波信号最大的不同之处在于多普勒。因此，可以在多谱勒域对其进行检测与抑制，采用了MTI技术进行处理。
步骤2：非相干积累与目标距离单元检测
a)非相干积累
经过MTI后，回波信号中有关环境中静止目标的信号已经被抑制，但是为了进一步提高回波信号的信噪比，还需要对每一帧处理的数据进行非相干积累。
上述脉冲压缩、MTI、非相干积累为现有技术，对本领域技术人员来说是显而易见的，具体处理过程不再赘述。
b)目标检测
由于区域监控面临的是多目标检测问题，且在雷达俯视与雷达平视时的不同在于，俯视情况下目标更应该被看作一个面目标，因此就会导致同一个目标的不同高度的两个不同的散射点都会提供目标的位置信息，造成脉冲压缩后同一个目标的距离像出现不同距离的两个峰。为了在这种场景下实现目标的准确检测，本实施例采用OS-CFAR检测方法。
假设接收机噪声和背景杂波服从高斯分布，其包络为瑞利分布，经过平方律检波器后，参考单元xi(i＝1，2，...，R)服从指数分布，其PDF(Probability Density Function，概率密度函数)和CDF(Cumulative Distribution Function，累积分布函数)分别为：
Figure BDA0002809006480000121
F(x)＝1-e-x/λ′， x≥0 (2)
其中，
Figure BDA0002809006480000122
μ代表总的杂波噪声功率水平，λ是信号与杂噪平均功率的比值；H0是不存在目标的假设，H1是目标存在的假设，自然指数e为自然对数的底数，是一个无限不循环小数。
在均匀杂波背景中xi(i＝1，2，...，R)是统计独立同分布的。
OS类CFAR检测器是对参考单元从小到大作排序处理，在均匀背景情况下来自于R个总体样本中第k个单元的PDF为：
Figure BDA0002809006480000123
第k个单元的CDF为：
Figure BDA0002809006480000124
其中f(x)和F(x)分别代表均匀背景中参考单元xi(i＝1，2，...，R)的PDF和CDF，R为参考单元的总数，k为R中第k个单元。
OS_CFAR检测器中CUT是待检测单元。首先对参考单元按大小作排序处理，有：
x(1)≤x(2)≤…≤x(R) (6)
然后取第k个排序样本x(k)作为检测器对杂波功率估计值Z，即：
Z＝x(k) (7)
那么，由(4)式可知在均匀杂波背景中Z的PDF为：
Figure BDA0002809006480000131
所以，OS_CFAR在均匀杂波背景中的而检测概率Pd和虚警概率Pfa分别
为：
Figure BDA0002809006480000132
Figure BDA0002809006480000133
其中，Γ(.)为伽马函数。
由(8)式可得Z的统计平均为：
Figure BDA0002809006480000134
所以，OS_CFAR检测器的平均判决门限ADT为：
Figure BDA0002809006480000135
c)获取手势识别图像。
如图4所示，在经过OS_CFAR检测到手势数据出现时，开始采集数据，存放到雷达中指定的地址，得到手势识别图像。
步骤3：手势识别
a)图像定位
本实施例中，获取手势识别图像的二值化图像，将二值化图像中各像素的灰度值与预设阈值进行比较，确定二值化图像中灰度值大于预设阈值的像素的集合，根据该像素的集合对前景部分进行定位。
b)特征提取
HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
在本实施例中，提取图像HOG特征主要包括以下步骤：
①确定区域划分：根据步骤a)对图像的定位结果，确定前景部分的高度，将前景部分划分成多个区域；
②计算和统计HOG特征：根据划分的区域，计算和统计各区域中的区域HOG特征；
③归一化输出结果：将步骤②得到的统计结果进行归一化，完成最终的结果输出，得到图像HOG特征。
c)SVM训练和分类
在得到图像HOG特征后，使用SVM分类模型对图像数据进行分类，SVM分类模型是在特征空间找到一个间隔最优化的超平面，对给定样本点进行二分类。
而在分类之前需要对提前采集到的手势数据进行训练，得到SVM分类模型。假设给定一个特征空间中的训练样本集D＝{(x1,y1),(x2,y2),...,(xm,ym)},yi∈{-1,+1}，其中，xi表示第i个特征向量，yi表示xi的类标签，(xi,yi)为样本点。分类训练的最基本思想是在样本空间找到一个划分超平面，对训练样本集D中的样本进行分类，使得不同类别的数据被分开。也即训练过程则是在寻找一个划分超平面，分类过程则是利用训练好的参数，对未知的数据进行判断。
在本实施例中，如图5所示，提前采集的手势数据属于训练样本集，将其进行特征提取后进行SVM训练得到SVM分类模型，将此SVM分类模型装载在雷达传感器的芯片中，对实时的图像HOG特征进行分类，从而进行手势识别。
与本申请实施例中的空调器相对应，本申请实施例还提出了一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，所述空调器还包括雷达传感器，如图6所示，所述方法包括：
步骤S601，当接收到所述控制器发送的手势识别指令时，所述雷达传感器基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果。
步骤S602，若所述雷达传感器根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像。
步骤S603，所述雷达传感器基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征。
步骤S604，所述雷达传感器基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
本申请实施例还提出了一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，所述空调器还包括雷达传感器，如图7所示，所述方法包括：
步骤S701，所述控制器基于预设时间间隔定期向所述雷达传感器发送手势识别指令。
步骤S702，若所述控制器接收到所述雷达传感器发送的手势识别结果且所述手势识别结果与预设控制指令匹配，根据所述预设控制指令控制所述空调器。
手势识别结果可根据步骤S601-步骤S604确定，预设控制指令包括但不限于开机、关机、风速控制指令、制冷模式控制指令、制热模式控制指令。
步骤S703，若所述控制器接收到所述雷达传感器发送的不存在手势数据的信息，或所述手势识别结果与所述预设控制指令不匹配，使所述空调器保持当前状态。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种空调器，包括：
冷媒循环回路，使冷媒在压缩机、冷凝器、膨胀阀、蒸发器和四通阀组成回路中进行循环；
压缩机，用于进行将低温低压冷媒气体压缩成高温高压冷媒气体并排至冷凝器的工作；
室外热交换器和室内热交换器，其中，一个为冷凝器进行工作，另一个为蒸发器进行工作；
室内风扇，用于将气流经吸入口引入并经室内热交换器后由吹出口送出；
控制器；
其特征在于，所述空调器还包括：雷达传感器，用于：
当接收到所述控制器发送的手势识别指令时，基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；
若根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；
基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；
基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
2.如权利要求1所述的空调器，其特征在于，所述雷达传感器具体用于：
根据所述前景部分的高度将所述前景部分划分为多个区域；
根据各所述区域的区域HOG特征确定特征统计结果；
根据所述特征统计结果的归一化结果确定所述图像HOG特征。
3.如权利要求2所述的空调器，其特征在于，所述雷达传感器还用于：
获取所述手势识别图像的二值化图像；
根据所述二值化图像中灰度值大于预设阈值的像素的集合确定所述前景部分。
4.如权利要求3所述的空调器，其特征在于，所述雷达传感器还用于：
将预设训练样本集输入预设SVM待训练模型进行训练，当确定出一个划分超平面时，训练结束，得到所述预设SVM分类模型；
装载所述预设SVM分类模型；
其中，所述预设训练样本集中的正样本和负样本是基于所述划分超平面分开的。
5.如权利要求1所述的空调器，其特征在于，所述雷达传感器具体用于：
基于对所述回波信号的一维距离像中的参考单元进行排序确定有序样本序列，并确定所述有序样本序列中的第k个单元；
根据所述参考单元的概率密度函数和所述参考单元的累积分布函数确定所述第k个单元的概率密度函数；
根据所述第k个单元的概率密度函数和预设概率值确定所述目标检测结果；
其中，所述参考单元为待检测单元周围的预设数量的样本，所述预设概率值为预设检测概率或预设虚警概率。
6.如权利要求5所述的空调器，其特征在于，所述雷达传感器还具体用于：
根据所述第k个单元的概率密度函数确定所述待检测单元的杂波功率估计值的概率密度函数；
根据所述杂波功率估计值的概率密度函数确定所述杂波功率估计值；
根据所述预设概率值确定所述待检测单元的门限因子；
根据所述杂波功率估计值和所述门限因子确定所述目标检测结果。
7.如权利要求5所述的空调器，其特征在于，所述雷达传感器还用于：
基于对原始回波信号进行脉冲压缩后，使用动目标显示MTI算法，确定目标的二维距离像；
基于对所述目标的二维距离像进行非相干积累的结果确定所述回波信号的一维距离像。
8.如权利要求1所述的空调器，其特征在于，所述雷达传感器还用于：
若根据所述目标检测结果确定不存在所述手势数据，向所述控制器发送不存在手势数据的信息。
9.一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，其特征在于，所述空调器还包括雷达传感器，所述方法包括：
当接收到所述控制器发送的手势识别指令时，所述雷达传感器基于排序统计恒虚警率OS-CFAR算法对回波信号进行处理并确定目标检测结果；
若所述雷达传感器根据所述目标检测结果确定存在手势数据，基于对所述手势数据进行累积获取手势识别图像；
所述雷达传感器基于方向梯度直方图HOG算法提取所述手势识别图像中前景部分的图像HOG特征；
所述雷达传感器基于预设支持向量机SVM分类模型对所述图像HOG特征进行分类后确定手势识别结果，并将所述手势识别结果发送到所述控制器，以使所述控制器根据所述手势识别结果控制所述空调器。
10.一种空调器的控制方法，所述方法应用于包括冷媒循环回路、压缩机、室外热交换器、室内热交换器、室内风扇和控制器的空调器中，其特征在于，所述空调器还包括雷达传感器，所述方法包括：
所述控制器基于预设时间间隔定期向所述雷达传感器发送手势识别指令；
若所述控制器接收到所述雷达传感器发送的手势识别结果且所述手势识别结果与预设控制指令匹配，根据所述预设控制指令控制所述空调器；
若所述控制器接收到所述雷达传感器发送的不存在手势数据的信息，或所述手势识别结果与所述预设控制指令不匹配，使所述空调器保持当前状态。
CN202011383197.3A 2020-11-30 2020-11-30 一种空调器和控制方法 Pending CN112558760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011383197.3A CN112558760A (zh) 2020-11-30 2020-11-30 一种空调器和控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011383197.3A CN112558760A (zh) 2020-11-30 2020-11-30 一种空调器和控制方法

Publications (1)

Publication Number Publication Date
CN112558760A true CN112558760A (zh) 2021-03-26

Family

ID=75045842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011383197.3A Pending CN112558760A (zh) 2020-11-30 2020-11-30 一种空调器和控制方法

Country Status (1)

Country Link
CN (1) CN112558760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519818A (zh) * 2022-01-14 2022-05-20 杭州未名信科科技有限公司 检测家居场景的方法、装置、电子设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519818A (zh) * 2022-01-14 2022-05-20 杭州未名信科科技有限公司 检测家居场景的方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
US11301779B2 (en) Air conditioner
Ali et al. Multiple human tracking in high-density crowds
CN107833221B (zh) 一种基于多通道特征融合和机器学习的漏水检测方法
CN111199555B (zh) 毫米波雷达目标识别方法
US8611604B2 (en) Object detection device
US6259396B1 (en) Target acquisition system and radon transform based method for target azimuth aspect estimation
CN106559749B (zh) 一种基于射频层析成像的多目标被动式定位方法
Mahlisch et al. A multiple detector approach to low-resolution FIR pedestrian recognition
CN102831683B (zh) 一种基于人流量统计的室内动态冷负载智能检测方法
WO2018205767A1 (zh) 面向出入检测的开放式rfid门禁系统及其处理方法
CN110925969A (zh) 一种空调控制方法、装置、电子设备及存储介质
CN112558760A (zh) 一种空调器和控制方法
CN102346854A (zh) 前景物体检测方法和设备
Ai et al. AIS data aided Rayleigh CFAR ship detection algorithm of multiple-target environment in SAR images
CN111860587A (zh) 一种用于图片小目标的检测方法
CN114119451A (zh) 一种空调器和人体区域的检测方法
CN109426793A (zh) 一种图像行为识别方法、设备及计算机可读存储介质
CN111798490B (zh) 一种视频sar车辆目标检测方法
CN114485037B (zh) 一种冰箱及其食材定位方法
CN108985375A (zh) 考虑粒子权值空间分布的多特征融合跟踪方法
CN116386120A (zh) 一种无感监控管理系统
CN112611097A (zh) 一种空调器和控制方法
CN110966734A (zh) 一种基于三维空间的空调送风控制方法、计算机可读存储介质及空调
Andrade-Ambriz et al. Accurate classification of frost thickness using visual information in a domestic refrigerator
CN110717930B (zh) 一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法

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