CN114627435B - 基于图像识别的智能灯光调节方法、装置、设备及介质 - Google Patents
基于图像识别的智能灯光调节方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114627435B CN114627435B CN202210351426.6A CN202210351426A CN114627435B CN 114627435 B CN114627435 B CN 114627435B CN 202210351426 A CN202210351426 A CN 202210351426A CN 114627435 B CN114627435 B CN 114627435B
- Authority
- CN
- China
- Prior art keywords
- target
- image set
- image
- target object
- standard
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- 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
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析领域,揭露一种基于图像识别的智能灯光调节方法,包括:利用目标识别模型对从目标区域内的监控视频中提取的标准目标图像集进行目标检测,得到标准目标图像集中存在目标物的第一置信度,再利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到标准图像集中存在目标物的第二置信度,将所述第一置信度及第二置信度融进行融合得到融合参数,并将所述融合参数与预设阈值进行对比,根据对比结果确定所述监控视频中目标物的存在情况,并根据所述目标物的存在情况实现智能灯光调节。本发明还提出一种基于图像识别的智能灯光调节装置、设备以及存储介质。本发明可以提高智能灯光调节的效率及准确率。
Description
技术领域
本发明涉及图像分析领域,尤其涉及一种基于图像识别的智能灯光调节方法、装置、设备及存储介质。
背景技术
当前,随着节能减排的号召,智能灯光调节技术也广泛应用于多种场景中,一般的智能灯光调节技术是通过红外传感器检测目标,以实现对目标场景进行灯光的智能调节,比如,汽车行驶过程中的照明车灯智能调节、公路隧道内的照明灯光智能调节及教室中的智能灯光调节等。
但是,现有的智能灯光调节技术在进行目标物识别时,由于红外传感器受温度影响比较大,常出现目标物检测不准确或目标物漏检情况,使得灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时,导致智能灯光调节的效果较差。
发明内容
本发明提供一种基于图像识别的智能灯光调节方法、装置、设备及存储介质,其主要目的是提高智能灯光调节的效率及准确率。
为实现上述目的,本发明提供了一种基于图像识别的智能灯光调节方法,包括:
获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
将所述第一置信度及所述第二置信度进行融合,得到融合参数;
判断所述融合参数是否小于预设阈值;
在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;
在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
可选地,所述利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,包括:
利用所述空洞卷积层的空洞卷积核对所述标准目标图像集执行卷积操作,得到图像特征;
将所述图像特征集执行叠加偏差量计算,得到所述特征融合图像集。
可选地,所述利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,包括:
获取所述标准目标图像集在设定的时间间隔内的当前帧图像及所述当前帧图像的下一帧图像,得到相邻帧的两幅图像,读取所述相邻帧的两幅图像的灰度值;
根据预设的差分公式将所述相邻帧的两幅图像的灰度值相减并取绝对值,得到差分灰度值;
将所述差分灰度值进行二值化处理,得到二值化灰度值;
将所述二值化灰度值与预设的二值化阈值进行对比;
根据对比结果确定所述标准图像集中存在目标物的第二置信度。
可选地,所述将所述第一置信度及所述第二置信度进行融合,得到融合参数,包括:
获取所述第一置信度的第一权重系数,将所述第一权重系数与所述第一置信度相乘,得到第一参数;
获取所述第二置信度的第二权重系数,将所述第二权重系数与所述第二置信度相乘,得到第二参数;
将所述第一参数与所述第二参数进行求和,得到所述融合参数。
可选地,所述通过预设的灯光调节单元关闭所述目标区域的照明灯光,包括:
获取所述灯光调节单元中的光敏传感器检测所述目标区域的灯光参数及所述灯光调节单元中目标物信号传输器上传的监控视频中不存在目标物的目标物信号;
在所述灯光参数超过预设的灯光强度阈值时,根据所述目标物信号,通过所述灯光调节单元中的灯光调节器关闭所述目标区域的照明灯光。
可选地,所述对所述目标图像集进行去噪操作,得到标准目标图像集,包括:
将预设的滤波窗口与所述目标图像集中的左上角图像像素位置重合,并将所述滤波窗口按照预设步长进行滑动,直到将所述滤波窗口与所述标准目标图像集的右下角图像像素位置重合,依次读取所述重合的图像像素位置对应的像素灰度值;
对所述像素灰度值进行排序,得到排序像素灰度值;
查找所述排序像素灰度值的中值集,并从所述中值集中依次选取中值替代所述像素灰度值的中间值,得到所述标准目标图像集。
可选地,所述识别所述目标物所在的目标区域,包括:
利用预设的目标区域识别网络中的卷积层提取包括所述目标物的矩形边框;
利用所述目标区域识别网络中的残差连接层提取所述矩形边框坐标;
将所述矩形边框坐标输入至所述目标区域识别网络中的激活函数,输出所述目标物所在的目标区域。
为了解决上述问题,本发明还提供一种基于图像识别的智能灯光调节装置,所述装置包括:
去噪模块,用于获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
目标物第一识别模块,用于利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
目标物第二识别模块,用于利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
参数融合模块,用于将所述第一置信度及所述第二置信度进行融合,得到融合参数;
灯光智能调节模块,用于判断所述融合参数是否小于预设阈值;在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的基于图像识别的智能灯光调节方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像识别的智能灯光调节方法。
本发明实施例通过训练完成的目标识别模型中的空洞卷积层更加广阔的视野提取目标图像中更加全面的特征,保证特征的完整性,再利用所述目标识别模型中的金字塔池化层及激活函数对所述标准目标图像集进行目标物识别,提高了目标物静态检测的准确性,进一步加入帧间差分法增加对标准目标图像集中目标物的动态检测,可以将标准目标图像集中的发生运动变化的物体作为目标物,有效降低了目标物漏检情况,并将目标识别模型及帧间差分法的检测结果进行融合,最终确定目标物是否存在,可以在进行目标物识别时,避免出现目标物检测不准确或目标物漏检情况,进一步提高目标物检测的准确率;最后,在监控视频中不存在目标物时,通过预设的灯光调节单元关闭所述目标区域的照明灯光,在监控视频中存在目标物时,识别所述目标物所在的目标区域,并通过预设的灯光调节单元开启所述目标物区域对应的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题,提高智能灯光调节的效率及准确率。因此本发明实施例提出的基于图像识别的智能灯光调节方法、装置、设备及存储介质可以提高智能灯光调节的效率及准确率。
附图说明
图1为本发明一实施例提供的基于图像识别的智能灯光调节方法的流程示意图;
图2为本发明一实施例提供的基于图像识别的智能灯光调节方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于图像识别的智能灯光调节方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的基于图像识别的智能灯光调节装置的模块示意图;
图5为本发明一实施例提供的实现基于图像识别的智能灯光调节方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于图像识别的智能灯光调节方法。所述基于图像识别的智能灯光调节方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于图像识别的智能灯光调节方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于图像识别的智能灯光调节方法的流程示意图,在本发明实施例中,所述基于图像识别的智能灯光调节方法包括以下步骤S1-S7:
S1、获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集。
本发明实施例中,所述监控视频可以通过安装在所述目标区域内的摄像头采集,在所述监控视频采集过程中,由于图像信号在传输过程中会出现噪声的影响,所述监控视频中的图像中会随机出现白色或黑色的小像素点,导致图像显示不清晰,图像质量受到影响,因此,本发明实施例通过对从所述监控视频中提取的目标图像集进行去噪操作,可以去除目标图像中的噪声,使图像中的细节更加突出,图像更清晰,且图像质量更高。
本发明实施例中,所述目标区域可以为封闭的室内场景中的区域,比如,教室、会议室或图书馆等。
本发明一实施例中,可以采用对目标图像集进行中值滤波处理的方法,实现目标图像集的去噪操作,其中,所述中值滤波是一种非线性滤波方式,主要作用是对目标图像集进行去噪时,还保留了目标图像集的边缘特性,不会降低目标图像集的边缘性。
详细地,作为本发明的一个实施例,所述对所述目标图像集进行去噪操作,得到标准目标图像集,包括:
将预设的滤波窗口与所述目标图像集中的左上角图像像素位置重合,并将所述滤波窗口按照预设步长进行滑动,直到将所述滤波窗口与所述标准目标图像集的右下角图像像素位置重合,依次读取所述重合的图像像素位置对应的像素灰度值;对所述像素灰度值进行排序,得到排序像素灰度值;查找所述排序像素灰度值的中值集,并从所述中值集中依次选取中值替代所述像素灰度值的中间值,得到所述标准目标图像集。
其中,所述滤波窗口可以为3x3的矩阵模板,所述步长可以为1,所述像素灰度值是指记录目标图片集中图像明亮程度的值,例如,在3x3的矩阵中,该矩阵与左上角图像像素位置重合后的像素灰度值为18、16、25、44、2、7、6、5、80;排序像素灰度值为2、5、6、7、16、25、28、44、80,则处于排序像素灰度值中间位置的值为中值16,将所述中值16替代所述像素灰度值的中间值2,由于该像素灰度值的中间值2是一个噪声信号,通过中值替换,可以将该噪声信号消除;且根据步长为1进行滤波窗口滑动,可以依次得到滑动对应的中值,将得到的所有中值依次替代滑动对应的中间值,得到所述标准目标图像集。
S2、利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度。
本发明实施例中,所述第一置信度是指在标准目标图像集中存在目标物的概率,比如,标准图像中识别到人体的概率。训练完成的目标识别模型主要是通过深度学习算法对所述标准目标图像集进行目标检测,从而识别出标准目标图像集中存在目标物的第一置信度。其中,所述训练完成的目标识别模型包括:空洞卷积层、金字塔池化层和激活函数。
所述空洞卷积层相比一般卷积层多了一些特殊的洞,视野更开阔,使得在提取特征时,可以使得图像缩小同样倍数的情况下通过特征融合可以掌握更多图像的全局信息。进一步地,所述金字塔池化层可以代替一般的池化层,不管输入的图像的大小是怎样的,都会输出图像大小一致的分割图像。进一步地,本发明实施例中,所述激活函数可以为Sigmoid函数,可以将目标物识别图像集激活,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度。
本发明实施例中,所述Sigmoid函数为:
其中,所述f(x)为第一置信度,所述x为目标物识别图像集,所述e为无限不循环小数。
作为本发明的一个实施例,参考图2所示,所述利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,包括:
S21、利用所述空洞卷积层的空洞卷积核对所述标准目标图像集执行卷积操作,得到图像特征;
S22、将所述图像特征集执行叠加偏差量计算,得到所述特征融合图像集。
其中,所述叠加偏差量是在标准目标图像集缩小同样倍数的情况下,保证图像的主要特征不会丢失,并将主要特征进行融合,以得到特征融合图像集。
本发明一实施例中,所述利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,主要是通过预设的池化层数按照不同的刻度对特征融合图像集进行图像划分,得到固定图像块,从固定图像块中选取每一块的最大值,并将最大值对应的图像块进行拼接,得到固定维度的目标物识别图像集。其中,每一个图像块都包含了图像的特征信息,可以实现不管输入的标准目标图像集的大小是怎样的,都会输出图像大小一致的分割图像。
本发明一可选实施例中,该第一置信度是激活函数中输出的0到1区间内的数值,代表由该目标识别模型识别到标准目标图像集中存在目标物的置信度,0代表最不可能识别到目标物,1代表最可能识别到目标物。
S3、利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度。
本发明实施例中,所述帧间差分法是指对相邻帧或者相隔几帧的两幅图像进行差分运算,并对差分后的图像进行二值化,实现将目标物区域与图像背景进行拆分,以确定目标物。所述第二置信度是指标准目标图像集中识别到的目标物区域在设定的时间间隔发生变化的概率。
本发明实施例通过利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,可以识别出设定的时间间隔内相邻帧的两幅图像发生变化的情况,并将发生变化的区域锁定为目标物,有效降低了目标物漏检情况,并提高目标物检测的准确性。
作为本发明的一个实施例,参考图3所示,所述利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,包括:
获取所述标准目标图像集在设定的时间间隔内的当前帧图像及所述当前帧图像的下一帧图像,得到相邻帧的两幅图像,读取所述相邻帧的两幅图像的灰度值;
根据预设的差分公式将所述相邻帧的两幅图像的灰度值相减并取绝对值,得到差分灰度值;
将所述差分灰度值进行二值化处理,得到二值化灰度值;
将所述二值化灰度值与预设的二值化阈值进行对比;
根据对比结果确定所述标准图像集中存在目标物的第二置信度。
其中,所述差分灰度值可以通过下述公式计算得到:
Dk(x,y)=|fk(x,y)-fk-1(x,y)|
其中,所述Dk(x,y)为差分灰度值,fk(x,y)为当前帧灰度值,fk-1(x,y)为当前帧图像的下一帧图像的灰度值。
进一步地,将所述差分灰度值进行二值化处理的主要作用是将目标物区域与背景图片拆分,由于目标物在短时间内相邻两帧图像背景区别不大,所以将差分灰度值进行二值化,并将二值化操作得到的二值化灰度值与预设的二值化阈值进行比较,确定所述标准图像集中存在目标物的第二置信度。
本发明一实施例中,可以采用下述公式计算所述标准图像集中存在目标物的第二置信度:
其中,所述D表示第二置信度;所述二值化灰度值;所述表示预设的二值化阈值。本发明一可选实施例中,该第二置信度是指所述标准目标图像集中存在发生变化物体的置信度。所述第二置信度为0到1之内的数值,若第二置信度越接近0,则代表所述标准目标图像集中存在发生变化的物体的可能性越小;若第二置信度越接近1,则代表所述标准目标图像集中存在发生变化的物体的可能性越大,其中,所述发生变化的物体可能为目标物。
S4、将所述第一置信度及所述第二置信度进行融合,得到融合参数。
本发明实施例通过将所述第一置信度及所述第二置信度进行融合,得到融合参数,可以最终确定目标物是否存在,进一步避免出现目标物检测不准确或目标物漏检情况,提高目标物检测的准确率。
作为本发明的一个实施例,所述将所述第一置信度及所述第二置信度进行融合,得到融合参数,包括:
获取所述第一置信度的第一权重系数,将所述第一权重系数与所述第一置信度相乘,得到第一参数;获取所述第二置信度的第二权重系数,将所述第二权重系数与所述第二置信度相乘,得到第二参数;将所述第一参数与所述第二参数进行求和,得到所述融合参数。
其中,所述第一权重系数表示所述第一置信度的重要程度;所述第二权重系数表示所述第二置信度的重要程度,且第一权重系数与第二权重系数相加的值为1,其中所述第一权重系数与第二权重系数可以根据不同场景进行自定义。
本发明一可选实施例中,当标准目标图像集的清晰度比较高且图像背景无过多噪音,第一权重系数可以适当取较大的值,提高第一置信度的比重;当标准目标图像集的背景噪音较多,干扰物较多,使目标物难以正常识别时,第二权重系数可以适当取较大的值,提高第二置信度的比重,消除干扰物影响。
比如,第一置信度为0.8,第二置信度为0.78,当标准目标图像集的清晰度比较高且图像背景无过多噪音可以取第一权重系数为0.7,第二权重系数为0.3,得到第一参数为0.56,第二参数为0.23,此时融合参数为0.79;当标准目标图像集的背景噪音较多时可以取第一权重系数为0.4,第二权重系数为0.6,得到第一参数为0.32,第二参数为0.47,融合参数为0.79。
S5、判断所述融合参数是否小于预设阈值。
本发明实施例中,所述判断所述融合参数是否小于预设阈值,可以最终判断出标准目标图像集中是否存在目标物,便于后续提高灯光调节的准确率。
本发明一实施例中,所述预设阈值可以根据具体场景进行自定义,比如,预设阈值可以为0.7,若融合参数超过0.7,说明识别到标准目标图像集中的目标物;若融合参数不超过0.7,说明没有识别到标准目标图像集中的目标物。
在所述融合参数小于预设阈值时,执行S6、判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光。
本发明实施例中,所述在所述融合参数小于预设阈值时,表示所述监控视频中未识别到目标物,便于后续灯光调节。
进一步地,所述灯光调节单元包括目标物信号传输器、光敏传感器、液晶显示器及灯光调节器,其中,所述目标物信号传输器主要作用是传输监控视频中是否存在目标物的信号;所述光敏传感器主要作用是检测自然光的强度;所述液晶显示器的主要作用是显示识别的目标物的数量及灯管当前亮度;所述灯光调节器的作用是调节灯管的灯光亮度。
本发明实施例通过预设的灯光调节单元关闭所述目标区域的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题。
作为本发明的一个实施例,所述通过预设的灯光调节单元关闭所述目标区域的照明灯光,包括:
获取所述灯光调节单元中的光敏传感器检测所述目标区域的灯光参数及所述灯光调节单元中目标物信号传输器上传的监控视频中不存在目标物的目标物信号;在所述灯光参数超过预设的灯光强度阈值时,根据所述目标物信号,通过所述灯光调节单元中的灯光调节器关闭所述目标区域的照明灯光。
其中,所述灯光参数可以为灯管位置、灯管序号及每个灯管对应的灯光强度;所述光强度阈值主要作用是检测目标区域的自然光的强度且该光强度阈值可以为0.65,在所述灯光参数超过预设的灯光强度阈值时,说明目标区域的自然光充足,且所述监控视频中不存在目标物,需要将目标区域的照明灯光关闭。
在所述融合参数不小于预设阈值时,执行S7、判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
本发明实施例中,所述在所述融合参数不小于预设阈值时,表示所述监控视频中存在目标物,可以便于后续进一步识别目标物所处的目标区域。
进一步地,本发明实施例通过识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题,提高智能灯光调节的效率及准确率。
作为本发明的一个实施例,所述识别所述目标物所在的目标区域,包括:
利用预设的目标区域识别网络中的卷积层提取包括所述目标物的矩形边框;利用所述目标区域识别网络中的残差连接层提取所述矩形边框坐标;将所述矩形边框坐标输入至所述目标区域识别网络中的激活函数,输出所述目标物所在的目标区域。
其中,所述预设的目标区域识别网络可以为基于深度学习的Yolo模型,该模型包括卷积层、残差连接层及激活函数。
本发明一实施例中,所数卷积层的主要作用是提取所述目标物的矩形边框;所述残差连接层主要是进一步提取所述矩形边框的特征,以得到矩形边框坐标;所述激活函数可以为Softmax函数,以输出所述目标物所在的目标区域。
本发明实施例中,所述通过预设的灯光调节单元调节所述目标物区域对应的照明灯光的执行方法与所述S6中通过预设的灯光调节单元关闭所述目标区域的照明灯光的执行方法一致,此处不再赘述。
本发明实施例通过训练完成的目标识别模型中的空洞卷积层更加广阔的视野提取目标图像中更加全面的特征,保证特征的完整性,再利用所述目标识别模型中的金字塔池化层及激活函数对所述标准目标图像集进行目标物识别,提高了目标物静态检测的准确性,进一步加入帧间差分法增加对标准目标图像集中目标物的动态检测,可以将标准目标图像集中的发生运动变化的物体作为目标物,有效降低了目标物漏检情况,并将目标识别模型及帧间差分法的检测结果进行融合,最终确定目标物是否存在,可以在进行目标物识别时,避免出现目标物检测不准确或目标物漏检情况,进一步提高目标物检测的准确率;最后,在监控视频中不存在目标物时,通过预设的灯光调节单元关闭所述目标区域的照明灯光,在监控视频中存在目标物时,识别所述目标物所在的目标区域,并通过预设的灯光调节单元开启所述目标物区域对应的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题,提高智能灯光调节的效率及准确率。因此本发明实施例提出的基于图像识别的智能灯光调节方法可以提高智能灯光调节的效率及准确率。
本发明所述基于图像识别的智能灯光调节装置100可以安装于电子设备中。根据实现的功能,所述基于图像识别的智能灯光调节装置可以包括去噪模块101、目标物第一识别模块102、目标物第二识别模块103、参数融合模块104、灯光智能调节模块105,本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述去噪模块101,用于获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集。
本发明实施例中,所述监控视频可以通过安装在所述目标区域内的摄像头采集,在所述监控视频采集过程中,由于图像信号在传输过程中会出现噪声的影响,所述监控视频中的图像中会随机出现白色或黑色的小像素点,导致图像显示不清晰,图像质量受到影响,因此,本发明实施例通过对从所述监控视频中提取的目标图像集进行去噪操作,可以去除目标图像中的噪声,使图像中的细节更加突出,图像更清晰,且图像质量更高。
本发明实施例中,所述目标区域可以为封闭的室内场景中的区域,比如,教室、会议室或图书馆等。
本发明一实施例中,可以采用对目标图像集进行中值滤波处理的方法,实现目标图像集的去噪操作,其中,所述中值滤波是一种非线性滤波方式,主要作用是对目标图像集进行去噪时,还保留了目标图像集的边缘特性,不会降低目标图像集的边缘性。
详细地,作为本发明的一个实施例,所述去噪模块101通过执行下述操作对所述目标图像集进行去噪操作,得到标准目标图像集,包括:
将预设的滤波窗口与所述目标图像集中的左上角图像像素位置重合,并将所述滤波窗口按照预设步长进行滑动,直到将所述滤波窗口与所述标准目标图像集的右下角图像像素位置重合,依次读取所述重合的图像像素位置对应的像素灰度值;
对所述像素灰度值进行排序,得到排序像素灰度值;
查找所述排序像素灰度值的中值集,并从所述中值集中依次选取中值替代所述像素灰度值的中间值,得到所述标准目标图像集。
其中,所述滤波窗口可以为3x3的矩阵模板,所述步长可以为1,所述像素灰度值是指记录目标图片集中图像明亮程度的值,例如,在3x3的矩阵中,该矩阵与左上角图像像素位置重合后的像素灰度值为18、16、25、44、2、7、6、5、80;排序像素灰度值为2、5、6、7、16、25、28、44、80,则处于排序像素灰度值中间位置的值为中值16,将所述中值16替代所述像素灰度值的中间值2,由于该像素灰度值的中间值2是一个噪声信号,通过中值替换,可以将该噪声信号消除;且根据步长为1进行滤波窗口滑动,可以依次得到滑动对应的中值,将得到的所有中值依次替代滑动对应的中间值,得到所述标准目标图像集。
所述目标物第一识别模块102,用于利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度。
本发明实施例中,所述第一置信度是指在标准目标图像集中存在目标物的概率,比如,标准图像中识别到人体的概率。训练完成的目标识别模型主要是通过深度学习算法对所述标准目标图像集进行目标检测,从而识别出标准目标图像集中存在目标物的第一置信度。其中,所述训练完成的目标识别模型包括:空洞卷积层、金字塔池化层和激活函数。
所述空洞卷积层相比一般卷积层多了一些特殊的洞,视野更开阔,使得在提取特征时,可以使得图像缩小同样倍数的情况下通过特征融合可以掌握更多图像的全局信息。进一步地,所述金字塔池化层可以代替一般的池化层,不管输入的图像的大小是怎样的,都会输出图像大小一致的分割图像。进一步地,本发明实施例中,所述激活函数可以为Sigmoid函数,可以将目标物识别图像集激活,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度。
本发明实施例中,所述Sigmoid函数为:
其中,所述f(x)为第一置信度,所述x为目标物识别图像集,所述e为无限不循环小数。
作为本发明的一个实施例,所述目标物第一识别模块102通过执行下述操作利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,包括:
利用所述空洞卷积层的空洞卷积核对所述标准目标图像集执行卷积操作,得到图像特征;
将所述图像特征集执行叠加偏差量计算,得到所述特征融合图像集。
其中,所述叠加偏差量是在标准目标图像集缩小同样倍数的情况下,保证图像的主要特征不会丢失,并将主要特征进行融合,以得到特征融合图像集。
本发明一实施例中,所述利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,主要是通过预设的池化层数按照不同的刻度对特征融合图像集进行图像划分,得到固定图像块,从固定图像块中选取每一块的最大值,并将最大值对应的图像块进行拼接,得到固定维度的目标物识别图像集。其中,每一个图像块都包含了图像的特征信息,可以实现不管输入的标准目标图像集的大小是怎样的,都会输出图像大小一致的分割图像。
本发明一可选实施例中,该第一置信度是激活函数中输出的0到1区间内的数值,代表由该目标识别模型识别到标准目标图像集中存在目标物的置信度,0代表最不可能识别到目标物,1代表最可能识别到目标物。
所述目标物第二识别模块103,用于利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度。
本发明实施例中,所述帧间差分法是指对相邻帧或者相隔几帧的两幅图像进行差分运算,并对差分后的图像进行二值化,实现将目标物区域与图像背景进行拆分,以确定目标物。所述第二置信度是指标准目标图像集中识别到的目标物区域在设定的时间间隔发生变化的概率。
本发明实施例通过利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,可以识别出设定的时间间隔内相邻帧的两幅图像发生变化的情况,并将发生变化的区域锁定为目标物,有效降低了目标物漏检情况,并提高目标物检测的准确性。
作为本发明的一个实施例,所述目标物第二识别模块103通过执行下述操作利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,包括:
获取所述标准目标图像集在设定的时间间隔内的当前帧图像及所述当前帧图像的下一帧图像,得到相邻帧的两幅图像,读取所述相邻帧的两幅图像的灰度值;
根据预设的差分公式将所述相邻帧的两幅图像的灰度值相减并取绝对值,得到差分灰度值;
将所述二值化灰度值与预设的二值化阈值进行对比;
根据对比结果确定所述标准图像集中存在目标物的第二置信度。
其中,所述差分灰度值可以通过下述公式计算得到:
Dk(x,y)=|fk(x,y)-fk-1(x,y)|
其中,所述Dk(x,y)为差分灰度值,fk(x,y)为当前帧灰度值,fk-1(x,y)为当前帧图像的下一帧图像的灰度值。
进一步地,将所述差分灰度值进行二值化处理的主要作用是将目标物区域与背景图片拆分,由于目标物在短时间内相邻两帧图像背景区别不大,所以将差分灰度值进行二值化,并将二值化操作得到的二值化灰度值与预设的二值化阈值进行比较,确定所述标准图像集中存在目标物的第二置信度。
本发明一实施例中,可以采用下述公式计算所述标准图像集中存在目标物的第二置信度:
本发明一可选实施例中,该第二置信度是指所述标准目标图像集中存在发生变化物体的置信度。所述第二置信度为0到1之内的数值,若第二置信度越接近0,则代表所述标准目标图像集中存在发生变化的物体的可能性越小;若第二置信度越接近1,则代表所述标准目标图像集中存在发生变化的物体的可能性越大,其中,所述发生变化的物体可能为目标物。
所述参数融合模块104,用于将所述第一置信度及所述第二置信度进行融合,得到融合参数。
本发明实施例通过将所述第一置信度及所述第二置信度进行融合,得到融合参数,可以最终确定目标物是否存在,进一步避免出现目标物检测不准确或目标物漏检情况,提高目标物检测的准确率。
作为本发明的一个实施例,所述参数融合模块104通过执行下述操作将所述第一置信度及所述第二置信度进行融合,得到融合参数,包括:
获取所述第一置信度的第一权重系数,将所述第一权重系数与所述第一置信度相乘,得到第一参数;获取所述第二置信度的第二权重系数,将所述第二权重系数与所述第二置信度相乘,得到第二参数;将所述第一参数与所述第二参数进行求和,得到所述融合参数。
其中,所述第一权重系数表示所述第一置信度的重要程度;所述第二权重系数表示所述第二置信度的重要程度,且第一权重系数与第二权重系数相加的值为1,其中所述第一权重系数与第二权重系数可以根据不同场景进行自定义。
本发明一可选实施例中,当标准目标图像集的清晰度比较高且图像背景无过多噪音,第一权重系数可以适当取较大的值,提高第一置信度的比重;当标准目标图像集的背景噪音较多,干扰物较多,使目标物难以正常识别时,第二权重系数可以适当取较大的值,提高第二置信度的比重,消除干扰物影响。
比如,第一置信度为0.8,第二置信度为0.78,当标准目标图像集的清晰度比较高且图像背景无过多噪音可以取第一权重系数为0.7,第二权重系数为0.3,得到第一参数为0.56,第二参数为0.23,此时融合参数为0.79;当标准目标图像集的背景噪音较多时可以取第一权重系数为0.4,第二权重系数为0.6,得到第一参数为0.32,第二参数为0.47,融合参数为0.79。
所述灯光智能调节模块105,用于判断所述融合参数是否小于预设阈值;在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
本发明实施例中,所述判断所述融合参数是否小于预设阈值,可以最终判断出标准目标图像集中是否存在目标物,便于后续提高灯光调节的准确率。
本发明一实施例中,所述预设阈值可以根据具体场景进行自定义,比如,预设阈值可以为0.7,若融合参数超过0.7,说明识别到标准目标图像集中的目标物;若融合参数不超过0.7,说明没有识别到标准目标图像集中的目标物。
本发明实施例中,所述在所述融合参数小于预设阈值时,表示所述监控视频中未识别到目标物,便于后续灯光调节。
进一步地,所述灯光调节单元包括目标物信号传输器、光敏传感器、液晶显示器及灯光调节器,其中,所述目标物信号传输器主要作用是传输监控视频中是否存在目标物的信号;所述光敏传感器主要作用是检测自然光的强度;所述液晶显示器的主要作用是显示识别的目标物的数量及灯管当前亮度;所述灯光调节器的作用是调节灯管的灯光亮度。
本发明实施例通过预设的灯光调节单元关闭所述目标区域的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题。
作为本发明的一个实施例,所述灯光智能调节模块105通过执行下述操作通过预设的灯光调节单元关闭所述目标区域的照明灯光,包括:
获取所述灯光调节单元中的光敏传感器检测所述目标区域的灯光参数及所述灯光调节单元中目标物信号传输器上传的监控视频中不存在目标物的目标物信号;在所述灯光参数超过预设的灯光强度阈值时,根据所述目标物信号,通过所述灯光调节单元中的灯光调节器关闭所述目标区域的照明灯光。
其中,所述灯光参数可以为灯管位置、灯管序号及每个灯管对应的灯光强度;所述光强度阈值主要作用是检测目标区域的自然光的强度且该光强度阈值可以为0.65,在所述灯光参数超过预设的灯光强度阈值时,说明目标区域的自然光充足,且所述监控视频中不存在目标物,需要将目标区域的照明灯光关闭。
本发明实施例中,所述在所述融合参数不小于预设阈值时,表示所述监控视频中存在目标物,可以便于后续进一步识别目标物所处的目标区域。
进一步地,本发明实施例通过识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光,可以解决灯光照明区域发生偏差或灯光开启与灯光关闭之间转变不及时的问题,提高智能灯光调节的效率及准确率。
作为本发明的一个实施例,所述识别所述目标物所在的目标区域,包括:
利用预设的目标区域识别网络中的卷积层提取包括所述目标物的矩形边框;利用所述目标区域识别网络中的残差连接层提取所述矩形边框坐标;将所述矩形边框坐标输入至所述目标区域识别网络中的激活函数,输出所述目标物所在的目标区域。
其中,所述预设的目标区域识别网络可以为基于深度学习的Yolo模型,该模型包括卷积层、残差连接层及激活函数。
本发明一实施例中,所数卷积层的主要作用是提取所述目标物的矩形边框;所述残差连接层主要是进一步提取所述矩形边框的特征,以得到矩形边框坐标;所述激活函数可以为Softmax函数,以输出所述目标物所在的目标区域。
本发明实施例中,所述通过预设的灯光调节单元调节所述目标物区域对应的照明灯光的执行方法与所述通过预设的灯光调节单元关闭所述目标区域的照明灯光的执行方法一致,此处不再赘述。
如图5所示,是本发明实现基于图像识别的智能灯光调节方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于图像识别的智能灯光调节程序。
其中,所述存储器11至少包括一种类型的介质,所述介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、本地磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于图像识别的智能灯光调节程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于图像识别的智能灯光调节程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于图像识别的智能灯光调节程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
将所述第一置信度及所述第二置信度进行融合,得到融合参数;
判断所述融合参数是否小于预设阈值;
在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;
在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携待所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
利用训练完成的目标识别模型中的空洞卷积层提取所述标准目标图像集的特征并进行特征融合,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层对所述特征融合图像集进行目标物识别,得到目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
将所述第一置信度及所述第二置信度进行融合,得到融合参数;
判断所述融合参数是否小于预设阈值;
在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;
在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的介质、设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于图像识别的智能灯光调节方法,其特征在于,所述方法包括:
获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
利用训练完成的目标识别模型中的空洞卷积层的空洞卷积核对所述标准目标图像集执行卷积操作,得到图像特征,将所述图像特征集执行叠加偏差量计算,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层通过预设的池化层数按照不同的维度对特征融合图像集进行图像划分,得到固定图像块,从固定图像块中选取每一块的最大值,并将最大值对应的图像块进行拼接,得到固定维度的目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
将所述第一置信度及所述第二置信度进行融合,得到融合参数;
判断所述融合参数是否小于预设阈值;
在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;
在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
2.如权利要求1所述的基于图像识别的智能灯光调节方法,其特征在于,所述利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度,包括:
获取所述标准目标图像集在设定的时间间隔内的当前帧图像及所述当前帧图像的下一帧图像,得到相邻帧的两幅图像,读取所述相邻帧的两幅图像的灰度值;
根据预设的差分公式将所述相邻帧的两幅图像的灰度值相减并取绝对值,得到差分灰度值;
将所述差分灰度值进行二值化处理,得到二值化灰度值;
将所述二值化灰度值与预设的二值化阈值进行对比;
根据对比结果确定所述标准图像集中存在目标物的第二置信度。
3.如权利要求1所述的基于图像识别的智能灯光调节方法,其特征在于,所述将所述第一置信度及所述第二置信度进行融合,得到融合参数,包括:
获取所述第一置信度的第一权重系数,将所述第一权重系数与所述第一置信度相乘,得到第一参数;
获取所述第二置信度的第二权重系数,将所述第二权重系数与所述第二置信度相乘,得到第二参数;
将所述第一参数与所述第二参数进行求和,得到所述融合参数。
4.如权利要求1所述的基于图像识别的智能灯光调节方法,其特征在于,所述通过预设的灯光调节单元关闭所述目标区域的照明灯光,包括:
获取所述灯光调节单元中的光敏传感器检测所述目标区域的灯光参数及所述灯光调节单元中目标物信号传输器上传的监控视频中不存在目标物的目标物信号;
在所述灯光参数超过预设的灯光强度阈值时,根据所述目标物信号,通过所述灯光调节单元中的灯光调节器关闭所述目标区域的照明灯光。
5.如权利要求1所述的基于图像识别的智能灯光调节方法,其特征在于,所述对所述目标图像集进行去噪操作,得到标准目标图像集,包括:
将预设的滤波窗口与所述目标图像集中的左上角图像像素位置重合,并将所述滤波窗口按照预设步长进行滑动,直到将所述滤波窗口与所述标准目标图像集的右下角图像像素位置重合,依次读取所述重合的图像像素位置对应的像素灰度值;
对所述像素灰度值进行排序,得到排序像素灰度值;
查找所述排序像素灰度值的中值集,并从所述中值集中依次选取中值替代所述像素灰度值的中间值,得到所述标准目标图像集。
6.如权利要求1所述的基于图像识别的智能灯光调节方法,其特征在于,所述识别所述目标物所在的目标区域,包括:
利用预设的目标区域识别网络中的卷积层提取包括所述目标物的矩形边框;
利用所述目标区域识别网络中的残差连接层提取所述矩形边框坐标;
将所述矩形边框坐标输入至所述目标区域识别网络中的激活函数,输出所述目标物所在的目标区域。
7.一种基于图像识别的智能灯光调节装置,其特征在于,所述装置包括:
去噪模块,用于获取目标区域内的监控视频,提取所述监控视频中的目标图像集,并对所述目标图像集进行去噪操作,得到标准目标图像集;
目标物第一识别模块,用于利用训练完成的目标识别模型中的空洞卷积层的空洞卷积核对所述标准目标图像集执行卷积操作,得到图像特征,将所述图像特征集执行叠加偏差量计算,得到特征融合图像集,再利用所述目标识别模型中的金字塔池化层通过预设的池化层数按照不同的维度对特征融合图像集进行图像划分,得到固定图像块,从固定图像块中选取每一块的最大值,并将最大值对应的图像块进行拼接,得到固定维度的目标物识别图像集,并将所述目标物识别图像集输入至所述目标识别模型中的激活函数,得到所述激活函数输出的所述标准目标图像集中存在目标物的第一置信度;
目标物第二识别模块,用于利用帧间差分法对所述标准目标图像集中相邻帧的两幅图像进行差分操作,得到所述标准图像集中存在目标物的第二置信度;
参数融合模块,用于将所述第一置信度及所述第二置信度进行融合,得到融合参数;
灯光智能调节模块,用于判断所述融合参数是否小于预设阈值;在所述融合参数小于预设阈值时,判断所述监控视频中不存在目标物,通过预设的灯光调节单元关闭所述目标区域的照明灯光;在所述融合参数不小于预设阈值时,判断所述监控视频中存在目标物,识别所述目标物所在的目标区域,并通过预设的灯光调节单元调节所述目标物区域对应的照明灯光。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于图像识别的智能灯光调节方法。
9.一种计算机可读存储介质,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至6中任一项所述的基于图像识别的智能灯光调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351426.6A CN114627435B (zh) | 2022-04-04 | 2022-04-04 | 基于图像识别的智能灯光调节方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351426.6A CN114627435B (zh) | 2022-04-04 | 2022-04-04 | 基于图像识别的智能灯光调节方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627435A CN114627435A (zh) | 2022-06-14 |
CN114627435B true CN114627435B (zh) | 2022-11-18 |
Family
ID=81906231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210351426.6A Active CN114627435B (zh) | 2022-04-04 | 2022-04-04 | 基于图像识别的智能灯光调节方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627435B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116600448B (zh) * | 2023-05-29 | 2024-02-13 | 深圳市帝狼光电有限公司 | 一种壁挂灯的控制方法、控制装置及壁挂灯 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496276A (zh) * | 2011-12-01 | 2012-06-13 | 青岛海信网络科技股份有限公司 | 一种高效车辆检测方法 |
CN109951936A (zh) * | 2019-04-18 | 2019-06-28 | 大连海事大学 | 一种根据不同应用场景智能调整的照明控制系统及方法 |
CN110418478A (zh) * | 2019-07-26 | 2019-11-05 | 广东工业大学 | 基于cnn的节能灯控方法及装置 |
CN110717527A (zh) * | 2019-09-24 | 2020-01-21 | 东南大学 | 结合空洞空间金字塔结构的目标检测模型确定方法 |
CN110972376A (zh) * | 2019-12-02 | 2020-04-07 | 广东技术师范大学 | 一种自动控制家居灯具开关的方法及系统 |
CN113329545A (zh) * | 2021-05-25 | 2021-08-31 | 深圳市欧瑞博科技股份有限公司 | 一种智能照明方法、装置、智能控制装置及存储介质 |
CN114189969A (zh) * | 2021-12-31 | 2022-03-15 | 苏州欧普照明有限公司 | 灯具控制方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109362145B (zh) * | 2018-09-30 | 2020-11-20 | 联想(北京)有限公司 | 一种控制方法和电子设备 |
CN113673545A (zh) * | 2020-05-13 | 2021-11-19 | 华为技术有限公司 | 光流估计方法、相关装置、设备及计算机可读存储介质 |
-
2022
- 2022-04-04 CN CN202210351426.6A patent/CN114627435B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496276A (zh) * | 2011-12-01 | 2012-06-13 | 青岛海信网络科技股份有限公司 | 一种高效车辆检测方法 |
CN109951936A (zh) * | 2019-04-18 | 2019-06-28 | 大连海事大学 | 一种根据不同应用场景智能调整的照明控制系统及方法 |
CN110418478A (zh) * | 2019-07-26 | 2019-11-05 | 广东工业大学 | 基于cnn的节能灯控方法及装置 |
CN110717527A (zh) * | 2019-09-24 | 2020-01-21 | 东南大学 | 结合空洞空间金字塔结构的目标检测模型确定方法 |
CN110972376A (zh) * | 2019-12-02 | 2020-04-07 | 广东技术师范大学 | 一种自动控制家居灯具开关的方法及系统 |
CN113329545A (zh) * | 2021-05-25 | 2021-08-31 | 深圳市欧瑞博科技股份有限公司 | 一种智能照明方法、装置、智能控制装置及存储介质 |
CN114189969A (zh) * | 2021-12-31 | 2022-03-15 | 苏州欧普照明有限公司 | 灯具控制方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114627435A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN112580684B (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN113723300A (zh) | 基于人工智能的火情监测方法、装置及存储介质 | |
CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN112017065B (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
CN110210401B (zh) | 一种弱光下的目标智能检测方法 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN113792801A (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN114782405A (zh) | 基于图像识别及机器视觉的桥梁裂纹检测方法及装置 | |
CN116129100A (zh) | 一种货车零件定位与故障识别方法、装置、设备及介质 | |
CN112580505A (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN114612437B (zh) | 一种基于amoled的显示画质提升方法 | |
CN111915615A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN114742828B (zh) | 基于机器视觉的工件定损智能分析方法及装置 | |
CN114359645B (zh) | 基于特征区域的图像拓展方法、装置、设备及存储介质 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |