CN116095914A - 一种基于大数据的智慧建筑照明调节方法及系统 - Google Patents

一种基于大数据的智慧建筑照明调节方法及系统 Download PDF

Info

Publication number
CN116095914A
CN116095914A CN202310368638.XA CN202310368638A CN116095914A CN 116095914 A CN116095914 A CN 116095914A CN 202310368638 A CN202310368638 A CN 202310368638A CN 116095914 A CN116095914 A CN 116095914A
Authority
CN
China
Prior art keywords
pixel block
super
region
block set
acquiring
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.)
Granted
Application number
CN202310368638.XA
Other languages
English (en)
Other versions
CN116095914B (zh
Inventor
胡蓓
侯兴珑
商丽华
祝艳华
束靖
任立全
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.)
Tongfang Decheng Shandong Technology Co ltd
Original Assignee
Tongfang Decheng Shandong Technology 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 Tongfang Decheng Shandong Technology Co ltd filed Critical Tongfang Decheng Shandong Technology Co ltd
Priority to CN202310368638.XA priority Critical patent/CN116095914B/zh
Publication of CN116095914A publication Critical patent/CN116095914A/zh
Application granted granted Critical
Publication of CN116095914B publication Critical patent/CN116095914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理领域，涉及一种基于大数据的智慧建筑照明调节方法及系统；获取建筑物内照明设备及监控视频数据；获取监控视频数据中的人体运动周期，对任意一个人体运动周期通过二分法获取第一运动周期及第二运动周期，并得到第一运动周期中每个人体区域的第二特征像素块集合；获取第二运动周期每个人体区域的第三匹配像素块集合，根据每个区域对应的第二特征像素块集合与第三匹配像素块集合在监控视频上的表现，得到第二运动周期的行为混乱度和温度应激程度；根据行为混乱度和温度应激程度对建筑物内的紧急状况进行判断；并对照明设备进行调节。本发明解决了现有的建筑物内照明设备无法根据紧急状况进行调节的问题。

Description

一种基于大数据的智慧建筑照明调节方法及系统
技术领域
本发明涉及图像数据处理领域，具体涉及一种基于大数据的智慧建筑照明调节方法及系统。
背景技术
图像数据处理作为一种基于计算机视觉的技术手段广泛用于各种领域，而智慧建筑领域中通过监控摄像头对建筑物内实时情况进行监控，大量运用了图像数据处理技术。现有技术中监控视频无法准确判断建筑物内发生的任何情况，因此需要一种通过监控视频数据中的RGB视频和红外视频的视频帧图像分析，对建筑物内人员流动及运动行为作出细致分析，进而识别出对于人员在建筑内的实时情况；同时由于对人体区域进行多种特征识别所耗费计算量非常大，需要利用一些可以表示人体区域的特征像素块来代替人体区域进行监控数据分析和图像识别。
发明内容
本发明提供一种基于大数据的智慧建筑照明调节方法及系统，以解决现有的建筑物内照明设备无法根据紧急状况进行调节的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于大数据的智慧建筑照明调节方法，该方法包括以下步骤：
获取建筑物内监控采集到的RGB视频数据及红外视频数据；
根据大数据获取监控视频数据的人体运动周期，对任意一个人体运动周期二分法获取第一运动周期和第二运动周期，对第一运动周期RGB视频的每帧图像进行超像素分割获取若干超像素块；
利用最优化匹配获取每个区域对应的若干超像素块集合，根据超像素块集合中超像素块的第一形状参数和第一灰度参数获取超像素块集合的稳定参数，根据稳定参数与第一预设阈值的比较结果获取每个区域的若干第一特征像素块集合，根据第一特征像素块集合在对应的红外视频图像中的平均差异性获取每个区域的第二特征像素块集合；
获取第二运动周期每个区域的第三匹配像素块集合，根据每个区域的第三匹配像素块集合的坐标分布获取每个区域的行为混乱度，根据红外视频图像中每个区域的第三匹配像素块集合与第二特征像素块集合的灰度差异获取每个区域的温度应激程度；
根据行为混乱度和温度应激程度判断建筑物的紧急状况，依据判断结果对照明设备进行调节。
可选的，所述利用最优化匹配获取每个区域对应的若干超像素块集合，包括的具体方法为：
一个人体运动周期内每帧图像都有相应的人体区域，将每个人体区域记为每个区域，每个区域在不同帧图像中分别包含若干超像素块，利用最优化匹配获取表示同一区域在每帧图像中的一个超像素块形成超像素块集合，匹配结果有若干，则每个区域对应了若干超像素块集合。
可选的，所述获取超像素块集合的稳定参数，包括的具体方法为：
Figure SMS_1
其中，
Figure SMS_5
表示第
Figure SMS_6
个超像素块集合的稳定参数，
Figure SMS_10
为超像素块集合中的元素数量，
Figure SMS_3
为第
Figure SMS_8
个超像素块集合中第
Figure SMS_12
个超像素块的第一形状参数，
Figure SMS_14
为第
Figure SMS_2
个超像素块集合中所有超像素块的第一形状参数均值，
Figure SMS_7
为第
Figure SMS_11
个超像素块集合中第
Figure SMS_13
个超像素块的第一灰度参数，
Figure SMS_4
为第
Figure SMS_9
个超像素块集合中所有超像素块的第一灰度参数均值；
所述第一形状参数为超像素块中边界像素点数量与所有像素点数量的比值；所述第一灰度参数为超像素块内所有像素点的灰度均值与方差的乘积。
可选的，所述获取每个区域的第二特征像素块集合，包括的具体方法为：
对于每个区域的若干第一特征像素块集合中的每个超像素块，将每个超像素块投影到对应的红外视频帧的图像上，得到第一特征像素块集合中的所有红外视频帧投影区域，每个区域对应的每个第一特征像素块集合的平均差异性计算方法为：
Figure SMS_15
其中，
Figure SMS_17
表示第
Figure SMS_20
个第一特征像素块集合的平均差异性，
Figure SMS_24
表示第一特征像素块集合中的元素数量，
Figure SMS_18
表示第
Figure SMS_21
个第一特征像素块集合中所有投影区域的信息熵均值，
Figure SMS_23
表示第
Figure SMS_26
个第一特征像素块集合中第
Figure SMS_16
个投影区域的信息熵，
Figure SMS_19
表示第
Figure SMS_22
个第一特征像素块集合中第
Figure SMS_25
个投影区域的信息熵；
选择同一区域的若干第一特征像素块集合中平均差异性最小的第一特征像素块集合作为该区域的第二特征像素块集合。
可选的，所述获取第二运动周期每个区域的第三匹配像素块集合，包括的具体方法为：
获取每个区域的第二特征像素块集合的第二形状参数及第二灰度参数，所述第二形状参数即为第二特征像素块集合中每个超像素块的第一形状参数的均值，所述第二灰度参数即为第二特征像素块集合中每个超像素块的第一灰度参数的均值；
对第二运动周期RGB视频灰度化后的每帧图像进行超像素分割获取每帧图像的若干超像素块，将每个超像素块的第三形状参数及第三灰度参数之和与第二形状参数及第二灰度参数之和求差值，选取第二运动周期每帧图像中差值最小的超像素块作为与第一运动周期每个区域的第二特征像素块集合的匹配像素块，每个区域的第二运动周期中所有帧图像的匹配像素块组成第二运动周期每个区域的第三匹配像素块集合。
可选的，所述获取每个区域的行为混乱度，包括的具体方法为：
Figure SMS_27
其中，
Figure SMS_30
表示第
Figure SMS_32
个区域的行为混乱度，
Figure SMS_36
和
Figure SMS_31
分别表示第
Figure SMS_34
个区域的第三匹配像素块集合的平均中心横坐标和平均中心纵坐标，
Figure SMS_39
和
Figure SMS_41
分别表示第
Figure SMS_28
个区域的第二特征像素块集合的平均中心横坐标和平均中心纵坐标，
Figure SMS_33
和
Figure SMS_37
表示第
Figure SMS_40
个区域的第三匹配像素块集合的中心横坐标方差和中心纵坐标方差，
Figure SMS_29
和
Figure SMS_35
表示第
Figure SMS_38
个区域的第二特征像素块集合的中心横坐标方差和中心纵坐标方差；
所述平均中心横坐标和平均中心纵坐标表示对像素块集合内每个超像素块的中心横坐标和中心纵坐标求均值；中心横坐标方差和中心纵坐标方差表示对像素块集合内每个超像素块的中心横坐标和中心纵坐标求方差；所述中心横坐标表示每个超像素块中所有像素点的横坐标均值；所述中心纵坐标表示每个超像素块中所有像素点的纵坐标均值。
可选的，所述获取每个区域的温度应激程度，包括的具体方法为：
Figure SMS_42
其中，
Figure SMS_46
表示第
Figure SMS_50
个区域的温度应激程度，
Figure SMS_54
表示第二特征像素块集合的元素数量，
Figure SMS_45
表示第二特征像素块集合中第
Figure SMS_49
个红外视频投影区域的像素点数量，
Figure SMS_53
表示第
Figure SMS_56
个红外视频投影区域中第
Figure SMS_43
个像素点的灰度值，
Figure SMS_47
表示第三匹配特征像素块集合的元素数量，
Figure SMS_51
表示第三匹配像素块集合中第
Figure SMS_55
个红外视频投影区域的像素点数量，
Figure SMS_44
表示第
Figure SMS_48
个红外视频投影区域中第
Figure SMS_52
个像素点的灰度值。
第二方面，本发明另一个实施例提供了一种基于大数据的智慧建筑照明调节系统，该系统包括：
数据采集模块，获取建筑物内监控视频数据；
数据处理模块：根据大数据获取监控视频数据的人体运动周期，对人体运动周期二分法获取第一运动周期及第二运动周期，对第一运动周期RGB视频灰度化后的每帧图像进行超像素分割获取若干超像素块；
利用最优化匹配获取每个区域对应的若干超像素块集合，根据超像素块集合的稳定参数与第一预设阈值的比较结果获取每个区域的若干第一特征超像素块集合，根据第一特征超像素块集合在对应的红外视频图像中的平均差异性获取每个区域的第二特征超像素块集合；
获取第二运动周期每个区域的第三匹配像素块集合，根据每个区域的第三匹配像素块集合的坐标分布获取每个区域的行为混乱度，根据红外视频图像中每个区域的第三匹配像素块集合与第二特征像素块集合的灰度差异获取每个区域的温度应激程度；
根据行为混乱度和温度应激程度判断建筑物的紧急状况；
建筑调节模块：根据获取到的紧急状况判断结果对建筑物内设备进行智能调节。
本发明的有益效果是：
（1）相较于现有的智慧建筑内的仅依照视觉手段进行紧急状况的判定而言，本发明通过信息采集设备所采集到的智慧建筑内的信息，利用人体的运动混乱程度与应激体温变化进行紧急场景的判断，能够避免因为智慧建筑内的人员非规律性行动，例如下班时智慧建筑内的人员发生大规模的运动变化，从而使得紧急场景的判断错误，造成智慧建筑内灯光调节的不准确。
（2）相较于现有的智慧建筑内的人体行为识别方法而言，本发明利用特征像素块代替整个人体进行后续的行为与体温变化计算分析，在进行智慧建筑内的人体运动的混乱程度与应激体温变化时计算量更小，并且特征像素块因为其相对于整个人体而言，再进行多帧信息的追踪的时候更不容易丢失，即对智慧建筑内的紧急状态进行判断的时候更加的准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供一种基于大数据的智慧建筑照明调节方法的流程示意图；
图2为本发明另一个实施例所提供一种基于大数据的智慧建筑照明调节系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的智慧建筑照明调节方法流程图，该方法包括以下步骤：
步骤S001、获取建筑物内监控视频数据。
本实施例需要根据建筑物内的人员状态进行建筑物内是否处于紧急状况的判断，而后进行建筑物内的设备进行调节，所述建筑物内的设备包括照明灯光、门窗以及空调等设备；因此需要布置相应的设备对建筑物内的实时信息进行收集；所述相应的设备为可对智慧建筑内进行RGB视频与红外视频同时拍摄的监控设备，通过监控设备进行实时信息采集获取到监控视频数据，包括RGB视频数据和红外视频数据；进一步的，根据照明设备的分布位置信息，对监控范围内的所有照明设备与每个监控进行匹配，以便于进行照明调节时的精准调节。
本实施例要实现对智慧建筑内部是否处于紧急状况的判断，可采用的方法为：利用大数据进行智慧建筑内的人体运动周期的识别，而后对人体运动周期进行平均划分；以每个第一运动周期的智慧建筑内的信息采集装置所采集的信息，获取包含了多个属性与特征的第二特征像素块集合来代替智慧建筑中的人体，而后以获取的第一运动周期的第二特征像素块集合对第二运动周期的第三匹配像素块集合，处于智慧建筑内的行为混乱度与温度应激程度进行第二运动周期内智慧建筑是否处于紧急状况的判断。
步骤S002、获取监控视频数据中的人体运动周期，得到第一运动周期中每个区域的第二特征像素块集合。
人体不同区域的红外图像所表示出来的人体温度是不同的，利用人体整个区域的RGB视频与红外视频进行紧急状况的判断计算量过大，且对于人体体温的细微变化无法进行准确的监控，因此，本实施例在对RGB视频帧图像进行人体语义分割的基础上，对第一运动周期内的RGB视频帧图像中的人体区域进行第一特征像素块集合的选择，而后利用红外视频确定第二特征像素块集合，以第二特征像素块来表示每帧视频中的人体区域，进行后续的智慧建筑内的场景紧急状况的判断。
需要说明的是，本实施例中的第一运动周期
Figure SMS_57
是利用智慧建筑中的信息采集装置进行数据采集，结合当前智慧建筑中的人体运动行为大数据进行人体运动周期的确定。具体的，利用大数据结合智慧建筑内的信息采集装置采集到的数据进行当前建筑内的人体运动周期
Figure SMS_58
的获取；所述人体运动周期的获取方法为：通过一种基于运动图的人体行为识别方法（HAR）获得不同的人体行为，根据人体行为在不同时段的规律性变化获取人体运动周期，不同人体运动周期间的人体行为变化相近；而后令
Figure SMS_59
，因为在一个周期
Figure SMS_60
内人体运动状态时比较稳定的，所以对
Figure SMS_61
进行拆解，而后以拆解得到的前半部分作为第一运动周期，并对第一运动周期内数据进行特征提取，将拆解得到的后半部分记为第二运动周期，根据第一运动周期提取的特征判断第二运动周期智慧建筑内是否处于紧急状况，使判断结果更加准确。
具体的，对监控视频数据中第一运动周期的RGB视频和红外视频中的每帧图像进行灰度化，利用DNN语义分割技术，如Unet技术对灰度化后的RGB视频中每个视频帧图像进行人体的识别，得到每帧图像中的多个人体分割区域；进一步的，对每帧图像中的每个人体区域进行超像素分割，采用SLIC算法进行分割，每帧图像的每个人体区域包含多个超像素块，获取每个超像素块的中心横坐标及中心纵坐标，获取方法为分别求超像素块中所有像素点的横坐标均值和纵坐标均值，得到的第
Figure SMS_62
个区域的第
Figure SMS_63
帧图像中的第
Figure SMS_64
个超像素块的中心横坐标为
Figure SMS_65
，中心纵坐标为
Figure SMS_66
。
进一步的，利用KM算法对第一运动周期内每帧图像中任意一个人体区域的若干超像素块，基于每个超像素块的中心坐标进行最优化匹配，匹配准则采用欧式距离最小为最优匹配，获取到
Figure SMS_67
个超像素块集合；每个超像素块集合中包含每帧图像中的一个超像素块，按时序排列，因此每个超像素块集合中的元素数量即为第一运动周期的视频帧数，第一运动周期的视频帧数用
Figure SMS_68
表示；进一步的，获取每个超像素块集合的稳定参数，具体的，以第
Figure SMS_69
个超像素块集合为例，稳定参数
Figure SMS_70
的计算方法为：
Figure SMS_71
其中，
Figure SMS_73
为超像素块集合中的元素数量，
Figure SMS_77
为第
Figure SMS_80
个超像素块集合中第
Figure SMS_74
个超像素块的第一形状参数，
Figure SMS_76
为第
Figure SMS_79
个超像素块集合的所有第一形状参数的均值，
Figure SMS_82
为第
Figure SMS_72
个超像素块集合中第
Figure SMS_75
个超像素块的第一灰度参数，
Figure SMS_78
为第
Figure SMS_81
个超像素块集合的所有第一灰度参数的均值。
其中，以第
Figure SMS_83
个超像素块集合中第
Figure SMS_84
个超像素块为例，其第一形状参数
Figure SMS_85
的计算方法为：
Figure SMS_86
其中，
Figure SMS_87
表示第
Figure SMS_88
个超像素块集合中第
Figure SMS_89
个超像素块上的边界像素点数量，
Figure SMS_90
表示该超像素块的所有像素点数量；此时，第一形状参数实际表示该超像素块的周长与面积的比值，在对超像素块形状进行描述时，一般采用面积或周长进行描述，但仅用单一指标描述容易出现偶然性，即超像素块的面积相同而周长不同，或面积不同而周长相同，本实施例利用周长与面积的比值对超像素块的形状进行量化，降低偶然性概率，较之现有量化方式更加准确，唯一性更强。
进一步的，第
Figure SMS_91
个超像素块集合中第
Figure SMS_92
个超像素块的第一灰度参数
Figure SMS_93
的计算方法为：
Figure SMS_94
其中，
Figure SMS_95
表示第
Figure SMS_96
个超像素块集合中第
Figure SMS_97
个超像素块中所有像素点的灰度均值，
Figure SMS_98
表示该超像素块中所有像素点灰度值的方差；此时，第一灰度参数表示超像素块内的灰度均值与灰度方差的乘积，灰度平均值表示超像素块内所有像素点的灰度值趋势，为避免偶然性，将灰度方差作为权值与之相乘，作为对超像素块的灰度表现进行量化，同样使得唯一性更强。
至此，获取了每个超像素块集合的稳定参数
Figure SMS_99
，
Figure SMS_100
越小，表明该超像素块集合中各超像素块的第一形状参数、第一灰度参数之间差异越小，超像素块间形状及灰度表现越接近，即该超像素块结合的第一形状参数和第一灰度参数都比较稳定，说明该超像素块集合中的每一个超像素块可能是物理空间中一个人体区域在不同时间点的表示，后续利用该超像素块集合中的超像素块进行人体区域替代计算的结果更加准确；此时
Figure SMS_101
越接近于0，说明该超像素块集合中的超像素块越稳定，给出第一预设阈值
Figure SMS_102
，当
Figure SMS_103
小于等于第一预设阈值时，认为第
Figure SMS_104
个超像素块集合为该人体区域的第一特征像素块集合，对该人体区域的
Figure SMS_105
个超像素块集合进行上述分析，获取其中的第一特征像素块集合。
进一步的，将该人体区域的所有第一特征像素块集合投影到灰度化后的红外视频中对应的视频帧图像上，形成每个第一特征像素块集合分别包含的
Figure SMS_106
个投影区域，以第
Figure SMS_107
个第一特征像素块集合为例，其平均差异性
Figure SMS_108
的计算方法为：
Figure SMS_109
其中，
Figure SMS_112
表示第一特征像素块集合中的元素数量，
Figure SMS_113
表示第
Figure SMS_115
个第一特征像素块集合的投影区域信息熵均值，
Figure SMS_111
表示第
Figure SMS_117
个第一特征像素块集合中第
Figure SMS_118
个投影区域的信息熵，
Figure SMS_119
表示第
Figure SMS_110
个第一特征像素块集合中第
Figure SMS_114
个投影区域的信息熵；所述信息熵为通过公知技术获取，不再赘述；需要说明的是，由于是将第一特征像素块集合投影到红外视频中，则每个集合中投影区域的数量与超像素块的数量一致，仍为
Figure SMS_116
个。
在人体未经历紧急状况的情况下，某一处区域在较短的时间内的温度的变化值是微乎其微的，反应在红外图像上就是连续帧中的投影区域的信息熵的差异值较小，接近于0。因此，对连续帧之间投影区域进行信息熵的差异值的平均值计算，该值越小，说明备选特征像素块集合中选择的越准确；同时，将第一特征像素块集合的投影区域信息熵均值作为权值，信息熵均值越小，说明该第一特征像素块结合的投影区域在红外视频中温度变化较小，温度越同一，同时后续进行人体紧急状况下体温变化分析时的计算量更小；选择该区域的若干第一特征像素块集合中，平均差异性最小的第一特征像素块集合作为该区域的第二特征像素块集合；进一步的，利用上述某个人体区域的第二特征像素块集合的获取方法，得到所有人体区域的第二特征像素块集合。
步骤S003、获取第二运动周期每个区域的第三匹配像素块集合，并得到第二运动周期的行为混乱度和温度应激程度。
通过对第二运动周期的RGB视频中每帧图像的人体区域进行超像素分割，与第一运动周期每个区域的第二特征像素块集合进行超像素块匹配，得到每个人体区域的第三匹配像素块集合，通过每个区域的第三匹配像素块集合与第二特征像素块集合的位置偏移量，对人体运动的行为混乱度进行量化；通过每个区域的第三匹配像素块集合在红外视频中的投影区域，与第二特征像素块集合在红外视频中的投影区域的灰度差异，对人体表面的温度应激程度进行量化，并在后续通过行为混乱度和温度应激程度对当前建筑物内是否为紧急状况进行判断。
具体的，所述超像素块匹配的方法为，获取任意一个区域的第二特征像素块集合中所有超像素块的第一形状参数的均值，记为该第二特征像素块集合的第二形状参数；获取该第二特征像素块集合中所有超像素块的第一灰度参数的均值，记为该第二特征像素块集合的第二灰度参数，以第
Figure SMS_120
个区域的第二特征像素块集合为例，其第二形状参数
Figure SMS_121
与第二灰度参数
Figure SMS_122
的计算方法为：
Figure SMS_123
Figure SMS_124
其中，
Figure SMS_125
为第二特征像素块集合的元素数量，需要说明的是，每个第二特征像素块集合的元素数量相同，即为第一运动周期的视频帧数；
Figure SMS_126
为第
Figure SMS_127
个区域的第二特征像素块集合中第
Figure SMS_128
个超像素块的第一形状参数，
Figure SMS_129
为第
Figure SMS_130
个区域的第二特征像素块集合中第
Figure SMS_131
个超像素块的第一灰度参数；此时，由于每个第二特征像素块集合中的每个超像素块的第一形状参数与第一灰度参数都差异较小，所以利用求均值获取的第二形状参数及第二灰度参数来表示每个第二特征像素块集合的形状特征及灰度特征。
进一步的，对第二运动周期内的RGB视频和红外视频的每帧图像进行灰度化，并对RGB视频每帧图像进行DNN语义分割，如Unet技术对灰度化后的RGB视频中每个视频帧图像进行人体的识别，得到每帧图像中的多个人体分割区域；进一步的，对每帧图像中的每个人体区域进行超像素分割，采用SLIC算法进行分割，每帧图像的每个人体区域包含多个超像素块，并对每个超像素块计算其第三形状参数与第三灰度参数，计算方法与第一运动周期内每个超像素块的第一形状参数及第一灰度参数相同；
进一步的，对第二运动周期内RGB视频的每帧图像的每个超像素块与第一运动周期的第二特征像素块集合进行匹配；具体的，以第
Figure SMS_132
个区域的第二特征像素块集合为例，计算第二运动周期内第
Figure SMS_133
帧图像中每个超像素块的匹配程度，以第
Figure SMS_134
帧图像中第
Figure SMS_135
个超像素块为例，其与第
Figure SMS_136
个区域的第二特征像素块集合的差异程度
Figure SMS_137
的计算方法为：
Figure SMS_138
其中，
Figure SMS_141
表示第
Figure SMS_144
帧图像第
Figure SMS_146
个超像素块的第三形状参数，
Figure SMS_140
表示第
Figure SMS_142
帧图像第
Figure SMS_145
个图像的第三形状参数，
Figure SMS_148
和
Figure SMS_139
为第
Figure SMS_143
个区域的第二特征像素块集合的第二形状参数和第二灰度参数；通过第
Figure SMS_147
帧图像每个超像素块与第
Figure SMS_149
个区域的第二特征像素块集合的形状参数及灰度参数之和进行差值计算，差值绝对值作为差异程度，差异程度越小，说明对应超像素块与第二特征像素块集合形状及灰度表现越接近，匹配程度则越大，越可能为代表同一人体区域的超像素块。
此时，获取到第
Figure SMS_150
帧图像中所有超像素块与第二特征像素块集合的差异程度，选择差异程度最小的超像素块作为第
Figure SMS_151
个区域在第二运动周期的匹配像素块，对每一帧图像按照上述方法计算，获取到第
Figure SMS_152
个区域在第二运动周期内RGB视频每帧图像的匹配像素块，这些匹配像素块组成的集合即为第
Figure SMS_153
个区域的第三匹配像素块集合；按照上述方法获取第一运动周期所有人体区域在第二运动周期的第三匹配像素块集合。
进一步的，以第
Figure SMS_154
个区域为例，该区域在第二运动周期内的行为混乱度
Figure SMS_155
的计算方法为：
Figure SMS_156
其中，
Figure SMS_160
和
Figure SMS_163
分别表示第
Figure SMS_166
个区域的第三匹配像素块集合的平均中心横坐标和平均中心纵坐标，
Figure SMS_159
和
Figure SMS_162
分别表示第
Figure SMS_165
个区域的第二特征像素块集合的平均中心横坐标和平均中心纵坐标，
Figure SMS_168
和
Figure SMS_157
表示第
Figure SMS_161
个区域的第三匹配像素块集合的中心横坐标方差和中心纵坐标方差，
Figure SMS_164
和
Figure SMS_167
表示第
Figure SMS_158
个区域的第二特征像素块集合的中心横坐标方差和中心纵坐标方差；所述中心横坐标表示每个超像素块中所有像素点的横坐标均值；所述中心纵坐标表示每个超像素块中所有像素点的纵坐标均值；平均中心横坐标和平均中心纵坐标即为对像素块集合内每个超像素块的中心横坐标和中心纵坐标求均值；中心横坐标方差和中心纵坐标方差即为对像素块集合内每个超像素块的中心横坐标和中心纵坐标求方差。
此时，第三匹配像素块集合的平均中心坐标
Figure SMS_169
表示第
Figure SMS_170
个人体区域在第二运动周期的位置，第二特征像素块集合的平均中心坐标
Figure SMS_171
表示该人体区域在第一运动周期的位置，因为第三匹配像素块集合由第二特征像素块集合匹配得到，二者代表的人体区域相同，在相邻运动周期内两个位置的差异越大，则说明该区域代表的人体整体行为混乱度越大；同时，没有紧急状况发生的时候，同一运动周期内同一区域每帧图像的位置变化较小，中心坐标方差也会较小，而发生紧急状况时，人体运动行为无规律，每帧图像的同一人体区域位置剧烈变化，中心坐标方差随之增大，第二运动周期变化较大而第一运动周期变化较小，方差差异越大，该区域代表的人体整体行为越混乱。
进一步的，以第
Figure SMS_172
个区域为例，该区域在第二运动周期内的温度应激程度
Figure SMS_173
的计算方法为：
Figure SMS_174
其中，
Figure SMS_176
表示第二特征像素块集合的元素数量，
Figure SMS_181
表示第二特征像素块集合中第
Figure SMS_184
个红外视频投影区域的像素点数量，
Figure SMS_177
表示第
Figure SMS_180
个红外视频投影区域中第
Figure SMS_183
个像素点的灰度值，
Figure SMS_185
表示第三匹配特征像素块集合的元素数量，
Figure SMS_175
表示第三匹配像素块集合中第
Figure SMS_179
个红外视频投影区域的像素点数量，
Figure SMS_182
表示第
Figure SMS_186
个红外视频投影区域中第
Figure SMS_178
个像素点的灰度值。
此时，对于第
Figure SMS_187
个区域，分别计算了其第二特征像素块集合的红外视频投影区域的灰度均值，以及第三匹配像素块集合的红外视频投影区域的灰度均值，并用两者差值的绝对值来表示第
Figure SMS_188
个区域在第二运动周期的温度应激程度，差值绝对值越大，表示第一运动周期和第二运动周期红外视频相同投影区域的灰度变化较大，说明相邻运动周期同一区域的红外图像出现较大变化，也就是该区域所代表的人体体温发生了较大变化，可能发生了紧急状况；同时，由于相邻周期之间都是以秒为单位计算，正常情况下人体温度变化很小，近乎于0，温度应激程度也就接近于0而不会表现出较大差异。
步骤S004、根据行为混乱度和温度应激程度判断建筑物的紧急状况。
按照第
Figure SMS_189
个区域的行为混乱度和温度应激程度的计算方法，获取第二运动周期内所有代表人体区域的行为混乱度和温度应激程度；需要说明的是，要判断建筑物内是否发生紧急状况，只对一个代表人体的区域进行判断具有较大的偶然性而缺少合理性，获取所有代表人体区域的行为混乱度之和以及温度应激程度之和，作为判断紧急状况的整体混乱度
Figure SMS_190
和体温应激程度
Figure SMS_191
，具体的计算方法为：
Figure SMS_192
Figure SMS_193
其中，
Figure SMS_194
表示通过DNN语义分割后共有
Figure SMS_195
个人体区域，
Figure SMS_196
表示第
Figure SMS_197
个区域的行为混乱度，
Figure SMS_198
表示第
Figure SMS_199
个区域的温度应激程度；通过分别求均值的方法获取建筑物内人员的整体混乱度和体温应激程度。
进一步的，根据第二运动周期的整体混乱度和体温应激程度，获取紧急状况参数
Figure SMS_200
的计算方法如下：
Figure SMS_201
对建筑物内是否处于紧急状况的判断需要同时满足整体混乱度较大和体温应激程度较大两个条件，因此将两条件乘积作为紧急状况参数；其中
Figure SMS_202
表示向上取整，因为整体混乱度是基于人体行为运动计算，相对较为敏感，因此向上取整进行计算；而
Figure SMS_203
表示向下取整，因为体温应激程度基于人体体温变化进行计算，正常情况下变化极小而不敏感，因此对其进行向下取整；正常情况下由于体温变化极小，体温应激程度向下取整结果为
Figure SMS_204
；因为建筑物内环境变化引起的体温变化，体温应激程度向下取整结果为
Figure SMS_205
；则当
Figure SMS_206
时，表明当前建筑物内发生了紧急状况，需要对建筑物内设备进行调节。
步骤S005、根据紧急状况判断结果对建筑物内设备进行智能调节。
根据相邻周期获取到的紧急状况参数对当前监控对应的区域是否处于紧急状况进行判断，发生紧急状况时，停止传统的建筑物内基于亮度及人员存在的自适应照明调节模式，改为当前区域照明设备全功率输出模式，以便建筑物内人员行动；而当前监控对应区域不处于紧急状况时，保持传统自适应照明调节模式，以保证智慧建筑的设备节能运行。
请参阅图2，其示出了本发明另一个实施例提供的一种基于大数据的智慧建筑照明调节系统结构框图，该系统包括：
数据采集模块S101：获取建筑物内监控视频数据。
数据处理模块S102：
（1）获取监控视频数据中的人体运动周期，得到第一运动周期中每个人体区域的第二特征像素块集合；
（2）获取第二运动周期每个人体区域的第三匹配像素块集合，根据每个区域对应的第二特征像素块集合与第三匹配像素块集合在RGB视频和红外视频上的表现，得到第二运动周期的行为混乱度和温度应激程度；
（3）根据行为混乱度和温度应激程度对建筑物内的紧急状况进行判断。
建筑调节模块S103：根据紧急状况判断结果对建筑物内照明及各种设备进行调节。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的智慧建筑照明调节方法，其特征在于，该方法包括以下步骤：
获取建筑物内监控采集到的RGB视频数据及红外视频数据；
根据大数据获取监控视频数据的人体运动周期，对任意一个人体运动周期二分法获取第一运动周期和第二运动周期，对第一运动周期RGB视频的每帧图像进行超像素分割获取若干超像素块；
利用最优化匹配获取每个区域对应的若干超像素块集合，根据超像素块集合中超像素块的第一形状参数和第一灰度参数获取超像素块集合的稳定参数，根据稳定参数与第一预设阈值的比较结果获取每个区域的若干第一特征像素块集合，根据第一特征像素块集合在对应的红外视频图像中的平均差异性获取每个区域的第二特征像素块集合；
获取第二运动周期每个区域的第三匹配像素块集合，根据每个区域的第三匹配像素块集合的坐标分布获取每个区域的行为混乱度，根据红外视频图像中每个区域的第三匹配像素块集合与第二特征像素块集合的灰度差异获取每个区域的温度应激程度；
根据行为混乱度和温度应激程度判断建筑物的紧急状况，依据判断结果对照明设备进行调节。
2.根据权利要求1所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述利用最优化匹配获取每个区域对应的若干超像素块集合，包括的具体方法为：
一个人体运动周期内每帧图像都有相应的人体区域，将每个人体区域记为每个区域，每个区域在不同帧图像中分别包含若干超像素块，利用最优化匹配获取表示同一区域在每帧图像中的一个超像素块形成超像素块集合，匹配结果有若干，则每个区域对应了若干超像素块集合。
3.根据权利要求1所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述获取超像素块集合的稳定参数，包括的具体方法为：
Figure QLYQS_1
其中，
Figure QLYQS_5
表示第
Figure QLYQS_6
个超像素块集合的稳定参数，
Figure QLYQS_12
为超像素块集合中的元素数量，
Figure QLYQS_4
为第
Figure QLYQS_7
个超像素块集合中第
Figure QLYQS_10
个超像素块的第一形状参数，
Figure QLYQS_14
为第
Figure QLYQS_2
个超像素块集合中所有超像素块的第一形状参数均值，
Figure QLYQS_8
为第
Figure QLYQS_11
个超像素块集合中第
Figure QLYQS_13
个超像素块的第一灰度参数，
Figure QLYQS_3
为第
Figure QLYQS_9
个超像素块集合中所有超像素块的第一灰度参数均值；
所述第一形状参数为超像素块中边界像素点数量与所有像素点数量的比值；所述第一灰度参数为超像素块内所有像素点的灰度均值与方差的乘积。
4.根据权利要求1所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述获取每个区域的第二特征像素块集合，包括的具体方法为：
对于每个区域的若干第一特征像素块集合中的每个超像素块，将每个超像素块投影到对应的红外视频帧的图像上，得到第一特征像素块集合中的所有红外视频帧投影区域，每个区域对应的每个第一特征像素块集合的平均差异性计算方法为：
Figure QLYQS_15
其中，
Figure QLYQS_17
表示第
Figure QLYQS_21
个第一特征像素块集合的平均差异性，
Figure QLYQS_24
表示第一特征像素块集合中的元素数量，
Figure QLYQS_18
表示第
Figure QLYQS_20
个第一特征像素块集合中所有投影区域的信息熵均值，
Figure QLYQS_23
表示第
Figure QLYQS_26
个第一特征像素块集合中第
Figure QLYQS_16
个投影区域的信息熵，
Figure QLYQS_19
表示第
Figure QLYQS_22
个第一特征像素块集合中第
Figure QLYQS_25
个投影区域的信息熵；
选择同一区域的若干第一特征像素块集合中平均差异性最小的第一特征像素块集合作为该区域的第二特征像素块集合。
5.根据权利要求1所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述获取第二运动周期每个区域的第三匹配像素块集合，包括的具体方法为：
获取每个区域的第二特征像素块集合的第二形状参数及第二灰度参数，所述第二形状参数即为第二特征像素块集合中每个超像素块的第一形状参数的均值，所述第二灰度参数即为第二特征像素块集合中每个超像素块的第一灰度参数的均值；
对第二运动周期RGB视频灰度化后的每帧图像进行超像素分割获取每帧图像的若干超像素块，将每个超像素块的第三形状参数及第三灰度参数之和与第二形状参数及第二灰度参数之和求差值，选取第二运动周期每帧图像中差值最小的超像素块作为与第一运动周期每个区域的第二特征像素块集合的匹配像素块，每个区域的第二运动周期中所有帧图像的匹配像素块组成第二运动周期每个区域的第三匹配像素块集合。
6.根据权利要求1所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述获取每个区域的行为混乱度，包括的具体方法为：
Figure QLYQS_27
其中，
Figure QLYQS_30
表示第
Figure QLYQS_33
个区域的行为混乱度，
Figure QLYQS_37
和
Figure QLYQS_31
分别表示第
Figure QLYQS_35
个区域的第三匹配像素块集合的平均中心横坐标和平均中心纵坐标，
Figure QLYQS_39
和
Figure QLYQS_41
分别表示第
Figure QLYQS_28
个区域的第二特征像素块集合的平均中心横坐标和平均中心纵坐标，
Figure QLYQS_32
和
Figure QLYQS_36
表示第
Figure QLYQS_40
个区域的第三匹配像素块集合的中心横坐标方差和中心纵坐标方差，
Figure QLYQS_29
和
Figure QLYQS_34
表示第
Figure QLYQS_38
个区域的第二特征像素块集合的中心横坐标方差和中心纵坐标方差；
所述平均中心横坐标和平均中心纵坐标表示对像素块集合内每个超像素块的中心横坐标和中心纵坐标求均值；中心横坐标方差和中心纵坐标方差表示对像素块集合内每个超像素块的中心横坐标和中心纵坐标求方差；所述中心横坐标表示每个超像素块中所有像素点的横坐标均值；所述中心纵坐标表示每个超像素块中所有像素点的纵坐标均值。
7.根据权利要求4所述的一种基于大数据的智慧建筑照明调节方法，其特征在于，所述获取每个区域的温度应激程度，包括的具体方法为：
Figure QLYQS_42
其中，
Figure QLYQS_46
表示第
Figure QLYQS_50
个区域的温度应激程度，
Figure QLYQS_54
表示第二特征像素块集合的元素数量，
Figure QLYQS_45
表示第二特征像素块集合中第
Figure QLYQS_47
个红外视频投影区域的像素点数量，
Figure QLYQS_53
表示第
Figure QLYQS_55
个红外视频投影区域中第
Figure QLYQS_43
个像素点的灰度值，
Figure QLYQS_48
表示第三匹配特征像素块集合的元素数量，
Figure QLYQS_51
表示第三匹配像素块集合中第
Figure QLYQS_56
个红外视频投影区域的像素点数量，
Figure QLYQS_44
表示第
Figure QLYQS_49
个红外视频投影区域中第
Figure QLYQS_52
个像素点的灰度值。
8.一种基于大数据的智慧建筑照明调节系统，其特征在于，该系统包括：
数据采集模块，获取建筑物内监控视频数据；
数据处理模块：根据大数据获取监控视频数据的人体运动周期，对人体运动周期二分法获取第一运动周期及第二运动周期，对第一运动周期RGB视频灰度化后的每帧图像进行超像素分割获取若干超像素块；
利用最优化匹配获取每个区域对应的若干超像素块集合，根据超像素块集合的稳定参数与第一预设阈值的比较结果获取每个区域的若干第一特征超像素块集合，根据第一特征超像素块集合在对应的红外视频图像中的平均差异性获取每个区域的第二特征超像素块集合；
获取第二运动周期每个区域的第三匹配像素块集合，根据每个区域的第三匹配像素块集合的坐标分布获取每个区域的行为混乱度，根据红外视频图像中每个区域的第三匹配像素块集合与第二特征像素块集合的灰度差异获取每个区域的温度应激程度；
根据行为混乱度和温度应激程度判断建筑物的紧急状况；
建筑调节模块：根据获取到的紧急状况判断结果对建筑物内设备进行智能调节。
CN202310368638.XA 2023-04-10 2023-04-10 一种基于大数据的智慧建筑照明调节方法及系统 Active CN116095914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310368638.XA CN116095914B (zh) 2023-04-10 2023-04-10 一种基于大数据的智慧建筑照明调节方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310368638.XA CN116095914B (zh) 2023-04-10 2023-04-10 一种基于大数据的智慧建筑照明调节方法及系统

Publications (2)

Publication Number Publication Date
CN116095914A true CN116095914A (zh) 2023-05-09
CN116095914B CN116095914B (zh) 2023-08-25

Family

ID=86204876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310368638.XA Active CN116095914B (zh) 2023-04-10 2023-04-10 一种基于大数据的智慧建筑照明调节方法及系统

Country Status (1)

Country Link
CN (1) CN116095914B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035293A (zh) * 2018-05-22 2018-12-18 安徽大学 适用于视频图像中显著人体实例分割的方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
US20210218909A1 (en) * 2018-05-25 2021-07-15 Fluke Corporation Optical gas imaging systems and method compatible with uncooled thermal imaging cameras
CN113591597A (zh) * 2021-07-07 2021-11-02 东莞市鑫泰仪器仪表有限公司 一种基于热成像的智慧治安信息系统
US20220020134A1 (en) * 2020-07-15 2022-01-20 China University Of Mining And Technology Method and system for quickly matching image features applied to mine machine vision
CN115099291A (zh) * 2022-08-29 2022-09-23 同方德诚(山东)科技股份公司 一种建筑节能监测方法
WO2022199360A1 (zh) * 2021-03-23 2022-09-29 北京灵汐科技有限公司 运动物体的定位方法、装置、电子设备及存储介质
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN109035293A (zh) * 2018-05-22 2018-12-18 安徽大学 适用于视频图像中显著人体实例分割的方法
US20210218909A1 (en) * 2018-05-25 2021-07-15 Fluke Corporation Optical gas imaging systems and method compatible with uncooled thermal imaging cameras
US20220020134A1 (en) * 2020-07-15 2022-01-20 China University Of Mining And Technology Method and system for quickly matching image features applied to mine machine vision
WO2022199360A1 (zh) * 2021-03-23 2022-09-29 北京灵汐科技有限公司 运动物体的定位方法、装置、电子设备及存储介质
CN113591597A (zh) * 2021-07-07 2021-11-02 东莞市鑫泰仪器仪表有限公司 一种基于热成像的智慧治安信息系统
CN115099291A (zh) * 2022-08-29 2022-09-23 同方德诚(山东)科技股份公司 一种建筑节能监测方法
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
YINING SU: "Visualized multiple image selection encryption based on log chaos system and multilayer cellular automata saliency detection", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
刘甫;李晋;: "基于动态目标跟踪技术和PLC Bus的智能照明控制系统", 照明工程学报, no. 03 *
夏创文: "高速公路网运行监测若干关键技术研究", 《工程科技Ⅱ辑》 *
孙文玲: "基于时空对比度的视频显著度提取技术研究", 《信息科技》 *
蔡淑宽;刘金清;施文灶;陈存弟;何世强;周晓童;邓淑敏;吴庆祥;: "基于改进SLIC与区域邻接图的高分辨率遥感影像建筑物提取", 计算机系统应用, no. 08 *
陈昶安;吴晓峰;王斌;张立明;: "复杂扰动背景下时空特征动态融合的视频显著性检测", 计算机辅助设计与图形学学报, no. 05 *

Also Published As

Publication number Publication date
CN116095914B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN104978710B (zh) 一种基于拍照识别调节人脸亮度的方法和装置
CN111882810B (zh) 一种火灾识别与预警方法及其系统
CN105354791B (zh) 一种改进的自适应混合高斯前景检测方法
CN105096267B (zh) 一种基于拍照识别调节眼部亮度的方法和装置
Aiping et al. Face detection technology based on skin color segmentation and template matching
CN108616700B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN106339994B (zh) 一种图像增强方法
KR102160128B1 (ko) 인공지능 기반 스마트 앨범 생성 방법 및 장치
WO2016206344A1 (zh) 白平衡处理方法、装置和计算机存储介质
CN111240612A (zh) 一种调节屏幕分辨率的方法及终端
CN108053418B (zh) 一种动物背景建模方法及装置
CN111080754B (zh) 一种头部肢体特征点连线的人物动画制作方法及装置
CN111242911A (zh) 一种基于深度学习算法确定图像清晰度的方法及系统
CN107437402B (zh) 背光控制方法、装置及显示设备
CN116095914B (zh) 一种基于大数据的智慧建筑照明调节方法及系统
CN112700568B (zh) 一种身份认证的方法、设备及计算机可读存储介质
CN111368596A (zh) 人脸识别逆光补偿方法、装置、可读存储介质及设备
CN102509076B (zh) 基于主成分分析的视频图像背景检测方法
CN111539921A (zh) 一种基于多传感器信息融合的图像质量评估方法
JP6658402B2 (ja) フレームレート判定装置、フレームレート判定方法及びフレームレート判定用コンピュータプログラム
CN111601418A (zh) 色温调节方法、装置、存储介质和处理器
CN107452039B (zh) 压缩rgb颜色空间的方法及装置
CN110855989A (zh) 一种网络视频图像编码方法和装置
WO2024176317A1 (ja) 調整装置、調整方法、および調整プログラム
TWI569212B (zh) 影像辨識方法

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
GR01 Patent grant
GR01 Patent grant