CN116740809B - 一种基于用户姿态的智能沙发控制方法 - Google Patents
一种基于用户姿态的智能沙发控制方法 Download PDFInfo
- Publication number
- CN116740809B CN116740809B CN202310656024.1A CN202310656024A CN116740809B CN 116740809 B CN116740809 B CN 116740809B CN 202310656024 A CN202310656024 A CN 202310656024A CN 116740809 B CN116740809 B CN 116740809B
- Authority
- CN
- China
- Prior art keywords
- effective
- point
- image
- distribution
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于用户姿态的智能沙发控制方法。该方法通过对用户姿态图像进行通道分获得通道图像，根据每个通道图像与用户姿态灰度图像的局部灰度差异情况确定每个通道图像的有效点；通过用户姿态灰度图像的高频信息和通道图像中有效点的相似性获得每个有效点的相似范围，根据有效点的相似范围进行聚类获得分布聚簇；根据每个分布聚簇与周围分布聚簇的灰度差异获得自适应拉伸系数，对最大拉伸程度调整实现对有效点的优化；最终将优化后的通道图像重组获得优化用户姿态图像，进行姿态识别并调整智能沙发。本发明通过图像处理，实现更完整和更精准的用户姿态识别，使智能沙发的调整效果更精确，用户体验更佳。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于用户姿态的智能沙发控制方法。
背景技术
随着互联网+、大数据和智能AI的飞速发展，人们的家居生活已经不能仅仅满足于将机械功能与沙发连为一体。而智能沙发是一种集成了智能硬件和软件系统的新型家具，它可以通过智能识别用户姿态来自动切换沙发的坐、倚、躺、卧等功能模式，并自动调节温度和湿度等参数来进一步提高用户的舒适度，同时还可以实现语音交互、远程控制等功能，为用户带来全新的使用体验。用户姿态的自动识别准确度直接决定了智能沙发的灵敏度，也是行业主要竞争力所在，无论是图像姿态识别还是深度学习姿态估计，均需要依赖足够可信的人体特征点，并对这些特征点进行跟踪和预测，以实现沙发根据人体姿态进行智能调节。而智能家居在受到室内建筑结构、灯光设计、天气条件等影响，在任意时间段内使用时，往往影像传感器可能存在光线环境较差的情况，因此高效的影像数据预处理系统是用户姿态识别的重中之重。
现有对图像增强的方法中，采用对不同通道图像进行区域划分并对不同区域进行增强的方法，但其增强为对不同通道图像的整体增强，未考虑图像中的细节信息，使得对于用户姿态图像中的细节特征产生破坏，产生细节模糊，识别特征丢失严重，无法进行精确的姿态识别，影响智能沙发的调整，进而用户体验感较差。
发明内容
为了解决现有技术中未考虑图像中的细节信息，使得对于用户姿态图像中的细节特征产生破坏，产生细节模糊，识别特征丢失严重的技术问题，本发明的目的在于提供一种基于用户姿态的智能沙发控制方法，所采用的技术方案具体如下：
本发明提供了一种基于用户姿态的智能沙发控制方法，所述方法包括：
获取用户姿态图像和用户姿态灰度图像，对所述用户姿态图像进行通道分解获得三个通道图像；根据每个通道图像与所述用户姿态灰度图像中相同像素点的局部灰度差异情况确定每个通道图像的有效点；任选一个通道图像作为参考通道图像；
获取所述用户姿态灰度图像中的高频信息，根据参考通道图像中有效点之间的灰度相似性和高频信息分布情况获得每个有效点的相似范围；根据有效点的所述相似范围的大小确定中心点；在中心点与相邻有效点之间，根据距离大小和对应相似范围之间的密度差异获得中心点与相邻有效点之间的归类概率；根据归类概率和归类后聚簇波动情况确定归类有效点，根据归类有效点迭代归类获得分布聚簇；
获取每个所述分布聚簇的相邻分布聚簇，根据参考通道图像中每个分布聚簇与相邻分布聚簇之间的像素级分布差异获得自适应拉伸系数；根据每个分布聚簇的像素级在参考通道图像中的分布情况获得最大拉伸系数；根据每个分布聚簇的所述自适应拉伸系数和所述最大拉伸系数优化对应分布聚簇中有效点的像素值，获得优化有效点；根据参考通道图像的优化有效点获得优化通道图像；
将所有优化通道图像重组获得优化用户姿态图像，通过优化用户姿态图像进行姿态识别对智能沙发进行调整。
进一步地，所述每个通道图像的有效点的获取方法包括：
任选一个位置的像素点作为目标像素点，计算目标像素点对应预设高斯核窗口内每个像素点的高斯权重与像素值的乘积，获得每个像素点的调整像素值；计算目标像素点对应预设高斯核窗口内所有像素点像素值的累加值作为像素总值；将目标像素点对应所有调整像素值的和值与像素总值的比值进行增大取值范围，获得目标像素点的局部灰度特征值；
根据目标像素点的局部灰度特征值的获取方法，获得目标像素点在每个通道图像中的通道局部灰度特征值和目标像素点在用户姿态灰度图像中的标准局部灰度特征值；计算标准局部灰度特征值与每个通道图像对应的通道局部灰度特征值的差值绝对值，获得目标像素点在每个通道图像中的有效指标；
获取目标像素点对应所有所述有效指标的最小值，将目标像素点作为最小有效指标对应通道图像的有效点。
进一步地，所述相似范围的获取方法包括：
将用户姿态灰度图像通过傅里叶变换转换为频谱图像，采用最大类间方差法获得频率阈值，根据频率阈值分割出用户姿态灰度图像的高频图像；
在参考通道图像中，任选一个有效点作为参考有效点，当参考有效点与其他有效点之间的像素值差值小于预设相似阈值时，将对应的有效点作为参考有效点的相似有效点，获取参考有效点到所有相似有效点的相似距离，当相似距离最大且相似距离中不存在所述高频图像的高频信息时，将对应的相似距离作为参考有效点的相似半径，以参考有效点为圆心，相似半径为半径的圆形范围作为参考有效点的相似范围。
进一步地，所述归类概率的获取方法包括：
将与中心点相邻的相似有效点作为相邻有效点；计算中心点与相邻有效点的欧式距离作为距离特征指标；
将每个有效点在对应相似范围内的面积与相似有效点数量的比值作为分布密度指标，将中心点与相邻有效点之间的所述分布密度指标的差值绝对值作为密度差异指标；将距离特征指标和密度差异指标的乘积进行负相关映射并归一化，获得中心点与相邻有效点之间的归类概率。
进一步地，所述归类有效点的确定方法包括：
当中心点与相邻有效点之间的归类概率大于预设归类阈值时，将相邻有效点作为初始归类有效点与中心点进行合并，得到初始聚簇；计算初始聚簇内所有所述有效点像素值的均方差作为初始聚簇的聚簇效果指标，当聚簇效果指标小于预设波动阈值时，将初始归类有效点作为中心点对应类别的归类有效点。
进一步地，所述自适应拉伸系数的获取方法包括：
获得每个分布聚簇与相邻分布聚簇中分布数量最多的像素级作为目标像素级；计算每个分布聚簇与对应的每个相邻分布聚簇之间目标像素级的差值绝对值作为分布差异；对每个分布聚簇对应的所有所述分布差异求平均值，并进行负相关映射和归一化处理获得每个分布聚簇的自适应拉伸系数。
进一步地，所述最大拉伸系数的获取方法包括：
将参考通道图像中的最大像素值与每个分布聚簇的目标像素级的差值作为每个分布聚簇的最大拉伸空间；计算参考通道图像中像素值的极差，将最大拉伸空间与像素值极差的比值作为每个分布聚簇的最大拉伸系数。
进一步地，所述优化有效点的获取方法包括：
将每个分布聚簇的自适应拉伸系数与最大拉伸系数相乘获得调整系数；将数值一与调整系数的和值作为每个分布聚簇的拉伸系数，将分布聚簇中有效点的像素值与对应拉伸系数相乘获得优化后的像素值，将得到优化后像素值的有效点作为优化有效点。
进一步地，所述根据有效点的所述相似范围的大小确定中心点包括：
将参考通道图像中最大相似范围对应的有效点作为中心点。
进一步地，所述根据归类有效点迭代归类获得分布聚簇包括：
将每个归类有效点作为次级中心点，与相邻的非归类有效点计算归类概率确定新的归类有效点，并迭代进行归类有效点的获取；将同一类别的所有归类有效点作为一个分布聚簇。
本发明具有如下有益效果：
本发明通过对用户姿态图像进行通道分解，获得三个通道图像，根据每个通道图像与用户姿态灰度图像的局部灰度差异情况确定每个通道图像的有效点，通过对每个通道图像中具有突出表达信息的有效点进行优化，可以减小整体优化对重组图像像素点结构的影响。通过用户姿态灰度图像的高频信息和单个通道图像中有效点的相似性，获得每个有效点的相似范围，进而根据两个有效点相似范围的密度差异进行归类概率计算，并根据相似范围确定的中心点及归类概率迭代归类获得分布聚簇，通过高频信息干预归类聚簇过程，使有效点的分类聚簇结果更优，聚簇表征效果更准确。进一步对每个分布聚簇的相邻分布聚簇判断灰度差异情况，通过灰度差异获得自适应拉伸系数对最大拉伸程度进行调整，使得每个分布聚簇的有效点均可以得到最优的拉伸效果，突出单个通道图像中的细节信息，避免图像的失真和伪影问题。最终将每个拉伸优化后的优化通道图像重组获得优化用户姿态图像，通过优化用户姿态图像自适应增强了图像对比度且凸显了更多细节信息，可以对用户姿态的特征进行更完整和更精准的识别，使智能沙发的调整效果更精确，用户体验更佳。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于用户姿态的智能沙发控制方法流程图；
图2为本发明一个实施例所提供的一种智能沙发示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于用户姿态的智能沙发控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于用户姿态的智能沙发控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于用户姿态的智能沙发控制方法流程图，该方法包括以下步骤：
S1：获取用户姿态图像和用户姿态灰度图像，对用户姿态图像进行通道分解获得三个通道图像；根据每个通道图像与用户姿态灰度图像中相同位置像素点的局部灰度差异情况确定每个通道图像的有效点；任选一个通道图像作为参考通道图像。
用户姿态的自动识别准确度直接决定了智能沙发的灵敏度，对于用户姿态的感知过程是较为复杂的，如压力传感器容易受到不同体重及异常噪声的干扰，对用户的姿态识别是较为模糊的，而图像识别是最主要的姿态识别方法，因此可以根据智能沙发扶手位置的影像传感器直接获取用户姿态图像，同时也可结合压力、温度和湿度传感器等综合进行用户姿态的识别，获得更准确的用户姿态信息。请参阅图2，其出示了本发明一个实施例所提供的一种智能沙发示意图。
在智能沙发中相机作为主传感器，当用户使用时，相机会持续监测用户在沙发上的影像，可以从静态帧图像中识别用户姿态，因此本发明实施例从影像传感器中导出用户影像数据，以帧为单位进行图像处理，每帧图像作为用户姿态图像。
由于用户可能在任意时间段内使用智能沙发，受室内建筑结构、灯光设计、天气条件等影响，往往影像传感器进行图像获取时可能存在光线环境较差的情况，此时需要对影像数据进行预处理，增强图像对比度。
现有算法中采用对图像进行通道分解，对分解后的单通道分别进行对比度增强并重组，没有对图像细节进行分析，属于无差别增强，而无差别增强会使图像产生明显的伪影情况，因此本发明通过对单通道对比度增强进行优化，可以对细节信息进行更精细的增强。
在本发明实施例中，将用户姿态图像分解为三个单通道图像，分别为暗通道图像、中间通道图像和亮通道图像。暗通道图像为每个像素点对应最低通道值组成的图像，中间通道图像为三个通道分量的中间值组成的图像，亮通道为每个像素点对应最高通道值组成的图像。举例而言，用户姿态图像为RGB图像，其中一个像素点的RGB通道值如(100，0，150)，则该像素点对应暗通道值为0，中间通道值为100，亮通道值为150。需要说明的是，通道分解的方法为本领域技术人员熟知的技术手段，在此不做赘述。
进一步地对用户姿态图像进行灰度化处理，获得用户姿态灰度图像，方便后续对每个单通道图像进行对比度分析，进行自适应增强，需要说明的是，灰度化处理方法为本领域技术人员熟知的技术手段，可选用灰度化处理方法如加权平均法。平均值法等，在此不做限制。
由于用户姿态灰度图像和每个单通道图像中的像素值均为反映像素点对应的亮暗变化，对每个单通道图像与用户姿态灰度图像进行差异分析，得到每个像素点在单通道图像中对用户姿态灰度图像表达最突出的情况，此时可以得到每个通道图像中表达突出的像素点，对突出的像素点在单通道图像上进行增强分析，避免同时三个通道图像同时进行增强。
在本发明中，突出像素点的获取方法为：根据每个通道图像与用户姿态灰度图像中相同位置像素点的局部灰度差异情况确定每个通道图像的有效点，有效点即为突出的像素点。由于对单个像素点为单位进行分析时，计算时相邻像素点的微弱灰度差异会放大，使后续根据亮度进行区域划分收到干扰，因此本发明对每个像素点的对应像素值进行局部差异分析，具体包括：
任选一个位置的像素点作为目标像素点，对目标像素点的局部灰度情况分析时，优选地预设一个高斯核窗口，通过高斯核对目标像素点的局部灰度值进行归一化处理，使得在对目标像素点进行用户姿态灰度图像和三个通道图像的差异分析时，像素值归一化后可以更清楚的反映不同通道对原始图像的突出表达情况，在本发明实施例中，预设高斯核窗口的大小为5×5，具体高斯核窗口表达式为：
在本发明实施例中，对于具体高斯核的设置实施者可以根据实施情况进行调整，需要说明的是，高斯核的设置为本领域技术人员熟知的技术手段，在此不做赘述。
计算目标像素点对应预设高斯核窗口内每个像素点的高斯权重与像素值的乘积，通过高斯核调整每个像素点的像素值情况，其中高斯权重即为高斯核中每个元素的元素值，获得每个像素点的调整像素值。
计算目标像素点对应预设高斯核窗口内所有像素点像素值的累加值作为像素总值；将目标像素点对应所有调整像素值的和值与像素总值的比值进行增大取值范围，获得目标像素点的局部灰度特征值。其中增大取值范围主要考虑到在计算目标像素点对应三个通道图像中的局部灰度特征值时，可能由于分解图像的原因，像素点信息并不完整，在进行归一化后计算时，可能暗通道与亮通道均与中间通道的差异较小，使得较难为判断，因此通过增大取值范围优化特征值，使后续计算差异结果清晰明显，在本发明实施例中，为了后续计算的准确性，局部灰度特征值的具体表达式为：
式中，Fo表示为目标像素点o的局部灰度特征值，G表示为目标像素点对应预设高斯核窗口内的像素总值，d2表示为高斯核的窗口尺寸大小，ρv表示为预设高斯核窗口内第v个像素点的高斯权重，Iv表示为预设高斯核窗口内第v个像素点的像素值，ln()表示为自然对数，在本发明实施例中用于增大取值范围。
其中，ρv×Iv表示为预设高斯核窗口内第v个像素点的调整像素值，通过对目标像素点局部像素点的整体高斯归一化，可以反映目标像素点的局部亮暗程度，进一步根据目标像素点获得局部灰度特征的方法，对目标像素点在用户姿态灰度图像和三个通道图像中可以分别获取到四个不同的局部灰度特征指标。
根据目标像素点的局部灰度特征值的获取方法，根据目标像素点的局部灰度特征值的获取方法，获得目标像素点在每个通道图像和用户姿态灰度图像中的局部灰度特征值，此时每个通道图像对应的局部灰度特征值反映目标像素点在每个通道的亮暗程度，用户姿态灰度图像对应的局部灰度特征值反映目标像素点在用户姿态灰度图像的亮暗程度，进一步计算每个通道图像和用户姿态灰度图像的局部灰度特征值的差异程度，反映亮暗程度差异。
计算用户姿态灰度图像和每个通道图像对应局部灰度特征值之间的差值绝对值，获得目标像素点在每个通道图像中的有效指标，根据有效指标反映目标像素点在每个通道图像上对用户姿态灰度图像的差异程度，当差异程度越小，说明在该目标像素点位置上对应通道图像表征信息越强，在本发明实施例中，有效指标的具体表达式为：
式中，表示为目标像素点o在通道图像P中的局部灰度特征值，GH表示为目标像素点在用户姿态灰度图像H中对应预设高斯核窗口内的像素总值，GP表示为目标像素点在通道图像P中对应预设高斯核窗口内的像素总值，d2表示为高斯核的窗口尺寸大小，ρv表示为预设高斯核窗口内第v个像素点的高斯权重，/>表示为在用户姿态灰度图像H中预设高斯核窗口内第v个像素点的像素值，/>表示为在通道图像P中预设高斯核窗口内第v个像素点的像素值，ln()表示为自然对数。
其中，表示为目标像素点在用户姿态灰度图像H中的局部灰度特征值，/>表示为目标像素点在通道图像P中的局部灰度特征值。通过局部灰度特征值之间的差异情况，反映不同通道图像对用户姿态灰度图像的信息表达程度，当差异越小，说明对应通道图像在目标像素点的信息表达越特出。
因此获取目标像素点在对应所有通道图像中有效指标的最小值，即为最小有效指标，将目标像素点作为最小有效指标对应通道图像的有效点。对用户姿态灰度图像中的所有像素点均进行有效点的分析，这样每个像素点位置均对应一个最突出的通道图像，即在一个通道图像中存在多个有突出表达的有效点。
通过对每个通道图像分析信息表达突出的点进行增强，避免同时增强使得重组时像素点的结构发生较大改变，产生虚影情况。后续对每个通道图像进一步分析，由于后续均为对单个通道图像的分析过程，在获取完有效点后，任选一个通道图像作为参考通道图像，后续均为对参考通道图像进行分析。
S2：获取用户姿态灰度图像中的高频信息，根据参考通道图像中有效点之间的灰度相似性和高频信息分布情况获得每个有效点的相似范围；根据有效点的相似范围的大小确定中心点；根据中心点与相邻有效点之间的距离大小和对应相似范围之间的密度差异获得中心点与相邻有效点之间的归类概率；根据中心点与所有相邻有效点的归类概率获得中心点对应的初始聚簇，根据初始聚簇内像素值的波动情况确定归类有效点；根据归类有效点迭代归类获得分布聚簇。
在获取到参考通道图像的有效点后，若直接对有效点根据参考通道图像的灰度级进行无差别拉伸，但进行无差别拉伸会使同一区域内的像素点被拉大差异，出现失真，此时进行重组会产生大量伪影。因此需要对参考通道图像中的有效点进行分类聚簇，获得同一类别的有效点进行区域自适应增强，可以对更细节的信息进行准确增强。
首先优选地，将用户姿态灰度图像通过傅里叶变换转换为频谱图像，频谱图像中的频率信息反映图像中灰度的变化剧烈程度，也即图像中的梯度大小，采用最大类间方差法获得频率阈值，根据频率阈值可以分割出用户姿态灰度图像对应高频部分的高频图像，高频图像中的高频信息对应为图像产生突变的部分，也即是说图像中高频信息时像素点的边缘信息。需要说明的是，傅里叶变换和最大类间方差法均为本领域技术人员熟知的技术手段，在此不做赘述。
为了进一步确定图像的亮度变化对图像区域的影响，对参考通道图像中的有效点进行聚类，由于参考通道图像中的有效点分布较为离散，无法得到较优的聚簇形状，在本发明实施例中选择局部密度聚类方法进行聚类，局部密度聚类方法对于聚簇形状的收敛效果较好，但是需要预设大量参数，因此本发明对局部密度进行优化，能够对有效点进行更优聚簇。需要说明的是，局部密度聚类的方法为本领域技术人员熟知的技术手段，在此不做赘述。
在对有效点进行分类聚簇时，加入高频信息的判断，通过图像的边缘信息，更好的将图像中不同区域的有效点区分开来，优化聚簇形状，具体归类聚簇过程包括：
首先根据参考通道图像中有效点之间的灰度相似性和高频信息分布情况获得每个有效点的相似范围，每个有效点的相似范围反映每个有效点的局部相似情况，也即相似程度。在参考通道图像中，任选一个有效点作为参考有效点，首先获得对参考有效点存在相似性的有效点，只有相似的有效点才能进行分类聚簇，在本发明实施例中，设置预设相似阈值为10，当参考有效点与其他有效点之间的像素值差值小于预设相似阈值时，说明两个有效点在亮度上较为相近，将对应的有效点作为参考有效点的相似有效点，参考有效点对应多个相似有效点。
根据局部密度聚簇所需的参数为局部距离，局部距离进一步决定着局部密度的情况，本发明对每个参考有效点进行自适应局部距离的获取，具体为：获取参考有效点与所有相似有效点之间的连线，将连线的长度作为相似距离，当连线上不存在高频图像的高频信息时，即连线上的像素点不具有边缘信息，说明两个有效点没有被边缘隔开，将此时满足条件的所有对应的连线中寻找最大相似距离，将最大相似距离作为参考有效点的相似半径，相似半径即为参考有效点对应的局部距离。
参考有效点的相似半径反映最远相似距离，通过高频信息的筛除进一步优化了相似距离，当有效点间存在高频信息，说明有效点间存在像素值突变的边缘情况，两个有效点对应图像区域为不同区域，通过高频信息干预防止存在不同区域的有效点被作为相似点。
以参考有效点为圆心，相似半径为半径的圆形范围作为参考有效点的相似范围。对所有有效点分析，每个有效点均对应一个相似范围，通过参考有效点的相似范围可以反映局部密度特征，根据局部密度可以反映每个有效点的局部相似程度，根据局部相似程度进行聚类即为局部密度聚类方法。
在本发明实施例中，为了得到聚簇形状收敛更好的聚类结果，根据每个有效点的相似范围反映的局部密度特征作为聚类条件，对聚簇进行类似区域生长的聚类方法。首先确定聚簇的中心点，优选地根据有效点相似范围的大小进行中心点确定，将参考通道图像中最大的相似范围对应的有效点作为中心点，中心点的相似范围大，说明中心点的相似程度扩散程度也大，从中心点向周围进行归类时，可以得到一定范围相似的有效点。而在中心点归类的聚簇中，越靠近聚簇边缘的有效点对应相似范围是越小的，因为相似性逐渐收敛可以得到一个聚簇形状较好的区域。
在中心点与相邻有效点之间，根据归类条件进行分类聚簇，在本发明实施例中，将与中心点相邻的相似有效点作为相邻有效点，其中相邻为中心点与相似有效点之间没有其他有效点的干扰，即中心点与相似有效点的连线中没有其他更靠近的有效点。判断相邻有效点与中心点为一个类别的概率为归类概率，归类概率是根据中心点与相邻有效点之间的距离大小和对应相似范围之间的密度差异获得的，具体归类密度的获取方法包括：
计算中心点与相邻有效点的欧式距离作为距离特征指标，当两个有效点的距离越近则越可能为一类有效点。计算每个有效点在相似范围内的面积与相似有效点的数量的比值，作为分布密度指标，通过每个有效点在相似范围内的相似有效点数量分布，反映每个有效点局部的相似程度，反映相似有效点的分布密度情况。需要说明的是，欧式距离的计算方法为本领域技术人员熟知的技术手段，在此不做赘述。
将中心点与相邻有效点之间的分布密度指标的差值绝对值作为密度差异指标，通过密度差异指标反映中心点与相邻有效点之间局部相似程度的差异性，当两个有效点的局部相似程度越相近，则越可能为一类有效点。最终将距离特征指标和密度差异指标的乘积进行负相关映射并归一化，获得中心点与相邻有效点之间的归类概率，通过归类概率初步判断两个有效点是否为同一类别的有效点，在本发明实施例中，归类概率的具体表达式为：
式中，T(a，b)表示为中心点a与相邻有效点b之间的归类概率，Sa表示为中心点a对应的相似范围的面积，Wa表示为中心点a对应的相似范围内相似有效点的数量，Sb表示为相邻有效点b对应的相似范围的面积，Wb表示为相邻有效点b对应的相似范围内相似有效点的数量，D(a，b)表示为中心点a与相邻有效点b之间的欧式距离，exp()表示为以自然常数为底的指数函数，在本发明实施例中用于归一化处理。
其中，表示为中心点a的分布密度指标，/>表示为相邻有效点b的分布密度指标，/>表示为中心点a与相邻有效点b之间的密度差异指标，D(a，b)表示为中心点a与相邻有效点b之间的距离特征指标，通过两个指标综合分析，当密度差异指标越小，当距离特征指标越小，说明两个有效点的相似程度越相近，对应的归类概率是越大的，因此密度差异指标和距离特征指标均与归类概率呈负相关关系。
需要说明的是，由于中心点与相邻有效点之间为相似有效点，因此两点之间的欧式距离不会经过高频信息，故可以进行归类概率计算，若在本发明其他实施例中，对中心点的相邻有效点选取并未进行高频信息判断，则在此说明若两个有效点之间的欧式距离经过了高频信息部分，则欧式距离不存在，两个有效点不能进行归类。
在本发明实施例中，设置预设归类阈值为0.85，当中心点与相邻有效点之间的归类概率大于预设归类阈值时，将相邻有效点作为初始归类有效点与中心点合并，获得初始聚簇，由于本发明的归类方法为对单个有效点分析并归类的，因此对于新加入合并的有效点需要分析归类后对聚簇的波动影响情况，进一步判断有效点是否可以作为归类有效点。
优选地，计算初始聚簇内所有有效点像素值的均方差作为初始聚簇的聚簇效果指标，通过聚簇效果指标反映初始聚簇的聚簇效果，当聚簇效果指标越小，说明聚簇内有效点的像素值波动较小，有效点较为一致，则聚簇效果越好。因此当聚簇效果指标小于预设波动阈值时，将初始归类有效点作为中心点对应类别的归类有效点。在本发明实施例中，预设波动阈值为10，具体数值实施者可根据具体情况进行调整，当初始聚簇的聚簇效果指标大于等于预设波动阈值时，说明聚簇效果不佳，需要将对应的初始归类有效点进行筛除。
在完成对中心点及相邻有效点进行归类聚簇后，根据归类有效点迭代归类获得分布聚簇，即将每个归类有效点作为次级中心点，在次级中心点周围的非归类有效点中，继续计算归类概率，并根据归类概率确定新的归类有效点，通过新的归类有效点继续迭代向外进行归类有效点的获取，并将同一类别的所有归类有效点作为一个分布聚簇。
对参考通道图像中所有有效点进行上述类似区域生长的局部密度聚类方法，可以获得多个分布聚簇，归类聚簇代表着对参考通道图像中的区域进行分割，每个分布聚簇对应一个区域，后续可对不同的区域进行图像拉伸增强。
S3：获取每个分布聚簇的相邻分布聚簇，根据参考通道图像中每个分布聚簇与相邻分布聚簇之间的像素级分布差异获得自适应拉伸系数；根据每个分布聚簇的像素级在参考通道图像中的分布情况获得最大拉伸系数；根据每个分布聚簇的自适应拉伸系数和最大拉伸系数优化对应分布聚簇中有效点的像素值，获得优化有效点；根据参考通道图像的优化有效点获得优化通道图像。
对于参考通道图像中的分布聚簇，可视为单独的区域图像，通过对每个区域进行平滑，并增大相邻区域间的像素差异，进行像素值拉伸后可以对参考通道图像中的所有区域实现更好的增强效果，使得重组后的图像具有较好的对比度，且突出不同区域的细节信息，避免失真和伪影。
首先获取每个分布聚簇对应的相邻分布聚簇，以便更好的分析差异情况，在本发明实施例中，对每个分布聚簇内部的有效点先进行均值滤波平滑，使聚簇中的有效点统一性更强，再确定相邻分布聚簇，通过每个分布聚簇与周围分布聚簇对应中心点连接，对两个分布聚簇在连线上的聚簇边缘点进行欧式距离计算，获得聚簇距离，当聚簇距离小于5时，将两个分布聚簇作为相邻分布聚簇。在本发明其他实施例中，可以直接根据分布聚簇中心点间的距离确定相邻分布聚簇，在此不做限制。需要说明的是，均值滤波为本领域技术人员熟知的技术手段，在此不做赘述。
在参考通道图像中可以根据所有有效点的分布直方图进行灰度拉伸，即根据有效点的像素级分布情况进行拉伸，同时考虑相邻分布聚簇间的影响，通过参考通道图像中每个分布聚簇与相邻分布聚簇之间的像素级分布差异获得自适应拉伸系数，自适应拉伸系数为根据分布聚簇与相邻分布聚簇的差异情况，对拉伸程度进行调整，当分布聚簇与周围相邻分布聚簇的本身差异较大，那么调整拉伸程度就较小，若分布聚簇与周围相邻分布聚簇的差异不够大，那么在进行拉伸时需要增大拉伸程度，自适应拉伸系数的具体获取方法包括：
获得每个分布聚簇与相邻分布聚簇中分布数量最多的像素级作为目标像素级，分布数量最多的像素级可以反映分布聚簇的平均灰度情况，即亮暗程度，通过目标像素级的差异情况反映两个分布聚簇的亮暗差异情况。计算每个分布聚簇与对应每个相邻分布聚簇之间目标像素级的差值绝对值作为分布差异，分布差异反映每个分布聚簇与单个相邻分布聚簇间的亮暗差异情况，对每个分布聚簇的所有分布差异求平均值，并进行负相关映射和归一化处理获得每个分布聚簇的自适应拉伸系数，对每个分布聚簇周围整体分布聚簇的差异进行分析，当差异越小，所需调整拉伸程度越大，在本发明实施例中，自适应拉伸系数的具体表达式为：
式中，Rg表示为分布聚簇g对应的自适应拉伸系数，Qg表示为分布聚簇g对应的相邻分布聚簇的总数量，lgz表示为分布聚簇g的第z个相邻分布聚簇的目标像素级，lg表示为分布聚簇g的目标像素级，e表示为自然常数。
其中，|lz-lg|表示为分布聚簇g与相邻分布聚簇z的分布差异，通过负数形式和以自然常数为底的指数函数进行负相关映射并归一化处理，得到自适应拉伸系数，当分布聚簇与周围相邻分布聚簇的整体灰度差异性越大，说明分布聚簇较为明显，拉伸效果减弱，自适应拉伸系数越小，当分布聚簇与周围相邻分布聚簇的整体灰度差异越小，说明分布聚簇不明显，需要增强拉伸效果，则自适应拉伸系数越大。
在确定每个分布聚簇对应区域的所需的拉伸调节程度后，获得每个分布聚簇对应的最大拉伸程度，由于本发明主要针对智能沙发在光线不足的室内情况进行图像增强，因此每个区域均为向灰度级更大的地方拉伸，即有效点分布直方图的右侧平移，通过每个分布聚簇目标像素级在参考通道图像中的分布情况，可以获得每个分布聚簇的最大拉伸系数。
由于每个分布聚簇需要先灰度级更大的地方拉伸，因此将参考通道图像中最大像素值与每个分布聚簇的目标像素级的差值作为最大拉伸空间，最大拉伸空间表征目标像素级的最大可拉伸数值，即目标像素级在分布直方图中的平移空间。计算参考通道图像中像素值的极差，将最大拉伸空间与像素值极差的比值作为每个分布聚簇的最大拉伸系数，通过极差归一化处理，获得每个分布聚簇对应的最大拉伸系数，在本发明实施例中，最大拉伸系数的表达式为：
式中，Ng表示为分布聚簇g的最大拉伸系数，lg表示为分布聚簇g的目标像素级，Imax表示为参考通道图像中的最大像素值，Imin表示为参考通道图像中的最小像素值。
其中，Imax-lg表示为分布聚簇g的最大拉伸空间，Imax-Imin表示为参考通道图像中像素值的极差。目标像素级与最大拉伸系数呈负相关关系，当目标像素级越大，说明目标像素级对应分布聚簇整体越亮，可以拉伸的程度越小，所以最大拉伸系数越小，当目标像素级越小，说明目标像素级对应分布聚簇整体越暗，可以拉伸的程度越大，故最大拉伸系数越大。
最终根据每个分布聚簇的自适应拉伸系数和最大拉伸系数优化对应分布聚簇中有效点的像素值，获得优化有效点，通过自适应拉伸系数和最大拉伸系数可以获得分布聚簇中有效点的拉伸程度，通过对每个有效点像素值拉伸可以获得优化有效点，具体为：
将每个分布聚簇的自适应拉伸系数与最大拉伸系数相乘获得调整系数，调整系数为每个有效点需要调整的程度，将数值一与调整系数的和值作为每个分布聚簇的拉伸系数，由于每个有效点需要在自身像素值本身向更高的方向调整拉伸因此对调整系数进行加一处理。将分布聚簇中有效点的像素值与拉伸系数相乘获得优化后的像素值，优化后的像素值即为拉伸增强后的像素值，并将优化后的像素值赋予对应的有效点获得有效点的新像素值，将具有新像素值的有效点作为优化有效点，优化有效点均是对像素值完成优化的有效点。
在本发明实施例中，有效点对应新像素值的具体获取表达式为：
其中，表示为在通道图像P的分布聚簇g中有效点的新像素值u′，Ng表示为分布聚簇g的最大拉伸系数，Rg表示为分布聚簇g对应的自适应拉伸系数，/>表示为在通道图像P的分布聚簇g中有效点的像素值u。
其中，Rg×Ng表示为分布聚簇g的调整系数，(1+Rg×Ng)表示为分布聚簇g的拉伸系数，将分布聚簇中每个有效点的像素值均进行优化后，可以获得优化有效点，优化有效点的像素值即为新像素值。当最大拉伸系数和自适应拉伸系数越大，拉伸系数就越大，对有效点的拉伸效果越明显。
对参考通道图像的所有分布聚簇均计算拉伸系数，并对每个有效点进行了区域拉伸增强，获得优化有效点，完成对参考通道图像的优化，将所有优化有效点可以构成新的通道图像作为优化通道图像。
至此，可以通过参考通道图像的优化增强过程，将所有通道图像均进行自适应拉伸优化，获得三个优化通道图像。
S4：将所有优化通道图像重组获得优化用户姿态图像，通过优化用户姿态图像进行姿态识别对智能沙发进行调整。
最终可以将获得的所有优化通道图像进行重组，得到增强后的RGB图像，即优化用户姿态图像，优化用户姿态图像不会因为无差别增强，使得图像区域之间细节信息丢失严重，产生伪影，通过对不同通道进行高频分量引导，改进局部密度聚类算法，并对分布聚簇进行自适应增强，使得优化用户姿态图像对比度更强，凸显了原本较弱的细节信息。
通过优化用户姿态图像，提高用户姿态信息的丰富性和完整性，由于当前人体姿态识别算法已经足够成熟，所以对图像改善其识别环境，保证监测影像的稳定性，这样在后续进行姿态识别时，对任意姿态识别算法均可以提高姿态识别效果，得到更丰富的特征点和更准确的检测结果，提高智能沙发的灵敏度，获得更优的调整方案。
综上，本发明通过对用户姿态图像进行通道分解，获得三个通道图像，根据每个通道图像与用户姿态灰度图像的局部灰度差异情况确定每个通道图像的有效点，通过对每个通道图像中具有突出表达信息的有效点进行优化，可以减小整体优化对重组图像像素点结构的影响。通过用户姿态灰度图像的高频信息和单个通道图像中有效点的相似性，获得每个有效点的相似范围，进而根据两个有效点相似范围的密度差异进行归类概率计算，并根据相似范围确定的中心点及归类概率迭代归类获得分布聚簇，通过高频信息干预归类聚簇过程，使有效点的分类聚簇结果更优，聚簇表征效果更准确。进一步对每个分布聚簇的相邻分布聚簇判断灰度差异情况，通过灰度差异获得自适应拉伸系数对最大拉伸程度进行调整，使得每个分布聚簇的有效点均可以得到最优的拉伸效果，突出单个通道图像中的细节信息，避免图像的失真和伪影问题。最终将每个拉伸优化后的优化通道图像重组获得优化用户姿态图像，通过优化用户姿态图像可以实现更完整和更精准的用户姿态识别，使智能沙发的调整效果更精确，用户体验更佳。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种基于用户姿态的智能沙发控制方法，其特征在于，所述方法包括：
获取用户姿态图像和用户姿态灰度图像，对所述用户姿态图像进行通道分解获得三个通道图像；根据每个通道图像与所述用户姿态灰度图像中相同位置像素点的局部灰度差异情况确定每个通道图像的有效点；任选一个通道图像作为参考通道图像；
获取所述用户姿态灰度图像中的高频信息，根据参考通道图像中有效点之间的灰度相似性和高频信息分布情况获得每个有效点的相似范围；根据有效点的所述相似范围的大小确定中心点；根据中心点与相邻有效点之间的距离大小和对应相似范围之间的密度差异获得中心点与相邻有效点之间的归类概率；根据中心点与所有相邻有效点的归类概率获得中心点对应的初始聚簇，根据所述初始聚簇内像素值的波动情况确定归类有效点；根据归类有效点迭代归类获得分布聚簇；
获取每个所述分布聚簇的相邻分布聚簇，根据参考通道图像中每个分布聚簇与相邻分布聚簇之间的像素级分布差异获得自适应拉伸系数；根据每个分布聚簇的像素级在参考通道图像中的分布情况获得最大拉伸系数；根据每个分布聚簇的所述自适应拉伸系数和所述最大拉伸系数优化对应分布聚簇中有效点的像素值，获得优化有效点；根据参考通道图像的优化有效点获得优化通道图像；
将所有优化通道图像重组获得优化用户姿态图像，通过优化用户姿态图像进行姿态识别对智能沙发进行调整；
所述每个通道图像的有效点的获取方法包括：
任选一个位置的像素点作为目标像素点，计算目标像素点对应预设高斯核窗口内每个像素点的高斯权重与像素值的乘积，获得每个像素点的调整像素值；计算目标像素点对应预设高斯核窗口内所有像素点的像素值的累加值作为像素总值；将目标像素点对应预设高斯核窗口内所有像素点的调整像素值的和值与像素总值的比值进行增大取值范围，获得目标像素点的局部灰度特征值；
根据目标像素点的局部灰度特征值的获取方法，获得目标像素点在每个通道图像和用户姿态灰度图像中的局部灰度特征值；计算用户姿态灰度图像和每个通道图像对应局部灰度特征值之间的差值绝对值，获得目标像素点在每个通道图像中的有效指标；
将目标像素点对应所有所述有效指标的最小值作为最小有效指标，将目标像素点作为最小有效指标对应通道图像的有效点；
所述相似范围的获取方法包括：
将用户姿态灰度图像通过傅里叶变换转换为频谱图像，采用最大类间方差法获得频率阈值，根据频率阈值分割出用户姿态灰度图像的高频图像；
在参考通道图像中，任选一个有效点作为参考有效点，当参考有效点与其他有效点之间的像素值差值小于预设相似阈值时，将对应的有效点作为参考有效点的相似有效点，获取参考有效点与所有相似有效点之间的连线，将连线的长度作为相似距离；
当连线上不存在所述高频图像的高频信息时，将所有对应的连线中最大相似距离作为参考有效点的相似半径，以参考有效点为圆心，相似半径为半径的圆形范围作为参考有效点的相似范围；
所述根据有效点的所述相似范围的大小确定中心点包括：
将参考通道图像中最大相似范围对应的有效点作为中心点；
所述归类概率的获取方法包括：
将与中心点相邻的相似有效点作为相邻有效点；计算中心点与相邻有效点的欧式距离作为距离特征指标；
将每个有效点在对应相似范围内的面积与相似有效点数量的比值作为分布密度指标，将中心点与相邻有效点之间的所述分布密度指标的差值绝对值作为密度差异指标；将距离特征指标和密度差异指标的乘积进行负相关映射并归一化，获得中心点与相邻有效点之间的归类概率。
2.根据权利要求1所述的一种基于用户姿态的智能沙发控制方法，其特征在于，所述归类有效点的确定方法包括：
当中心点与相邻有效点之间的归类概率大于预设归类阈值时，将对应的相邻有效点作为初始归类有效点与中心点进行合并，得到初始聚簇；计算初始聚簇内所有所述有效点像素值的均方差作为初始聚簇的聚簇效果指标，当聚簇效果指标小于预设波动阈值时，将初始归类有效点作为中心点对应类别的归类有效点。
3.根据权利要求1所述的一种基于用户姿态的智能沙发控制方法，其特征在于，所述自适应拉伸系数的获取方法包括：
获得每个分布聚簇与相邻分布聚簇中分布数量最多的像素级作为目标像素级；计算每个分布聚簇与对应的每个相邻分布聚簇之间目标像素级的差值绝对值作为分布差异；对每个分布聚簇对应的所有所述分布差异求平均值，并进行负相关映射和归一化处理获得每个分布聚簇的自适应拉伸系数。
4.根据权利要求3所述的一种基于用户姿态的智能沙发控制方法，其特征在于，所述最大拉伸系数的获取方法包括：
将参考通道图像中的最大像素值与每个分布聚簇的目标像素级的差值作为每个分布聚簇的最大拉伸空间；计算参考通道图像中像素值的极差，将最大拉伸空间与像素值极差的比值作为每个分布聚簇的最大拉伸系数。
5.根据权利要求1所述的一种基于用户姿态的智能沙发控制方法，其特征在于，所述优化有效点的获取方法包括：
将每个分布聚簇的自适应拉伸系数与最大拉伸系数相乘获得调整系数；将数字1与调整系数的和值作为每个分布聚簇的拉伸系数，将分布聚簇中有效点的像素值与对应拉伸系数相乘获得优化后的像素值，并将优化后的像素值赋予对应的有效点获得有效点的新像素值，将具有新像素值的有效点作为优化有效点。
6.根据权利要求1所述的一种基于用户姿态的智能沙发控制方法，其特征在于，所述根据归类有效点迭代归类获得分布聚簇包括：
将每个归类有效点作为次级中心点，与相邻的非归类有效点计算归类概率确定新的归类有效点，并迭代进行归类有效点的获取；将同一类别的所有归类有效点作为一个分布聚簇。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310656024.1A CN116740809B (zh) | 2023-06-05 | 2023-06-05 | 一种基于用户姿态的智能沙发控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310656024.1A CN116740809B (zh) | 2023-06-05 | 2023-06-05 | 一种基于用户姿态的智能沙发控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116740809A CN116740809A (zh) | 2023-09-12 |
| CN116740809B true CN116740809B (zh) | 2024-03-29 |
Family
ID=87903741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310656024.1A Active CN116740809B (zh) | 2023-06-05 | 2023-06-05 | 一种基于用户姿态的智能沙发控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740809B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572917B (zh) * | 2024-01-17 | 2024-04-09 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN107369158A (zh) * | 2017-06-13 | 2017-11-21 | 南京邮电大学 | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 |
| CN108427310A (zh) * | 2018-05-17 | 2018-08-21 | 深圳市零度智控科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
| CN108550138A (zh) * | 2018-03-14 | 2018-09-18 | 浙江大学山东工业技术研究院 | 基于频率域滤波增强的耐火砖表面划痕识别方法 |
| CN111216089A (zh) * | 2020-01-16 | 2020-06-02 | 嘉兴米兰映像家具有限公司 | 一种沙发真皮加工辅助模板放置架 |
| CN112785518A (zh) * | 2021-01-11 | 2021-05-11 | 飞燕航空遥感技术有限公司 | 影像中圆形暗斑纠正方法和纠正系统 |
| CN113378691A (zh) * | 2021-06-08 | 2021-09-10 | 湖北简图网络科技有限公司 | 基于实时用户行为分析的智能家居管理系统及方法 |
| US11544865B1 (en) * | 2019-02-15 | 2023-01-03 | Apple Inc. | Posture detection and correction |
| CN115661669A (zh) * | 2022-12-13 | 2023-01-31 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
| CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942755B (zh) * | 2013-01-23 | 2017-11-17 | 深圳市腾讯计算机系统有限公司 | 图像亮度调节方法和装置 |
-
2023
- 2023-06-05 CN CN202310656024.1A patent/CN116740809B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN107369158A (zh) * | 2017-06-13 | 2017-11-21 | 南京邮电大学 | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 |
| CN108550138A (zh) * | 2018-03-14 | 2018-09-18 | 浙江大学山东工业技术研究院 | 基于频率域滤波增强的耐火砖表面划痕识别方法 |
| CN108427310A (zh) * | 2018-05-17 | 2018-08-21 | 深圳市零度智控科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
| US11544865B1 (en) * | 2019-02-15 | 2023-01-03 | Apple Inc. | Posture detection and correction |
| CN111216089A (zh) * | 2020-01-16 | 2020-06-02 | 嘉兴米兰映像家具有限公司 | 一种沙发真皮加工辅助模板放置架 |
| CN112785518A (zh) * | 2021-01-11 | 2021-05-11 | 飞燕航空遥感技术有限公司 | 影像中圆形暗斑纠正方法和纠正系统 |
| CN113378691A (zh) * | 2021-06-08 | 2021-09-10 | 湖北简图网络科技有限公司 | 基于实时用户行为分析的智能家居管理系统及方法 |
| CN115661669A (zh) * | 2022-12-13 | 2023-01-31 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
| CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Beyond remote control: Exploring natural gesture inputs for smart TV systems;H Wu.et al;《 Journal of Ambient Intelligence and Smart Environments》;20191230;全文 * |
| 一种用于轴承缺陷图像的改进FCM聚类检测算法;周新建等;《铸造技术》;20061228(第12期);全文 * |
| 应用于彩色图像分割的半监督多目标进化聚类算法;杨颖青等;《计算机应用研究》;20171010(第10期);全文 * |
| 面向家居场景的姿态估计系统设计与实现;李慧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20230115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116740809A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Celik | Two-dimensional histogram equalization and contrast enhancement | |
| CN105844285B (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
| CN116740809B (zh) | 一种基于用户姿态的智能沙发控制方法 | |
| CN113313641B (zh) | 一种自适应中值滤波的ct图像去噪方法 | |
| CN111242878B (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
| CN106384339A (zh) | 一种红外夜视图像的增强方法 | |
| CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
| CN110276764A (zh) | 基于K值估计的K-Means水下图像背景分割改进算法 | |
| CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
| CN113592729A (zh) | 基于nsct域的电力设备红外图像增强方法 | |
| CN111369458B (zh) | 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法 | |
| CN115457249A (zh) | 红外图像与可见光图像融合匹配的方法及系统 | |
| CN117557569A (zh) | 一种道路路面施工质量检测方法及系统 | |
| CN115696690A (zh) | 一种分布式智慧建筑照明自适应节能控制方法 | |
| Yusuf et al. | Human face detection using skin color segmentation and watershed algorithm | |
| CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
| CN112102175B (zh) | 图像对比度的增强方法、装置、存储介质及电子设备 | |
| Jassim | Hybrid image segmentation using discerner cluster in FCM and histogram thresholding | |
| Mosny et al. | Cubical gamut mapping colour constancy | |
| Chen et al. | A Fuzzy-based method for remote sensing image contrast enhancement | |
| CN113705672A (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
| Anila et al. | An efficient preprocessing technique for face recognition under difficult lighting conditions | |
| CN113177904A (zh) | 一种图像融合方法及系统 | |
| Zhang et al. | Shot boundary detection based on HSV color model | |
| CN116824586B (zh) | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 |
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 |