CN117177418A - 一种建筑室内智慧照明控制方法、装置、设备及存储介质 - Google Patents
一种建筑室内智慧照明控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117177418A CN117177418A CN202311423512.4A CN202311423512A CN117177418A CN 117177418 A CN117177418 A CN 117177418A CN 202311423512 A CN202311423512 A CN 202311423512A CN 117177418 A CN117177418 A CN 117177418A
- Authority
- CN
- China
- Prior art keywords
- illumination
- indoor
- current
- area
- building
- 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
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 241000282461 Canis lupus Species 0.000 claims description 96
- 239000013598 vector Substances 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 22
- 241000282421 Canidae Species 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000009434 installation Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 60
- 238000013461 design Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请公开了一种建筑室内智慧照明控制方法、装置、设备及存储介质，涉及智慧照明技术领域。所述方法是根据由建筑室内监控摄像头实时采集的现场视频数据，先通过室内人员跟踪确定当前照明目标区域，以及通过二值化处理确定当前已照明区域，然后基于这两项结果确定当前照明区域满意度，最后根据当前照明区域满意度和当前照明所需总功率，对当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案并发送至多个建筑室内照明灯予以执行，如此仅需配置摄像头，可大大降低安装困难和硬件成本，同时还可在照明需求与照明能耗之间维持平衡，有效提高照明能效。
Description
技术领域
本发明属于智慧照明技术领域，具体涉及一种建筑室内智慧照明控制方法、装置、设备及存储介质。
背景技术
智慧照明是指结合物联网(Internet ofThings，IoT)技术，实现照明的自动控制和节能减排的技术理念，由于其能提高用户体验和生活舒适度，已成为目前较为热门的产业。
目前，建筑室内照明普遍包括有多个照明灯，其中，所述多个照明灯设置在同一房间的不同位置，以便对整个室内区域进行照明。但是当建筑室内无人或仅有一到两个人时，若所有照明灯全部点亮，将会造成不必要的浪费；而若想结合物联网技术自动实现人来开灯、人走灯灭以及按需分配照明亮度的功能，则需要在室内各个位置安装昂贵的红外传感器，以便检测在对应位置下是否存在人，如此又会存在安装困难和硬件成本极高的问题。此外，现有室内照明控制技术也无法在照明需求与照明能耗之间取得平衡，导致能效难以得到提高的问题。
发明内容
本发明的目的是提供一种建筑室内智慧照明控制方法、装置、计算机设备及计算机可读存储介质，用以解决现有室内照明控制技术为实现按需分配照明亮度而存在安装困难和硬件成本极高的问题，以及也无法在照明需求与照明能耗之间取得平衡，进而导致能效难以得到提高的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种建筑室内智慧照明控制方法，包括：
获取由建筑室内监控摄像头实时采集的现场视频数据；
根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果；
根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域；
从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像；
根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域；
根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域；
根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度；
根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值；
根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案；
将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
基于上述发明内容，提供了一种基于建筑室内现场视频数据更新室内照明策略的照明控制新方案，即根据由建筑室内监控摄像头实时采集的现场视频数据，先通过室内人员跟踪确定当前照明目标区域，以及通过二值化处理确定当前已照明区域，然后基于这两项结果确定当前照明区域满意度，最后根据当前照明区域满意度和当前照明所需总功率，对当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案并发送至多个建筑室内照明灯予以执行，如此仅需配置摄像头，可大大降低安装困难和硬件成本，同时还可在照明需求与照明能耗之间维持平衡，有效提高照明能效，便于实际应用和推广。
在一个可能的设计中，所述多目标跟踪算法采用deepsort目标跟踪算法，其中，所述deepsort目标跟踪算法包括有：针对未匹配的跟踪目标，根据对应的当前预测位置判断是否离开所述建筑室内，若是，则在下一次位置预测时舍弃该跟踪目标，否则在下一次位置预测时依然使用卡尔曼滤波法预测对应的位置。
在一个可能的设计中，根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，包括：
针对某个室内人员，根据所述室内人员跟踪结果确定对应的且在预设最近时长范围内的至少一个轨迹点；
根据所述建筑室内的各个坐标点与在现场视频图像内的各个像素点的已知对应关系，确定与所述至少一个轨迹点一一对应的至少一个室内坐标点；
针对在所述至少一个室内坐标点中的各个室内坐标点，根据预设半径确定对应的且以对应坐标点为圆心的圆形区域；
将位于室内区域的且所有所述圆形区域的并集作为所述某个室内人员的近期活动区域。
在一个可能的设计中，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案，包括：
获取在多个历史照明时段的历史室内照明方案、历史照明目标区域和历史已照明区域，其中，所述历史室内照明方案包含有所述多个建筑室内照明灯在对应历史照明时段的历史亮度值；
针对在所述多个历史照明时段中的各个历史照明时段，根据对应的历史照明目标区域和历史已照明区域，计算得到对应的历史照明区域满意度；
将所述各个历史照明时段的历史室内照明方案及历史照明目标区域作为输入项，以及将与所述各个历史照明时段对应的历史照明区域满意度作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到照明区域满意度预测模型；
根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值；
根据所述当前照明区域满意度、所述当前照明所需总功率、所述最优室内照明方案和所述照明区域满意度预测值，按照如下公式计算得到满意度上升比例和总功率下降比例：
式中，表示所述当前照明区域满意度，表示所述照明区域满意度预测值，表示所述当前照明所需总功率，表示根据所述最优室内照明方案确定的照明所需总功率；
判断条件是否成立，其中，和分别表示预设的权重系数且有；
若成立，则将所述最优室内照明方案作为对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理结果，得到新室内照明方案。
在一个可能的设计中，所述机器学习算法采用支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络。
在一个可能的设计中，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值，包括有如下步骤S941～S949：
S941.初始化种群：灰狼数目设置为，迭代次数设置为次，以及初始化所述多个建筑室内照明灯的亮度值搜索范围，然后执行步骤S942，其中，表示大于等于5的正整数，表示大于等于100的正整数；
S942.初始化灰狼：在个灰狼中随机选择三个灰狼作为初始的狼、狼和狼，并在所述亮度值搜索范围内初始化设置在所述个灰狼中的各个灰狼的个体位置向量，然后执行步骤S943，其中，所述个体位置向量包含有所述多个建筑室内照明灯的亮度搜索值；
S943.针对所述各个灰狼，将对应的当前个体位置向量作为一个室内照明方案与所述当前照明目标区域一起输入所述照明区域满意度预测模型，得到对应的照明区域满意度预测值，然后执行步骤S944；
S944.针对所述各个灰狼,根据所述当前照明目标区域、所述当前照明区域满意度、所述当前照明所需总功率和对应的照明区域满意度预测值，计算得到对应的个体适应度值，然后执行步骤S945，其中，所述个体适应度值按照如下公式计算得到：
式中，表示所述当前照明区域满意度，表示与灰狼对应的照明区域满意度预测值，表示所述当前照明所需总功率，表示根据与灰狼对应的当前个体位置向量确定的照明所需总功率，和分别表示预设的权重系数且有；
S945.判断当前迭代次数是否达到次，若是，则执行步骤S949，否则将具有最大个体适应度值的灰狼作为新的狼，以及将具有次大个体适应度值的灰狼作为新的狼，以及还将具有再次大个体适应度值的灰狼作为新的狼，然后执行步骤S946；
S946.分别计算收敛因子、协同向量和协同向量，然后执行步骤S947，其中，所述收敛因子、所述协同向量和所述协同向量的计算公式分别如下：
式中，表示当前迭代次数，表示双曲正切函数，和分别表示[0,1]的随机向量；
S947.针对各个狼，根据所述新的狼、狼和狼的当前个体位置向量，计算得到对应的且在第次迭代中的个体位置向量，然后执行步骤S948，其中，所述个体位置向量按照如下公式计算得到：
式中，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示在第次迭代中的个体位置向量，、和分别表示随机计算所得的所述协同向量，、和分别表示随机计算所得的所述协同向量；
S948.使迭代次数自加1，然后返回执行步骤S943；
S949.将当前具有最大个体适应度值的灰狼的当前个体位置向量作为最优室内照明方案，并将与该灰狼对应的当前照明区域满意度预测值作为所述最优室内照明方案的照明区域满意度预测值。
在一个可能的设计中，所述建筑室内监控摄像头采用双目相机。
第二方面，提供了一种建筑室内智慧照明控制装置，包括有视频数据获取模块、室内人员跟踪模块、目标区域确定模块、图像转换处理模块、二值化处理模块、已照明区域确定模块、满意度计算模块、总功率确定模块、方案优化处理模块和照明方案发送模块；
所述视频数据获取模块，用于获取由建筑室内监控摄像头实时采集的现场视频数据；
所述室内人员跟踪模块，通信连接所述视频数据获取模块，用于根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果；
所述目标区域确定模块，通信连接所述室内人员跟踪模块，用于根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域；
所述图像转换处理模块，通信连接所述视频数据获取模块，用于从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像；
所述二值化处理模块，通信连接所述图像转换处理模块，用于根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域；
所述已照明区域确定模块，通信连接所述二值化处理模块，用于根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域；
所述满意度计算模块，分别通信连接所述目标区域确定模块和所述已照明区域确定模块，用于根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度；
所述总功率确定模块，用于根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值；
所述方案优化处理模块，分别通信连接所述满意度计算模块和所述总功率确定模块，用于根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案；
所述照明方案发送模块，通信连接所述方案优化处理模块，用于将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的建筑室内智慧照明控制方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的建筑室内智慧照明控制方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的建筑室内智慧照明控制方法。
上述方案的有益效果：
（1）本发明创造性提供了一种基于建筑室内现场视频数据更新室内照明策略的照明控制新方案，即根据由建筑室内监控摄像头实时采集的现场视频数据，先通过室内人员跟踪确定当前照明目标区域，以及通过二值化处理确定当前已照明区域，然后基于这两项结果确定当前照明区域满意度，最后根据当前照明区域满意度和当前照明所需总功率，对当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案并发送至多个建筑室内照明灯予以执行，如此仅需配置摄像头，可大大降低安装困难和硬件成本，同时还可在照明需求与照明能耗之间维持平衡，有效提高照明能效，便于实际应用和推广。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的建筑室内智慧照明控制方法的流程示意图。
图2为本申请实施例提供的建筑室内智慧照明控制装置的结构示意图。
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述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他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例：
如图1所示，本实施例第一方面提供的所述建筑室内智慧照明控制方法，可以但不限于由具有一定计算资源的且分别通信连接建筑室内监控摄像头和多个建筑室内照明灯的计算机设备执行，例如由工控机、平台服务器、个人计算机（Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机）、智能手机、个人数字助理（PersonalDigital Assistant，PDA）或可穿戴设备等电子设备执行。如图1所示，所述建筑室内智慧照明控制方法，可以但不限于包括有如下步骤S1～S10。
S1.获取由建筑室内监控摄像头实时采集的现场视频数据。
在所述步骤S1中，所述建筑室内监控摄像头主要用于建筑室内部（例如教室内部、食堂内部或大型会议厅内部等）的远程监控以及数据留存。所述建筑室内监控摄像头的镜头视野会涵盖建筑室内区域，用于实时采集所述建筑室内区域的视频帧图像，得到包含有若干连续视频帧图像的现场视频数据。为了方便后续实现建筑室内的各个坐标点与各个像素点的准确对应关系，所述建筑室内监控摄像头优选采用双目相机，以便使所述各个像素点具有在相机坐标系下的三维坐标。此外，所述建筑室内监控摄像头可以通过常规方式将采集得到的数据传输至本地设备。
S2.根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果。
在所述步骤S2中，所述多目标跟踪算法用于检测位于视频帧图像中的室内人员图像，并对检测出的室内人员进行视频跟踪（在跟踪过程中，可以为检测出的各个室内人员赋予唯一人员编号，例如赋予1、2、3或4等数字编号）。所述多目标跟踪算法优选采用deepsort目标跟踪算法，其中，所述deepsort目标跟踪算法的具体过程如下：先用目标检测器检测到目标边界框bbox，并根据所述目标边界框bbox生成检测目标信息detections（其用于保存当前帧图像中检测到的所有目标），然后使用卡尔曼滤波法预测前一帧图像中的跟踪目标信息tracks（其用于保存前一帧图像做了跟踪的所有目标）在当前帧图像的位置，再然后对基于外观特征的马氏距离计算跟踪目标和检测目标的代价矩阵，再然后相继对跟踪目标和检测目标进行级联匹配和IOU（Intersection over Union）匹配，最后得到当前帧图像的所有匹配对、未匹配的跟踪目标以及未匹配的检测目标，并针对每个匹配成功的跟踪目标，用其对应的检测目标进行位置更新，以及处理未匹配的跟踪目标和检测目标。此外，在所述deepsort目标跟踪算法中，所述目标检测器、所述卡尔曼滤波法、所述外观特征、所述马氏距离、余弦距离、所述代价矩阵、所述级联匹配、所述IOU匹配均为现有术语或技术特征，本领域技术人员可以常规得到所述deepsort目标跟踪算法的具体过程细节。
本实施例考虑在未匹配的跟踪目标中可能就包含了被遮挡的目标，只是在当前帧图像中没有被检测到，因此在所述deepsort目标跟踪算法中，优选包括有：针对未匹配的跟踪目标，根据对应的当前预测位置判断是否离开所述建筑室内（即根据当前预测位置与帧图像边界的位置关系，判断是否仍出现在帧图像中，若在，则判定未离开所述建筑室内，否则判定离开所述建筑室内），若是，则在下一次位置预测时舍弃该跟踪目标，否则在下一次位置预测时依然使用卡尔曼滤波法预测对应的位置。如此在发现跟踪目标被遮挡时（即在跟踪目标未匹配有检测目标且当前预测位置仍出现在当前帧图像中），可将该跟踪目标标记为被遮挡masked，然后依旧使用卡尔曼滤波法预测在下一帧图像中的位置，直到匹配有检测目标或发现该跟踪目标超出图像的范围为止，进而相对于一般的丢弃处理方法，可以避免因遮挡而提前终止视频跟踪，确保跟踪的长期持续性。
S3.根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域。
在所述步骤S3中，所述近期活动区域用于作为对应室内人员的个人照明需求区域，进而可以组合得到所述当前照明目标区域。为了精确得到所述个人照明需求区域，优选的，根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，包括但不限于有如下步骤S31～S34。
S31.针对某个室内人员，根据所述室内人员跟踪结果确定对应的且在预设最近时长范围内的至少一个轨迹点。
在所述步骤S31中，所述预设最近时长范围可以但不限于举例为最近10分钟。
S32.根据所述建筑室内的各个坐标点与在现场视频图像内的各个像素点的已知对应关系，确定与所述至少一个轨迹点一一对应的至少一个室内坐标点。
在所述步骤S32中，由于所述建筑室内监控摄像头的所在位置是可提前知道的，因此所述各个坐标点在所述建筑室内监控摄像头的相机坐标系下的对应像素点也是可以提前知道的，进而可以根据所述已知对应关系，常规确定所述至少一个室内坐标点。
S33.针对在所述至少一个室内坐标点中的各个室内坐标点，根据预设半径确定对应的且以对应坐标点为圆心的圆形区域。
在所述步骤S33中，所述预设半径可以但不限于举例为3米。
S34.将位于室内区域的且所有所述圆形区域的并集作为所述某个室内人员的近期活动区域。
S4.从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像。
在所述步骤S4中，HSV(Hue,Saturation,Value)表示色相、饱和度和亮度，其中，V表示色彩的明亮程度:范围从0到255,如此可便于后续在亮度上进行二值化处理。此外，具体图像转换方式为现有常规方式。
S5.根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域。
在所述步骤S5中，所述目标亮度阈值可具体根据照明所需的最低亮度来提前确定，例如为150。
S6.根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域。
在所述步骤S6中，由于在所述二值化图像内的各个像素点在所述建筑室内监控摄像头的相机坐标系下也具有坐标，因此也可以根据所述已知对应关系，常规确定与所述至少一个高亮图像区域对应的所述建筑室内坐标区域。
S7.根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度。
在所述步骤S7中，所述比值可以但不限于具体为在面积维度或体积维度上的比值。
S8.根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值。
在所述步骤S8中，由于所述建筑室内照明灯的亮度是与所需功率正相关的，因此可以根据所述建筑室内照明灯的当前亮度值常规确定对应的当前照明所需功率，进而可以汇总得到所述当前照明所需总功率。
S9.根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案。
在所述步骤S8中，由于本实施例的发明目的是要在照明需求与照明能耗之间取得平衡，以便提高照明能效，因此所述优化目标必须是使照明区域满意度更高以及使照明所需总功率更低。具体的，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案，包括但不限于有如下步骤S91～S97。
S91.获取在多个历史照明时段的历史室内照明方案、历史照明目标区域和历史已照明区域，其中，所述历史室内照明方案包含有所述多个建筑室内照明灯在对应历史照明时段的历史亮度值。
在所述步骤S91中，所述历史照明目标区域的具体获取方式可在对应历史时段参照前述步骤S1～S3得到，所述历史已照明区域的具体获取方式可在对应历史时段参照前述步骤S4～S6得到，于此不再赘述。此外，所述多个历史照明时段优选以日内同期的多个历史照明时段为佳，例如当前时段为20：00～20：01，则所述多个历史照明时段可举例为昨日的20：00～20：01、前日的20：00～20：01、...、去年今日的20：00～20：01，依次类推。
S92.针对在所述多个历史照明时段中的各个历史照明时段，根据对应的历史照明目标区域和历史已照明区域，计算得到对应的历史照明区域满意度。
在所述步骤S92中，所述历史照明区域满意度的具体获取方式可在对应历史时段参照前述步骤S7得到，于此不再赘述。
S93.将所述各个历史照明时段的历史室内照明方案及历史照明目标区域作为输入项，以及将与所述各个历史照明时段对应的历史照明区域满意度作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到照明区域满意度预测模型。
在所述步骤S93中，具体的，所述机器学习算法可以但不限于采用支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等，其中，所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述决策树、所述反向传播神经网络和所述径向基函数网络均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到所述照明区域满意度预测模型。此外，所述历史照明目标区域的输入形式可以但不限于包括：先将建筑室内区域划分成多个网格，然后针对各个网格，确定对应的其用于反映对应网格是否位于所述历史照明目标区域内的指示值（例如用1指示位于，用0指示不位于），最后将所有网格的所述指示值作为所述历史照明目标区域输入所述人工智能模型，以便确保输入数据项恒定。
S94.根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值。
在所述步骤S94中，所述灰狼优化算法（Grey Wolf Optimizer，GWO）是受到自然环境下灰狼狩猎规律启发而提出的优化算法（其主要仿照狼群捕猎时交流狩猎的机制，以及各狼之间的社会地位，分别体现出来为狩猎与等级制度），并有如下算法原理：
假设狼群有四种不同地位等级的狼，从上至下分别是狼、狼、狼和狼，地位高的狼向地位低的狼下达指令，首先包围猎物，这部分算法表示如下：
式中，表示灰狼个体与猎物之间的距离，表示当前迭代次数，表示猎物的位置向量，表示灰狼个体的位置向量，和分别表示协同向量，计算如下：
式中，表示收敛因子，在迭代过程中从2到0线性递减，和分别表示[0,1]的随机向量；其次再进行狩猎，狩猎时是由狼、狼和狼领导狼进行狩猎，即狼、狼和狼位置不动，狼进行迭代，算法如下：
式中，、和分别表示此次迭代中狼、狼和狼的位置向量，、和分别表示随机计算所得的所述协同向量，、和分别表示随机计算所得的所述协同向量，、和分别表示群体中其它个体与狼、狼和狼之间的距离，表示在第次迭代中的个体位置向量，表示在第次迭代中的个体位置向量。由此可将所述灰狼优化算法应用到本实施例中以便实现对所述多个建筑室内照明灯的亮度值进行迭代寻优的目的，具体的，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值，包括但不限于有如下步骤S941～S949。
S941.初始化种群：灰狼数目设置为，迭代次数设置为次，以及初始化所述多个建筑室内照明灯的亮度值搜索范围，然后执行步骤S942，其中，表示大于等于5的正整数，表示大于等于100的正整数。
在所述步骤S941中，所述建筑室内照明灯可以但不限于为基于PWM（Pulse widthmodulation，脉冲宽度调制）信号实现亮度调节的照明灯，如此其亮度值搜索范围可以但不限于为在全亮状态下的0～100%。此外，举例的，可举例为10，可举例为200。
S942.初始化灰狼：在个灰狼中随机选择三个灰狼作为初始的狼、狼和狼，并在所述亮度值搜索范围内初始化设置在所述个灰狼中的各个灰狼的个体位置向量，然后执行步骤S943，其中，所述个体位置向量包含有所述多个建筑室内照明灯的亮度搜索值。
在所述步骤S942中，所述个体位置向量包含有与所述多个建筑室内照明灯一一对应的多个数值：各个建筑室内照明灯的亮度搜索值，它们在初始化时可从对应的搜索范围内随机取值得到。
S943.针对所述各个灰狼，将对应的当前个体位置向量作为一个室内照明方案与所述当前照明目标区域一起输入所述照明区域满意度预测模型，得到对应的照明区域满意度预测值，然后执行步骤S944。
S944.针对所述各个灰狼,根据所述当前照明目标区域、所述当前照明区域满意度、所述当前照明所需总功率和对应的照明区域满意度预测值，计算得到对应的个体适应度值，然后执行步骤S945，其中，所述个体适应度值按照如下公式计算得到：
式中，表示所述当前照明区域满意度，表示与灰狼对应的照明区域满意度预测值，表示所述当前照明所需总功率，表示根据与灰狼对应的当前个体位置向量确定的照明所需总功率，和分别表示预设的权重系数且有。
在所述步骤S944中，权重系数和可以但不限于分别举例为0.5和0.5。
S945.判断当前迭代次数是否达到次，若是，则执行步骤S949，否则将具有最大个体适应度值的灰狼作为新的狼，以及将具有次大个体适应度值的灰狼作为新的狼，以及还将具有再次大个体适应度值的灰狼作为新的狼，然后执行步骤S946。
在所述步骤S945中，举例的，若排序在前的前四个体适应度值依次有0.08、0.06、0.03和0.01，则可将具有0.08的灰狼作为新的狼，以及将具有0.06的灰狼作为新的狼，以及将具有0.03的灰狼作为新的狼。
S946.分别计算收敛因子、协同向量和协同向量，然后执行步骤S947，其中，所述收敛因子、所述协同向量和所述协同向量的计算公式分别如下：
式中，表示当前迭代次数，表示双曲正切函数，和分别表示[0,1]的随机向量。
在所述步骤S946中，考虑传统灰狼算法的收敛因子具有纯线性的缺陷，为了实现对收敛因子进行非线性化和便于算法达到全局寻优目的，本实施例受神经网络中tanh激活函数图像影响（即选取函数在[-3,3]范围的图像，先后进行伸缩、对称和平移等变换操作），并将迭代次数代入函数中，改进得到了上述收敛因子表达式。
S947.针对各个狼，根据所述新的狼、狼和狼的当前个体位置向量，计算得到对应的且在第次迭代中的个体位置向量，然后执行步骤S948，其中，所述个体位置向量按照如下公式计算得到：
式中，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示在第次迭代中的个体位置向量，、和分别表示随机计算所得的所述协同向量，、和分别表示随机计算所得的所述协同向量。
在所述步骤S947中，本实施例还对灰狼位置更新策略进行了加权赋值，即分别计算了权重系数、和，以便与新的所述收敛因子表达式一起构成所述灰狼优化算法的改进点，并通过在常用的10个国际标准测试函数下的表现，发现具有良好的精度和收敛速度。
S948.使迭代次数自加1，然后返回执行步骤S943；
S949.将当前具有最大个体适应度值的灰狼的当前个体位置向量作为最优室内照明方案，并将与该灰狼对应的当前照明区域满意度预测值作为所述最优室内照明方案的照明区域满意度预测值。
在所述步骤S949中，根据灰狼算法原理，当前狼的当前个体位置向量即为搜索得到的所述多个建筑室内照明灯的当前亮度搜索值，可以作为所述最优室内照明方案。
S95.根据所述当前照明区域满意度、所述当前照明所需总功率、所述最优室内照明方案和所述照明区域满意度预测值，按照如下公式计算得到满意度上升比例和总功率下降比例：
式中，表示所述当前照明区域满意度，表示所述照明区域满意度预测值，表示所述当前照明所需总功率，表示根据所述最优室内照明方案确定的照明所需总功率。
S96.判断条件是否成立，其中，和分别表示预设的权重系数且有。
在所述步骤S96中，条件即为判断所述最优室内照明方案与所述当前室内照明方案孰优孰劣的判据，即若该条件成立，则所述最优室内照明方案优于所述当前室内照明方案，反之则不然。
S97.若成立，则将所述最优室内照明方案作为对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理结果，得到新室内照明方案。
在所述步骤S97中，所述最优室内照明方案也即所述新室内照明方案。此外，若条件不成立，则不替换所述当前室内照明方案。
S10.将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
在所述步骤S10中，所述新室内照明方案在照明灯侧予以执行的具体方式为现有的常用灯亮度调节方式，例如基于PWM信号进行灯亮度调节。
由此基于前述步骤S1～S10所描述的建筑室内智慧照明控制方法，提供了一种基于建筑室内现场视频数据更新室内照明策略的照明控制新方案，即根据由建筑室内监控摄像头实时采集的现场视频数据，先通过室内人员跟踪确定当前照明目标区域，以及通过二值化处理确定当前已照明区域，然后基于这两项结果确定当前照明区域满意度，最后根据当前照明区域满意度和当前照明所需总功率，对当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案并发送至多个建筑室内照明灯予以执行，如此仅需配置摄像头，可大大降低安装困难和硬件成本，同时还可在照明需求与照明能耗之间维持平衡，有效提高照明能效，便于实际应用和推广。
如图2所示，本实施例第二方面提供了一种实现第一方面所述的建筑室内智慧照明控制方法的虚拟装置，包括有视频数据获取模块、室内人员跟踪模块、目标区域确定模块、图像转换处理模块、二值化处理模块、已照明区域确定模块、满意度计算模块、总功率确定模块、方案优化处理模块和照明方案发送模块；
所述视频数据获取模块，用于获取由建筑室内监控摄像头实时采集的现场视频数据；
所述室内人员跟踪模块，通信连接所述视频数据获取模块，用于根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果；
所述目标区域确定模块，通信连接所述室内人员跟踪模块，用于根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域；
所述图像转换处理模块，通信连接所述视频数据获取模块，用于从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像；
所述二值化处理模块，通信连接所述图像转换处理模块，用于根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域；
所述已照明区域确定模块，通信连接所述二值化处理模块，用于根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域；
所述满意度计算模块，分别通信连接所述目标区域确定模块和所述已照明区域确定模块，用于根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度；
所述总功率确定模块，用于根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值；
所述方案优化处理模块，分别通信连接所述满意度计算模块和所述总功率确定模块，用于根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案；
所述照明方案发送模块，通信连接所述方案优化处理模块，用于将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面所述的建筑室内智慧照明控制方法，于此不再赘述。
如图3所示，本实施例第三方面提供了一种执行如第一方面所述的建筑室内智慧照明控制方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面所述的建筑室内智慧照明控制方法。具体举例的，所述存储器可以但不限于包括随机存取存储器（Random-Access Memory，RAM）、只读存储器（Read-OnlyMemory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的建筑室内智慧照明控制方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面所述的建筑室内智慧照明控制方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的建筑室内智慧照明控制方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的建筑室内智慧照明控制方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的建筑室内智慧照明控制方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。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 (10)
1.一种建筑室内智慧照明控制方法，其特征在于，包括：
获取由建筑室内监控摄像头实时采集的现场视频数据；
根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果；
根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域；
从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像；
根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域；
根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域；
根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度；
根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值；
根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案；
将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
2.根据权利要求1所述的建筑室内智慧照明控制方法，其特征在于，所述多目标跟踪算法采用deepsort目标跟踪算法，其中，所述deepsort目标跟踪算法包括有：针对未匹配的跟踪目标，根据对应的当前预测位置判断是否离开所述建筑室内，若是，则在下一次位置预测时舍弃该跟踪目标，否则在下一次位置预测时依然使用卡尔曼滤波法预测对应的位置。
3.根据权利要求1所述的建筑室内智慧照明控制方法，其特征在于，根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，包括：
针对某个室内人员，根据所述室内人员跟踪结果确定对应的且在预设最近时长范围内的至少一个轨迹点；
根据所述建筑室内的各个坐标点与在现场视频图像内的各个像素点的已知对应关系，确定与所述至少一个轨迹点一一对应的至少一个室内坐标点；
针对在所述至少一个室内坐标点中的各个室内坐标点，根据预设半径确定对应的且以对应坐标点为圆心的圆形区域；
将位于室内区域的且所有所述圆形区域的并集作为所述某个室内人员的近期活动区域。
4.根据权利要求1所述的建筑室内智慧照明控制方法，其特征在于，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案，包括：
获取在多个历史照明时段的历史室内照明方案、历史照明目标区域和历史已照明区域，其中，所述历史室内照明方案包含有所述多个建筑室内照明灯在对应历史照明时段的历史亮度值；
针对在所述多个历史照明时段中的各个历史照明时段，根据对应的历史照明目标区域和历史已照明区域，计算得到对应的历史照明区域满意度；
将所述各个历史照明时段的历史室内照明方案及历史照明目标区域作为输入项，以及将与所述各个历史照明时段对应的历史照明区域满意度作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到照明区域满意度预测模型；
根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值；
根据所述当前照明区域满意度、所述当前照明所需总功率、所述最优室内照明方案和所述照明区域满意度预测值，按照如下公式计算得到满意度上升比例和总功率下降比例：
式中，表示所述当前照明区域满意度，表示所述照明区域满意度预测值，表示所述当前照明所需总功率，表示根据所述最优室内照明方案确定的照明所需总功率；
判断条件是否成立，其中，和分别表示预设的权重系数且有；
若成立，则将所述最优室内照明方案作为对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理结果，得到新室内照明方案。
5.根据权利要求4所述的建筑室内智慧照明控制方法，其特征在于，所述机器学习算法采用支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络。
6.根据权利要求4所述的建筑室内智慧照明控制方法，其特征在于，根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，应用所述照明区域满意度预测模型，并采用灰狼优化算法对所述多个建筑室内照明灯的亮度值进行迭代寻优，得到最优室内照明方案和所述最优室内照明方案的照明区域满意度预测值，包括有如下步骤S941～S949：
S941.初始化种群：灰狼数目设置为，迭代次数设置为次，以及初始化所述多个建筑室内照明灯的亮度值搜索范围，然后执行步骤S942，其中，表示大于等于5的正整数，表示大于等于100的正整数；
S942.初始化灰狼：在个灰狼中随机选择三个灰狼作为初始的狼、狼和狼，并在所述亮度值搜索范围内初始化设置在所述个灰狼中的各个灰狼的个体位置向量，然后执行步骤S943，其中，所述个体位置向量包含有所述多个建筑室内照明灯的亮度搜索值；
S943.针对所述各个灰狼，将对应的当前个体位置向量作为一个室内照明方案与所述当前照明目标区域一起输入所述照明区域满意度预测模型，得到对应的照明区域满意度预测值，然后执行步骤S944；
S944.针对所述各个灰狼,根据所述当前照明目标区域、所述当前照明区域满意度、所述当前照明所需总功率和对应的照明区域满意度预测值，计算得到对应的个体适应度值，然后执行步骤S945，其中，所述个体适应度值按照如下公式计算得到：
式中，表示所述当前照明区域满意度，表示与灰狼对应的照明区域满意度预测值，表示所述当前照明所需总功率，表示根据与灰狼对应的当前个体位置向量确定的照明所需总功率，和分别表示预设的权重系数且有；
S945.判断当前迭代次数是否达到次，若是，则执行步骤S949，否则将具有最大个体适应度值的灰狼作为新的狼，以及将具有次大个体适应度值的灰狼作为新的狼，以及还将具有再次大个体适应度值的灰狼作为新的狼，然后执行步骤S946；
S946.分别计算收敛因子、协同向量和协同向量，然后执行步骤S947，其中，所述收敛因子、所述协同向量和所述协同向量的计算公式分别如下：
式中，表示当前迭代次数，表示双曲正切函数，和分别表示[0,1]的随机向量；
S947.针对各个狼，根据所述新的狼、狼和狼的当前个体位置向量，计算得到对应的且在第次迭代中的个体位置向量，然后执行步骤S948，其中，所述个体位置向量按照如下公式计算得到：
式中，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示所述新的狼的当前个体位置向量，表示在第次迭代中的个体位置向量，、和分别表示随机计算所得的所述协同向量，、和分别表示随机计算所得的所述协同向量；
S948.使迭代次数自加1，然后返回执行步骤S943；
S949.将当前具有最大个体适应度值的灰狼的当前个体位置向量作为最优室内照明方案，并将与该灰狼对应的当前照明区域满意度预测值作为所述最优室内照明方案的照明区域满意度预测值。
7.根据权利要求1所述的建筑室内智慧照明控制方法，其特征在于，所述建筑室内监控摄像头采用双目相机。
8.一种建筑室内智慧照明控制装置，其特征在于，包括有视频数据获取模块、室内人员跟踪模块、目标区域确定模块、图像转换处理模块、二值化处理模块、已照明区域确定模块、满意度计算模块、总功率确定模块、方案优化处理模块和照明方案发送模块；
所述视频数据获取模块，用于获取由建筑室内监控摄像头实时采集的现场视频数据；
所述室内人员跟踪模块，通信连接所述视频数据获取模块，用于根据所述现场视频数据，采用多目标跟踪算法实时跟踪出现在建筑室内的各个室内人员，得到室内人员跟踪结果；
所述目标区域确定模块，通信连接所述室内人员跟踪模块，用于根据所述室内人员跟踪结果实时确定所述各个室内人员的近期活动区域，并将所有所述室内人员的近期活动区域的并集作为当前照明目标区域；
所述图像转换处理模块，通信连接所述视频数据获取模块，用于从所述现场视频数据中实时提取出视频帧图像，并将所述视频帧图像实时转换成颜色空间为HSV的待处理图像；
所述二值化处理模块，通信连接所述图像转换处理模块，用于根据预设的目标亮度阈值，对所述待处理图像进行二值化处理，得到包含有至少一个高亮图像区域的二值化图像，其中，所述高亮图像区域是指域内所有像素点的亮度值均大于等于所述目标亮度阈值的图像区域；
所述已照明区域确定模块，通信连接所述二值化处理模块，用于根据所述建筑室内的各个坐标点与在所述二值化图像内的各个像素点的已知对应关系，将与所述至少一个高亮图像区域对应的建筑室内坐标区域作为当前已照明区域；
所述满意度计算模块，分别通信连接所述目标区域确定模块和所述已照明区域确定模块，用于根据所述当前照明目标区域和所述当前已照明区域，将所述当前照明目标区域与所述当前已照明区域的交集区域与所述当前照明目标区域的比值作为当前照明区域满意度；
所述总功率确定模块，用于根据当前室内照明方案，确定当前照明所需总功率，其中，所述当前室内照明方案包含有多个建筑室内照明灯的当前亮度值；
所述方案优化处理模块，分别通信连接所述满意度计算模块和所述总功率确定模块，用于根据所述当前照明目标区域、所述当前照明区域满意度和所述当前照明所需总功率，对所述当前室内照明方案进行优化目标为照明区域满意度更高且照明所需总功率更低的优化处理，得到新室内照明方案；
所述照明方案发送模块，通信连接所述方案优化处理模块，用于将所述新室内照明方案发送至所述多个建筑室内照明灯予以执行。
9.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的建筑室内智慧照明控制方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的建筑室内智慧照明控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423512.4A CN117177418B (zh) | 2023-10-31 | 2023-10-31 | 一种建筑室内智慧照明控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423512.4A CN117177418B (zh) | 2023-10-31 | 2023-10-31 | 一种建筑室内智慧照明控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117177418A true CN117177418A (zh) | 2023-12-05 |
| CN117177418B CN117177418B (zh) | 2024-09-06 |
Family
ID=88947028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423512.4A Active CN117177418B (zh) | 2023-10-31 | 2023-10-31 | 一种建筑室内智慧照明控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117177418B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118088963A (zh) * | 2024-03-07 | 2024-05-28 | 广东艾罗智能光电股份有限公司 | 一种可自动追光的智能照明控制方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101835305A (zh) * | 2010-03-15 | 2010-09-15 | 罗静 | 一种基于人体探测的照明控制方法 |
| WO2013093771A1 (en) * | 2011-12-22 | 2013-06-27 | Koninklijke Philips Electronics N.V. | Monitoring a scene |
| US20180255622A1 (en) * | 2002-07-12 | 2018-09-06 | Yechezkal Evan Spero | Detector Controlled Headlight System |
| CN109670391A (zh) * | 2018-06-13 | 2019-04-23 | 河南理工大学 | 基于机器视觉的智慧照明装置及动态识别数据处理方法 |
| CN113870317A (zh) * | 2021-10-21 | 2021-12-31 | 重庆邮电大学 | 基于增强型视觉目标跟踪的可见光定位方法及系统 |
-
2023
- 2023-10-31 CN CN202311423512.4A patent/CN117177418B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180255622A1 (en) * | 2002-07-12 | 2018-09-06 | Yechezkal Evan Spero | Detector Controlled Headlight System |
| CN101835305A (zh) * | 2010-03-15 | 2010-09-15 | 罗静 | 一种基于人体探测的照明控制方法 |
| WO2013093771A1 (en) * | 2011-12-22 | 2013-06-27 | Koninklijke Philips Electronics N.V. | Monitoring a scene |
| CN109670391A (zh) * | 2018-06-13 | 2019-04-23 | 河南理工大学 | 基于机器视觉的智慧照明装置及动态识别数据处理方法 |
| CN113870317A (zh) * | 2021-10-21 | 2021-12-31 | 重庆邮电大学 | 基于增强型视觉目标跟踪的可见光定位方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118088963A (zh) * | 2024-03-07 | 2024-05-28 | 广东艾罗智能光电股份有限公司 | 一种可自动追光的智能照明控制方法及装置 |
| CN118088963B (zh) * | 2024-03-07 | 2024-08-30 | 广东艾罗智能光电股份有限公司 | 一种可自动追光的智能照明控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117177418B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Flame detection using deep learning | |
| CN109147254B (zh) | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 | |
| CN117177418B (zh) | 一种建筑室内智慧照明控制方法、装置、设备及存储介质 | |
| WO2021139471A1 (zh) | 一种健康状态检测方法、设备和计算机存储介质 | |
| CN103208126A (zh) | 一种自然环境下运动物体监测方法 | |
| Paletta et al. | ECLIPSE: Envisioning cloud induced perturbations in solar energy | |
| JP6817109B2 (ja) | 照明制御方法および照明制御システム | |
| CN113361326B (zh) | 一种基于计算机视觉目标检测的智慧电厂管控系统 | |
| CN109116298B (zh) | 一种定位方法、存储介质及定位系统 | |
| CN107123227A (zh) | 一种基于双波段的嵌入式图像火焰探测器及其识别方法 | |
| CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
| CN111931719B (zh) | 高空抛物检测方法以及装置 | |
| Lin et al. | A pointer type instrument intelligent reading system design based on convolutional neural networks | |
| CN107292896A (zh) | 基于Snake模型的轮廓提取方法 | |
| CN110503017A (zh) | 基于图像处理的智慧节能室内人数检测系统与方法 | |
| Wang et al. | Extracting vegetation information from high dynamic range images with shadows: A comparison between deep learning and threshold methods | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN106529455A (zh) | 一种基于SoC FPGA的快速人体姿态识别方法 | |
| CN114120208A (zh) | 一种火焰检测方法、装置、设备和存储介质 | |
| CN117979487A (zh) | Led灯光智能控制方法、系统及计算机设备 | |
| CN111601418B (zh) | 色温调节方法、装置、存储介质和处理器 | |
| Sharma et al. | A review on physical and data-driven based nowcasting methods using sky images | |
| Pedrayes et al. | Fully automated method to estimate opacity in stack and fugitive emissions: A case study in industrial environments | |
| WO2015093231A1 (ja) | 画像処理装置 | |
| Thokrairak et al. | Field test evaluation of an AI model for recycle waste separation running on embedded systems |
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 |