CN104320881A - 一种led无影灯照明***中的智能调光控制器 - Google Patents

Abstract

本发明公开了一种LED无影灯照明***中的智能调光控制器，采用模糊视觉图像处理技术将手术视野的图像进行特征分析和处理，提取照明环境的亮度和色度信息，通过智能处理算法计算LED光源的电流控制参数，首先将手术视野的图像转换为数字图像信号，通过视频图像采集模块将该信号读取到***内部，再由图像分析与处理模块将其进行解析，提取照度和色度分布信息，通过照度和色度特征提取模块提取相应的照度和色度特征向量，经模糊图像分割模块将遮挡物产生的阴影区域分割出来，再由模糊神经网络算出相应的LED光源的驱动电流值，发送给LED控制器调节相应LED的亮度，实现消除阴影、照度均匀和恒光控制的目的,实现自动调光控制，不需人工干预，完全消除阴影。

Description

一种LED无影灯照明***中的智能调光控制器

技术领域

本发明涉及到灯光照明领域，尤其涉及一种LED无影灯照明***中的智能调光控制器。

背景技术

目前医院手术室所使用的无影灯大部分采用普通热光源(如白炽灯、卤钨灯等)，其光源发热量大、功率高、寿命短，且由于手术无影灯光效强、持续时间长，所以容易对医生眼睛造成损害。此外，还有一种光源采用荧光发光，属于冷光源，该类光源能耗较低、亮度大，但是色温选择单一、寿命与热光源差不多，而且光衰较大，且指向性不够，有较大局限性。发光二级管LED(Light Emitting Diode，简写为LED)属于冷光源，因具有光照均匀、响应迅速、超长寿命、绿色环保等优点，近年来广泛应用于手术无影灯，并将逐步替代传统光源。

手术无影灯是医院手术室必备的重要医疗设备之一，手术无影灯的光亮度及无影度等性能的好坏直接关系到手术质量和病人健康。传统的无影灯多采用人工方式调节，这种调节是操作者依据自身的舒适度人为调整的，光亮度的准确度难以保证，存在很大的局限性，其光照位置及亮度能否得到准确、及时的调整将影响到手术的正常进行。另外手术时，医生的身体、头、手和器械均会对手术部位造成遮挡，形成阴影，如果不及时消除就会影响手术质量。现有的无影灯虽然配有亮度调节器，可进行亮度调节，但是，不能完全消除阴影，只能减弱阴影的影响；同时，这种调节是通过操作者手动完成的，具有一定的模糊性，实时性、精确性不够高，且容易造成手术环境污染，影响手术正常进行。目前，手术无影灯的实时自动调光技术的报道尚不多见。随着全球医疗设备的数字化、信息化、智能化的发展，手术无影灯的自动数字化调光技术正逐步成为一个研究热点。

可见，目前现有的手术无影灯技术存在使用不方便，调节效果不理想等问题。本发明的目的在于提供一种基于模糊逻辑的LED无影灯智能调光控制器，旨在解决现有的技术中存在的使用不方便，调节效果不理想等问题。

发明内容

本发明要解决的技术问题是提供一种基于模糊逻辑的LED无影灯智能调光控制器，解决现有的技术中存在的使用不方便，调节效果不理想等问题的一种LED无影灯照明***中的智能调光控制器。

为了解决上述技术问题，本发明提供了一种LED无影灯照明***中的智能调光控制器，本发明是实现医用无影灯调光控制的智能化处理，以达到自动调光的目的，通过信息化处理技术，运用模糊视觉处理技术和人工神经网络理论，设计了一种智能化的照度检测和跟踪算法，实现了一种智能化的LED无影灯调光控制器。该控制器能够根据CMOS摄像头采集的视频图像信息，通过图像分析和处理算法获取工作区域的照度和色度分布信息，通过模糊图像分割算法将照明区域因遮挡而产生的阴影区域和位置分离出来，由模糊神经网络映射出需调节的LED光源的驱动电流值，控制LED光源的发光亮度，实现对LED无影灯工作区域照度和色温的准确调节和自适应控制，从而达到实时调节无影灯的亮度使得工作区域照度均匀、恒定、无影的目的。

本发明采用摄像传感技术实现***的闭环控制。该控制器包括：图像采集模块，图像分析与处理模块，模糊图像分割模块，照度和色度特征提取模块，模糊神经网络***等单元。本***采用了一种基于模糊视觉图像处理的方法，运用数字图像处理技术将现场摄像头获取的视频图像进行特征分析和处理，提取照明环境的亮度和色度信息。具体实现过程如下：通过CMOS摄像头采集照明区域的视频图像并转换为数字图像信号，通过视频图像采集模块将该信号读取到***内部，再由图像分析与处理模块将视频图像信号进行解析，提取照度和色度分布信息，通过照度和色度特征提取模块提取相应的照度和色度特征向量，送入模糊神经网络***；同时，由模糊图像分割模块将遮挡物产生的阴影区域分割出来，并将分割区域的位置参数作为输入值送入模糊神经网络，最后通过模糊神经网络内部强大的映射和计算能力算出相应的LED光源的驱动电流值，并将这些信息发送给LED控制器，调节相应LED的亮度达到消除阴影和恒光控制的目的。

图像是人类感知世界的视觉基础，然而在人类通过视觉获取的大量图像信息中，并不是所有的信息内容都是我们所需要的，所以需要把图像分成若干个特定的、具有独特性质的区域。图像分割，就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标。对无影灯而言就是要找到造成阴影的遮挡物的位置及区域，然后进行有效的分割获取遮挡物的特征信息，合理的分割结果能更好的找到图像中的有用信息并方便对其进行处理。

(1)基于模糊逻辑的阴影分割算法

通过图像得到的有用信息就是遮挡物在工作面上产生的阴影区域，而图像固有的内在模糊性给图像分割带来了许多困难，但是却为模糊集与***理论的应用提供了用武之地，所以在本发明中我们采用模糊集与***理论来理解、表示、处理和分割遮挡物图像。

一幅图像拥有不同的特征值，本发明通过图像灰度对图像进行分割。对于一幅M×N图像，其灰度级为0～255。首先通过原有分割算法对图像进行预分割，通过预分割得到背景(Background Region,BR)及目标区域(0bject Region,OR)。随机选取有限个背景和目标区域像素点，结合灰度直方图计算其灰度均值，得到和分别为背景与目标区域阈值。获得目标区域OR，模糊区域(Fuzzy Region,FR)以及背景区域BR的灰度范围为以及

将图像中的遮挡物与背景进行分割，所以我们需要将图像分为确定的背景区域与目标区域。将背景参考区域和目标参考区域视为灰度集[0,1,…,F-1]的两个模糊子集。描述模糊度的方法有很多，例如数量积法、相关系数法、最大最小法、绝对值指数法、非参数法等。本***选用贴近度法中的距离贴进度，其中设论域U＝{x₁，x₂,...，x_n}对任意的模糊集合A，模糊度为：

$L\left(A\right)=\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{|{\mathrm{\μ}}_A\left(x_{\mathrm{ij}}\right)-{\mathrm{\μ}}_{0.5}\left(x_{\mathrm{ij}}\right)|}{{\mathrm{\μ}}_A\left(x_{\mathrm{ij}}\right)+{\mathrm{\μ}}_{0.5}\left(x_{\mathrm{ij}}\right)}---\left(1\right)$

由该式可以计算出目标区域OR和背景区域BR的模糊度为L_BR和L_OR。

对模糊区内将其所分割范围和分别加入到OR和BR中，g_f为g_FR集合的分割值，得到两个新的模糊子集，记为OR′和BR′：

$\begin{array}{c}{\mathrm{OR}}^{\′}=\mathrm{OR}\∪\left\{g_{\mathrm{FR}}\right\}=\mathrm{OR}\∪[\stackrel{\‾}{g_o},g_f]\\ {\mathrm{BR}}^{\′}=\mathrm{BR}\∪\left\{g_{\mathrm{FR}}\right\}=\mathrm{BR}\∪[g_f,\stackrel{\‾}{g_b}]\end{array}---\left(2\right)$

由式(1)计算出新的L_OR′和L_BR′。在模糊子集加入了新的元素的情况下，其模糊度函数值会变大(即L_OR′＞L_ORL_BR′＞L_BR)。所以，将其分别与L_OR和L_BR做归一化，得到两个模糊度影响因子，记为：

$\begin{array}{c}{\mathrm{\η}}_1=\left(g_{\mathrm{FR}}\right)=\frac{L_{{\mathrm{OR}}^{\′}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{OR}}}\\ {\mathrm{\η}}_2\left(g_{\mathrm{FR}}\right)=\frac{L_{{\mathrm{BR}}^{\′}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{BR}}}\end{array}---\left(3\right)$

通过比较η₁和η₂的大小，判断g_FR的加入是对背景还是目标区域的影响更大。若η₁＞η₂,则g_FR对目标区域模糊子集影响更大，即与目标区域相似度更高，所以应将g_FR划入背景区域的模糊集；反之，则将g_FR划入遮挡物区域的模糊集。对模糊区域的灰度做同样处理，则会有某一灰度值g_d，使η₁(g_d)＝η₂(g_d)，则g_d为分割阈值。

(2)工作区亮度和色度的确定

彩色图像一般以RGB颜色空间表示，所有颜色都可看作是3个基本颜色红R、绿G、蓝B的不同组合，因此，RGB颜色空间可以建立在笛卡儿坐标***里。RGB颜色空间最大的优点是比较直观，用于屏幕显示很方便，缺点是R、G、B三个分量之间高度相关，某一个分量发生了改变会影响整个图像颜色的变化。彩色图像还可用HSI颜色空间表示，HSI颜色空间从人的视觉***出发用色调H、饱和度S和亮度I来描述色彩。HSI颜色空间可以用圆锥空间描述，

虽然描述复杂，但能把色调、亮度和饱和度的变化情况表现得很清楚。两种颜色空间之间存在着转换关系。给定一幅RGB彩色格式的图像，对任何一组归一化到[0，1]范围内的RGB的值都可通过相应的转换公式得到对应的HSI分量值。RGB到HSI颜色空间的转换公式为：

$\begin{array}{ccc}r=\frac{R}{R+G+B}& g=\frac{G}{R+G+B}& b=\frac{B}{R+G+B}\end{array}$

$H=\left\{\begin{array}{cc}\mathrm{\&theta;}& g\&GreaterEqual;b\\ 2\mathrm{\&pi;}-\mathrm{\&theta;}& g<b\end{array}\right.,H\&Element;\left[\mathrm{0,2}\mathrm{\&pi;}\right]$

S＝1-3·min(r,g,b)    S∈[0,1]

$I=\frac{R+G+B}{3\&times;255},I\&Element;\left[\mathrm{0,1}\right]$

色调H(Hue)，与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它可表示照明区域图像的色度信息，如暖色、冷色等。强度I(Intensity)，对应成像亮度和图像灰度，是颜色的明亮程度，它可表示照明区域图像的照度信息。通过上述颜色模型，可确定照明工作区的亮度和色度。

(3)模糊聚类神经网络(FCNN)

本***提出一种基于模糊神经网络的视觉图像目标识别方法。该方法以模糊***模型为基础，将每帧视频图像中需要识别的目标遮挡物与背景组成的场景看成一个模糊***，用每一帧中提取的活动目标的位置和形状信息作为特征矢量，将该特征矢量作为模糊聚类神经网络(FCNN)***的输入，利用模糊聚类辨识算法，构建一种能够对LED的光强分布进行映射的模糊聚类神经网络(FCNN)模型，对***的输出进行预测，给出一组在当前场景状况下LED光源光强分布和位置分布的最佳控制参数，通过调节LED灯盘的光源照射强度和角度，实现照射工作区域恒光、无影的目的。

模糊聚类神经网络FCNN的结构如图2所示。整个***由两个部分组成：第一部分是模糊分类器，它由一个三层BP网络构成。输入层由P个节点组成，对应输入向量的P个分量；隐层由C个节点构成，其第i个节点表示输入向量与第i个聚类中心之间的偏差，它们的传递函数为：

$d_{\mathrm{ik}}={\left|\right|x_k-v_i\left|\right|}^2=\underset{j=1}{\overset{P}{\mathrm{\&Sigma;}}}{(x_{\mathrm{kj}}-v_{\mathrm{ij}})}^2$

输出层也由C个节点组成，每个节点的输出代表输入向量对某一类别的隶属度。输入节点与隐层节点之间的连接权代表了某一类的聚类中心v_i，它需要由学习算法进行优化；隐层节点与输出节点之间采用无加权连接，它与各子网络的输出共同组成第三层节点的输入。第二部分由C个子网络组成，每个子网络由一个双层网络构成，连接权矩阵w_i＝(w_i1，w_i2，，…，w_iQ)^T，其中w_ij＝(w_j0 ⁽ⁱ⁾，w_j1 ⁽ⁱ⁾，w_j2 ⁽ⁱ⁾，…，w_jP ⁽ⁱ⁾)，输入向量θ_k＝(1，x_k1，x_k2，…，x_kP)^T，第i个子网络的输出为：它完成第k个输入样本的第i类规则的后件输出的计算，***总的输出为

$y_k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{y}_i^k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{w}_i{\mathrm{\&theta;}}_k$

***输出y_k将给出当前图像场景中LED光源阵列的分布图映射，该映射反映LED光源将以怎样的亮度分布才能实现使被照区域的照度到达规定的值并保持恒定，同时又消除工作区阴影的目的，输出y_k将作为调节量控制LED光源驱动电流和LED灯盘投射角度，从而实现照射区域恒光、无影的效果。

采用该***后，其有益效果为：

1、通过智能化信息处理技术，实现照明区域照度的自动恒光调节。本控制器运用了模糊逻辑理论，结合视频图像处理的相关技术，获取照明区域的阴影分布的位置信息和照度信息，通过模糊神经网络计算出LED光源的驱动电流的调节量，控制LED光源的亮度，使得照明区域的照度能够保持恒定、均匀和无影的效果。

2、改进了传统无影灯存在的不足和缺陷。本发明针对目前无影灯存在的问题，提出一种基于模糊逻辑的视觉跟踪自动调光技术，***运用模糊视频图像处理技术和神经网络理论,对视频图像中因操作者、手术器械等遮挡物所产生的阴影进行跟踪、分割,确定阴影区域的位置和工作区域内照度和色度的分布信息，通过神经网络模型计算出需要进行调整的LED光源的驱动电流值，再由LED恒流控制器控制LED光源阵列的光强分布和亮度，使工作面和手术区域纵深都能获得一个恒定的、符合规范的光照度分布，同时消除因操作者、手术器械等遮挡物所产生的阴影。

3、将数字化技术和信息化智能技术引入到无影灯的设计中。本发明通过运用模糊逻辑理论、视频图像处理技术和神经网络智能化技术实现无影灯的自动调光，使传统无影灯的设计思想发生了根本变革，一举摆脱了传统无影灯存在的五大不足之处：

①无影效果不高。光源获得反射或照射的角度愈多，会聚后得到的无影效果愈好，而用12只单光源灯泡照射组合成的光斑，其消影效果当然不会太理想，如再增多照射光源，显然是难行的；

②结构繁琐复杂。12只灯头用3只变压器供电，其结构之复杂，外形之庞大是可想而知的；

③安全可靠性差。为数较多的灯泡和变压器使整机的故障发生率大大提高，一旦其一出现故障，整台无影灯性能受损坏；

④调整频繁而又呆滞费力。由于光斑直径小、厚度薄、随着手术面和深度的变化须要不断地调焦，调位才能获得最佳照明，这就给术者造成过多的感染机会和疲劳，影响手术质量；

⑤对手术环境的热污染。较多的灯泡和变压器等电器元件，使发热量大增，虽有风扇散热，但终难消除术者周围的温升，使手术环境变坏；

4、本项目利用信息化技术手段，采用LED冷光源技术打破传统热光源的照明和控制模式，通过视觉图像处理技术、模糊神经网络理论、计算机控制技术等现代信息技术构建一套新型的、智能化无影灯***，使医用照明技术迈入了数字化、信息化和智能化时代。

5、本设计为单片设计，核心功能模块集成在一块SOC(片上***)芯片内部，具有结构简单，成本低，功耗低，体积小，可靠性高等优点，能使LED光源发光效能和节能效果达到最佳状态。

本控制器具有下列特点：

1)建立了基于模糊视觉处理技术的智能化调光控制***，实现对工作区域的自动调光控制，使照明区域的照度恒定在设定值；

2)实现对工作区域内的活动目标的实时分割与定位，能有效检测和判断遮挡物的位置和区域，从而完全消除阴影，实现真正意义上的无影灯；

3)具有工作区照度连续可调的特定，用户可以任意设定一个照度值，***就能自动跟踪并锁定在设置的照度值上；

4)本设计是一种智能化的自动控制***，用户只需预先设置好控制参数，就能实现整个控制过程，调节过程中不需人工干预；

5)本设计还具有调节范围宽，调节精度高的优点，在调节范围内能连续平滑的进行亮度调节，调节的步距小，无闪烁和跳跃，光斑均匀度高，具有较高调节品质。

附图说明

图1为本发明一种LED无影灯照明***中的智能调光控制器结构框图。

图2为本发明一种LED无影灯照明***中的智能调光控制器模糊聚类神经网络FCNN结构图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明，不能理解为是对本发明的限制；

根据图1和图2所示，本发明一种LED无影灯照明***中的智能调光控制器。采用摄像传感技术实现照明区域照度的闭环控制，***包括：图像采集模块，图像分析与处理模块，模糊图像分割模块，照度和色度特征提取模块，模糊神经网络***等单元；***采用了一种基于模糊视觉图像处理的方法，运用数字图像处理技术将现场摄像头获取的视频图像进行特征分析和处理，提取照明环境的亮度和色度信息，则通过CMOS摄像头采集照明区域的视频图像并转换为数字图像信号，通过视频图像采集模块将该信号读取到***内部，再由图像分析与处理模块将视频图像信号进行解析，提取照度和色度分布信息，通过照度和色度特征提取模块提取相应的照度和色度特征向量，送入模糊神经网络***；同时，由模糊图像分割模块将遮挡物产生的阴影区域分割出来，并将分割区域的位置参数作为输入值送入模糊神经网络，最后通过模糊神经网络内部强大的映射和计算能力算出相应的LED光源的驱动电流值，并将这些信息发送给LED控制器，调节相应LED的光照分布和亮度强度，以到达消除阴影、均衡照明和恒光控制的目的。

图像是人类感知世界的视觉基础，然而在人类通过视觉获取的大量图像信息中，并不是所有的信息内容都是我们所需要的，所以需要把图像分成若干个特定的、具有独特性质的区域。图像分割，就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标。对无影灯而言就是要找到造成阴影的遮挡物的位置及区域，然后进行有效的分割获取遮挡物的特征信息，合理的分割结果能更好的找到图像中的有用信息并方便对其进行处理。

(1)基于模糊逻辑的阴影分割算法

通过图像得到的有用信息就是遮挡物在工作面上产生的阴影区域，而图像固有的内在模糊性给图像分割带来了许多困难，但是却为模糊集与***理论的应用提供了用武之地，所以在本发明中我们采用模糊集与***理论来理解、表示、处理和分割遮挡物图像。

一幅图像拥有不同的特征值，本发明通过图像灰度对图像进行分割。对于一幅M×N图像，其灰度级为0～255。首先通过原有分割算法对图像进行预分割，通过预分割得到背景(Background Region,BR)及目标区域(0bject Region,OR)。随机选取有限个背景和目标区域像素点，结合灰度直方图计算其灰度均值，得到和分别为背景与目标区域阈值。获得目标区域OR，模糊区域(Fuzzy Region,FR)以及背景区域BR的灰度范围为以及

我们的目的是将图像中的遮挡物与背景进行分割，所以我们需要将图像分为确定的背景区域与目标区域。将背景参考区域和目标参考区域视为灰度集[0,1,…,F-1]的两个模糊子集。描述模糊度的方法有很多，例如数量积法、相关系数法、最大最小法、绝对值指数法、非参数法等。本***选用贴近度法中的距离贴进度，其中设论域U＝{x₁，x₂，...，x_n}，对任意的模糊集合A，模糊度为：

$L\left(A\right)=\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{|{\mathrm{\&mu;}}_A\left(x_{\mathrm{ij}}\right)-{\mathrm{\&mu;}}_{0.5}\left(x_{\mathrm{ij}}\right)|}{{\mathrm{\&mu;}}_A\left(x_{\mathrm{ij}}\right)+{\mathrm{\&mu;}}_{0.5}\left(x_{\mathrm{ij}}\right)}---\left(1\right)$

由该式可以计算出目标区域OR和背景区域BR的模糊度为L_BR和L_OR。

对模糊区内将其所分割范围和分别加入到OR和BR中，g_f为g_FR集合的分割值，得到两个新的模糊子集，记为OR′和BR′：

$\begin{array}{c}{\mathrm{OR}}^{\&prime;}=\mathrm{OR}\&cup;\left\{g_{\mathrm{FR}}\right\}=\mathrm{OR}\&cup;[\stackrel{\&OverBar;}{g_o},g_f]\\ {\mathrm{BR}}^{\&prime;}=\mathrm{BR}\&cup;\left\{g_{\mathrm{FR}}\right\}=\mathrm{BR}\&cup;[g_f,\stackrel{\&OverBar;}{g_b}]\end{array}---\left(2\right)$

由式(1)计算出新的L_OR′和L_BR′。在模糊子集加入了新的元素的情况下，其模糊度函数值会变大(即L_OR′＞L_ORL_BR′＞L_BR)。所以，将其分别与L_OR和L_BR做归一化，得到两个模糊度影响因子，记为：

$\begin{array}{c}{\mathrm{\&eta;}}_1=\left(g_{\mathrm{FR}}\right)=\frac{L_{{\mathrm{OR}}^{\&prime;}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{OR}}}\\ {\mathrm{\&eta;}}_2\left(g_{\mathrm{FR}}\right)=\frac{L_{{\mathrm{BR}}^{\&prime;}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{BR}}}\end{array}---\left(3\right)$

通过比较η₁和η₂的大小，判断g_FR的加入是对背景还是目标区域的影响更大。若η₁＞η₂,则g_FR对目标区域模糊子集影响更大，即与目标区域相似度更高，所以应将g_FR划入背景区域的模糊集；反之，则将g_FR划入遮挡物区域的模糊集。对模糊区域的灰度做同样处理，则会有某一灰度值g_d，使η₁(g_d)＝η₂(g_d),则g_d为分割阈值。

(2)工作区亮度和色度的确定

彩色图像一般以RGB颜色空间表示，所有颜色都可看作是3个基本颜色红R、绿G、蓝B的不同组合，因此，RGB颜色空间可以建立在笛卡儿坐标***里。RGB颜色空间最大的优点是比较直观，用于屏幕显示很方便，缺点是R、

G、B三个分量之间高度相关，某一个分量发生了改变会影响整个图像颜色的变化。彩色图像还可用HSI颜色空间表示，HSI颜色空间从人的视觉***出发用色调H、饱和度S和亮度I来描述色彩。HSI颜色空间可以用圆锥空间描述，

虽然描述复杂，但能把色调、亮度和饱和度的变化情况表现得很清楚。两种颜色空间之间存在着转换关系。给定一幅RGB彩色格式的图像，对任何一组归一化到[0，1]范围内的RGB的值都可通过相应的转换公式得到对应的HSI分量值。RGB到HSI颜色空间的转换公式为：

$\begin{array}{ccc}r=\frac{R}{R+G+B}& g=\frac{G}{R+G+B}& b=\frac{B}{R+G+B}\end{array}$

$H=\left\{\begin{array}{cc}\mathrm{\&theta;}& g\&GreaterEqual;b\\ 2\mathrm{\&pi;}-\mathrm{\&theta;}& g<b\end{array}\right.,H\&Element;\left[\mathrm{0,2}\mathrm{\&pi;}\right]$

S＝1-3·min(r,g,b)S∈[0,1]

$I=\frac{R+G+B}{3\&times;255},I\&Element;\left[\mathrm{0,1}\right]$

色调H(Hue)，与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它可表示照明区域图像的色度信息，如暖色、冷色等。强度I(Intensity)，对应成像亮度和图像灰度，是颜色的明亮程度，它可表示照明区域图像的照度信息。通过上述颜色模型，可确定照明工作区的亮度和色度，为阴影图像的分割和空间位置的确定提供依据。

(3)模糊聚类神经网络(FCNN)

本***提出一种基于模糊神经网络的视觉图像目标识别方法。该方法以模糊***模型为基础，将每帧视频图像中需要识别的目标遮挡物与背景组成的场景看成一个模糊***，用每一帧中提取的活动目标的位置和形状信息作为特征矢量，将该特征矢量作为模糊聚类神经网络(FCNN)***的输入，利用模糊聚类辨识算法，构建一种能够对LED的光强分布进行映射的模糊聚类神经网络(FCNN)模型，对***的输出进行预测，给出一组在当前场景状况下LED光源光强分布和位置分布的最佳控制参数，通过调节LED灯盘的光源照射强度和角度，实现照射工作区域恒光、无影的目的。

模糊聚类神经网络FCNN的结构如图2所示。整个***由两个部分组成：第一部分是模糊分类器，它由一个三层BP网络构成。输入层由P个节点组成，对应输入向量的P个分量；隐层由C个节点构成，其第i个节点表示输入向量与第i个聚类中心之间的偏差，它们的传递函数为：

$d_{\mathrm{ik}}={\left|\right|x_k-v_i\left|\right|}^2=\underset{j=1}{\overset{P}{\mathrm{\&Sigma;}}}{(x_{\mathrm{kj}}-v_{\mathrm{ij}})}^2$

输出层也由C个节点组成，每个节点的输出代表输入向量对某一类别的隶属度。输入节点与隐层节点之间的连接权代表了某一类的聚类中心v_i，它需要由学习算法进行优化；隐层节点与输出节点之间采用无加权连接，它与各子网络的输出共同组成第三层节点的输入。第二部分由C个子网络组成，每个子网络由一个双层网络构成，连接权矩阵w_i＝(w_i1，w_i2，，…，w_iQ)^T，其中w_ij＝(w_j0 ⁽ⁱ⁾，w_j1 ⁽ⁱ⁾，w_j2 ⁽ⁱ⁾，…，w_jP ⁽ⁱ⁾)，输入向量θ_k＝(1，x_k1，x_k2，…，x_kP)^T，第i个子网络的输出为：它完成第k个输入样本的第i类规则的后件输出的计算，***总的输出为

$y_k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{y}_i^k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{w}_i{\mathrm{\&theta;}}_k$

***输出y_k将给出当前图像场景中LED光源阵列的分布图映射，该映射反映LED光源将以怎样的亮度分布才能实现使被照区域的照度到达规定的值并保持恒定，同时又消除工作区阴影的目的，输出y_k将作为调节量控制LED光源驱动电流和LED灯盘投射角度，从而实现照射区域恒光、无影的效果。

Claims (4)

1.一种LED无影灯照明***中的智能调光控制器，其特征在于：采用摄像传感技术实现照明区域光照度的闭环控制，该控制器核心单元包括：图像采集模块，图像分析与处理模块，模糊图像分割模块，照度和色度特征提取模块，模糊神经网络***等单元，该控制器采用一种基于模糊视觉图像处理的方法，运用数字图像处理技术将现场摄像头获取的视频图像进行特征分析和处理，提取照明环境的亮度和色度信息，通过智能处理算法计算LED光源的电流控制参数，从而调节LED光源的亮度，***通过CMOS摄像头采集照明区域的视频图像并转换为数字图像信号，通过视频图像采集模块将该信号读取到***内部，再由图像分析与处理模块将视频图像信号进行解析，提取照度和色度分布信息，通过照度和色度特征提取模块提取相应的照度和色度特征向量，送入模糊神经网络***；同时，由模糊图像分割模块将遮挡物产生的阴影区域分割出来，并将分割区域的位置参数作为输入值送入模糊神经网络，最后通过模糊神经网络内部强大的映射和计算能力，算出相应的LED光源的驱动电流值，并将这些信息发送给LED控制器，调节相应LED的亮度，以实现消除阴影、照度均匀和恒光控制的目的。

2.根据权利要求1所述的LED无影灯照明***中的智能调光控制器，其特征在于：对图像中的遮挡物与背景进行分割，需要将图像分为确定的背景区域与目标区域，将背景参考区域和目标参考区域视为灰度值论域[0，1，…，F-1]上的两个模糊子集，该***选用贴近度法中的距离贴进度，其中设论域U＝{x₁，x₂，...，x_n}，对任意的模糊集合A，模糊度为：

$L\left(A\right)=\frac{1}{\mathrm{mn}}\underset{i-1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{|{\mathrm{\&mu;}}_A\left(x_{\mathrm{ij}}\right)-{\mathrm{\&mu;}}_{0.5}\left(x_{\mathrm{ij}}\right)|}{{\mathrm{\&mu;}}_A\left(x_{\mathrm{ij}}\right)+{\mathrm{\&mu;}}_{0.5}\left(x_{\mathrm{ij}}\right)}---\left(1\right)$

由该式可以计算出目标区域0R和背景区域BR的模糊度为L_BR和L_OR。

对模糊区内将其所分割范围和分别加入到0R和BR中，g_f为g_FR集合的分割值，得到两个新的模糊子集，记为0R′和BR′：

${\mathrm{OR}}^{\&prime;}=\mathrm{OR}\&cup;\left\{g_{\mathrm{FR}}\right\}=\mathrm{OR}\&cup;[\stackrel{\&OverBar;}{g_o},g_f]---\left(2\right)$

${\mathrm{BR}}^{\&prime;}=\mathrm{BR}\&cup;\left\{g_{\mathrm{FR}}\right\}=\mathrm{BR}\&cup;[g_f,\stackrel{\&OverBar;}{g_b}]$

由式(1)计算出新的L_OR′和L_BR′，在模糊子集加入了新的元素的情况下，其模糊度函数值会变大(即L_OR′＞L_ORL_BR′＞L_BR)，将其分别与L_OR和L_BR做归一化，得到两个模糊度影响因子，记为：

${\mathrm{\&eta;}}_1\left(g_{\mathrm{FR}}\right)=\frac{L_{O{R}^{\&prime;}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{OR}}}---\left(3\right)$

${\mathrm{\&eta;}}_2\left(g_{\mathrm{FR}}\right)=\frac{L_{{\mathrm{BR}}^{\&prime;}}\left(g_{\mathrm{FR}}\right)}{L_{\mathrm{BR}}}$

通过比较η₁和η₂的大小，判断g_FR的加入是对背景还是目标区域的影响更大。若η₁＞η₂，则g_FR对目标区域模糊子集影响更大，即与目标区域相似度更高，所以应将g_FR划入背景区域的模糊集；反之，则将g_FR划入遮挡物区域的模糊集。对模糊区域的灰度做同样处理，则会有某一灰度值g_d，使η₁(g_d)＝η₂(g_d)，则g_d为分割阈值。

3.根据权利要求1所述的LED无影灯照明***中的智能调光控制器，其特征在于：所述工作区亮度和色度的确定方法为：彩色图像一股以R G B颜色空间表示，所有颜色都可看作是3个基本颜色红R、绿G、蓝B的不同组合，该R G B颜色空间可以建立在笛卡儿坐标***里；彩色图像还可用H S I颜色空间表示，H S I颜色空间从人的视觉***出发，用色调H、饱和度S和亮度I来描述色彩；H S I颜色空间可以用圆锥空间描述，两种颜色空间之间存在着转换关系。给定一幅R G B彩色格式的图像，对任何一组归一化到[0，1]范围内的R G B的值都可通过相应的转换公式得到对应的H S I分量值；R G B到H S I颜色空间的转换公式为：

$\begin{array}{ccc}r=\frac{R}{R+G+B}& g=\frac{G}{R+G+B}& b=\frac{B}{R+G+B}\end{array}$

$H=\left\{\begin{array}{cc}\mathrm{\&theta;}& g\&GreaterEqual;b\\ 2\mathrm{\&pi;}-\mathrm{\&theta;}& g<b\end{array}\right.,H\&Element;\left[\mathrm{0,2}\mathrm{\&pi;}\right]$

S＝1-3·min(r，g，b)        S∈[0，1]

$\begin{array}{cc}I=\frac{R+G+B}{3\&times;255}& I\&Element;\left[\mathrm{0,1}\right]\end{array}$

色调H(Hue)，与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它可表示照明区域图像的色度信息，如暖色、冷色等。强度I(Intensity)，对应成像亮度和图像灰度，是颜色的明亮程度，它可表示照明区域图像的照度信息。

4.根据权利要求1所述的LED无影灯照明***中的智能调光控制器，其特征在于：采用模糊神经网络的视觉图像目标识别方法，是以模糊***模型为基础，将每帧视频图像中需要识别的目标遮挡物与背景组成的场景看成一个模糊***，用每一帧中提取的活动目标的位置和形状信息作为特征矢量，将该特征矢量作为模糊聚类神经网络(FCNN)***的输入，利用模糊聚类辨识算法，构建一种能够对LED的光强分布进行映射的模糊聚类神经网络(FCNN)模型，对***的输出进行预测，给出一组在当前场景状况下LED光源光强分布和位置分布的最佳控制参数，通过调节LED灯盘的光源照射强度和角度，实现照射工作区域恒光、无影的目的；整个***由两个部分组成：第一部分是模糊分类器，它由一个三层BP网络构成，输入层由P个节点组成，对应输入向量的P个分量；隐层由C个节点构成，其第i个节点表示输入向量与第i个聚类中心之间的偏差，它们的传递函数为：

$d_{\mathrm{ik}}={\left|\right|X_k-V_i\left|\right|}^2=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{(X_{\mathrm{kj}}-V_{\mathrm{ij}})}^2$

输出层也由C个节点组成，每个节点的输出代表输入向量对某一类别的隶属度。输入节点与隐层节点之间的连接权代表了某一类的聚类中心v_i，它需要由学习算法进行优化；隐层节点与输出节点之间采用无加权连接，它与各子网络的输出共同组成第三层节点的输入，第二部分由C个子网络组成，每个子网络由一个双层网络构成，连接权矩阵w_i＝(w_i1，w_i2，，…，w_iQ)^T，其中w_ij＝(w_j0 ⁽ⁱ⁾，w_j1 ⁽ⁱ⁾，w_j2 ⁽ⁱ⁾，…，w_jP ⁽ⁱ⁾)，输入向量θ_k＝(1，x_k1，x_k2，…，x_kP)^T，第i个子网络的输出为：它完成第k个输入样本的第i类规则的后件输出的计算，***总的输出为

$y_k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{y_i}^k=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{w}_i{\mathrm{\&theta;}}_k$

***输出y_k将给出当前图像场景中LED光源阵列的分布图映射，该映射反映LED光源将以怎样的亮度分布才能实现使被照区域的照度到达规定的值并保持恒定，同时又消除工作区阴影的目的，输出y_k将作为调节量控制LED光源驱动电流和LED灯盘投射角度。