CN108253596A - 空调送风方法、空调器及计算机可读存储介质 - Google Patents
空调送风方法、空调器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108253596A CN108253596A CN201810100124.5A CN201810100124A CN108253596A CN 108253596 A CN108253596 A CN 108253596A CN 201810100124 A CN201810100124 A CN 201810100124A CN 108253596 A CN108253596 A CN 108253596A
- Authority
- CN
- China
- Prior art keywords
- air
- moving objects
- image
- conditioning
- wind direction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空调送风方法,包括:定时获取空调器作用空间内的图像并保存;在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像,其中,预设数量的图像包括当前获取到的图像以及当前获取到的图像之前的连续图像;从二值图像中识别出运动对象,并根据运动对象确定送风角度,以根据送风角度调整空调器的导风板角度。本发明还公开了一种空调器和计算机可存储介质。本发明通过从多帧连续的图像中识别出运动对象,根据运动对象计算送风角度并控制空调送风,准确高效的实现了风吹人或风避人的功能。
Description
技术领域
本发明涉及空调技术领域,尤其涉及一种空调送风方法、空调器及计算机可读存储介质。
背景技术
随着传感器技术、芯片技术和图像处理技术的进步和在空调产品上的广泛应用,空调产品呈现智能化发展趋势。例如在空调上安装摄像头并运用图像处理技术能够实时监测室内用户的活动情况,使空调根据用户活动信息自动调整运行状态,包括温度调节、摆风角度设定和送风速度设定等,实现空调产品的智能化。
传统空调的送风功能只能设定为自动全局摆风或特定角度送风,不能满足用户对于空调送风功能的个性化需求。在现有技术中,一些空调采用了人脸识别或人体识别算法来实现送风方向根据室内使用者位置和活动情况进行自动调整,达到空调出风吹向使用者或者避免直接吹向使用者的效果。但人脸识别或人体识别算法的复杂度高,对运算资源和内存消耗大,导致硬件和软件成本太高。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种空调送风方法、空调器及计算机可读存储介质,旨在解决现有技术中空调为了满足用户个性化送风需求导致硬件和软件成本过高的技术问题。
为实现上述目的,本发明提供一种空调送风方法,所述空调送风方法包括如下步骤:
定时获取空调器作用空间内的图像并保存;
在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像,其中,所述预设数量的图像包括当前获取到的图像以及当前获取到的图像之前的连续图像;
从所述二值图像中识别出运动对象,并根据所述运动对象确定送风角度,以根据所述送风角度调整空调器的导风板角度。
优选地,在所述对预设数量的图像进行处理得到二值图像步骤之后还包括:
计算所述二值图像中背景像素点占所述图像中所有像素点的比例;
当所述比例大于预设的比例阈值时,执行所述从所述二值图像中识别出运动对象的步骤。
优选地,在所述对预设数量的图像进行处理得到二值图像步骤之后还包括:
对所述二值图像进行降噪处理,对降噪后的二值图像识别运动对象。
优选地,所述根据所述运动对象确定送风角度步骤包括:
当只有一个运动对象或者多个运动对象都比较集中时,将所述运动对象所在区域作为运动目标区域;
确定所述运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
优选地,所述根据所述运动对象确定送风角度步骤包括:
当有多个运动对象并有分散的运动对象时,获取各个所述运动对象中集中的运动对象;
将各个将集中的运动对象所在的区域作为运动目标区域,同时分别将各个分散的运动对象所在的区域分别作为运动目标区域;
确定各个运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
优选地,所述根据所述运动对象的边界和二值图像底边定点位置确定送风角度步骤包括:
以所述二值图像底部中点位置作为二值图像底边定点位置;
获取预设的位置修正值;
根据所述预设的位置修正值对所述二值图像底边定点位置进行修正,得到修正后的二值图像底边定点位置,用于和所述运动对象的边界确定送风角度。
优选地,在所述根据所述运动对象确定送风角度的步骤之后还包括:
获取空调器的当前送风角度;
获取确定的所述送风角度与所述当前送风角度之间的变化值;
若所述变化值大于预设变化阈值,根据所述送风角度控制空调送风。
优选地,在所述定时获取空调器作用空间内的图像并保存步骤之前还包括:
当所述空调器在其作用空间检测到用户时,获取所述空调器和所述用户的距离;
判断所述空调器和所述用户距离是否小于预设距离阈值;
若判断所述空调器和所述用户的距离小于所述预设距离阈值,执行所述定时获取空调器作用空间内的图像并保存的步骤。
此外,为实现上述目的,本发明还提供所述空调器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调送风控制程序,所述空调送风控制程序被所述处理器执行时实现如上所述的空调送风方法的步骤。
此外,为实现上述目的,本发明还提出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空调送风控制程序,所述空调送风控制程序被处理器执行时实现如上所述的空调送风方法的步骤。
本发明实施例提出的一种空调送风方法、空调器及计算机可读存储介质,定时获取空调器作用空间内的图像并保存,对预设数量的图像进行处理得到二值图像,从二值图像中识别出运动对象,并根据运动对象确定送风角度,以根据送风角度调整空调器的导风板角度,本发明通过把图像处理成二值图像并确定运动对象的边界,计算出送风角度,从而使空调器高效准确的满足用户个性化的送风需求。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明空调送风方法第一实施例的流程示意图;
图3为本发明空调送风方法第二实施例的流程示意图;
图4为本发明空调送风方法第三实施例的流程示意图;
图5为本发明空调送风方法第三实施例中确定一个运动目标区域图像;
图6为本发明空调送风方法第三实施例中确定两个运动目标区域图像;
图7为本发明空调送风方法第四实施例的流程示意图;
图8为本发明空调送风方法第五实施例的流程示意图;
图9为本发明空调送风方法第六实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:定时获取空调器作用空间内的图像并保存;在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像,其中,所述预设数量的图像包括当前获取到的图像以及当前获取到的图像之前的连续图像;从所述二值图像中识别出运动对象,并根据所述运动对象确定送风角度,以根据所述送风角度调整空调器的导风板角度。
由于现有技术中,一些空调器采用了人脸识别或人体识别算法来确定室内使用者位置从而使空调出风角度根据使用者的位置进行调整,但人脸识别或人体识别算法的复杂度高,对运算资源和内存消耗大,导致硬件和软件成本太高。
本发明提供一种解决方案,通过获取空调器作用空间的连续多帧图像,把图像处理成二值图像并确定运动对象的边界,计算出送风角度来调整空调器出风角度,从而使空调器高效准确的满足用户个性化的送风需求。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为空调器。
如图1所示,该空调器可以包括:处理器1001,例如CPU,通信总线1002,摄像头1003,红外传感器1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器,例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、和空调送风控制应用程序。
在图1所示的装置中,处理器1001可以用于调用存储器1005中存储的提高空调低温环境制热效果处理程序,并执行以下操作:
定时获取空调器作用空间内的图像并保存;
在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像,其中,所述预设数量的图像包括当前获取到的图像以及当前获取到的图像之前的连续图像;
从所述二值图像中识别出运动对象,并根据所述运动对象确定送风角度,以根据所述送风角度调整空调器的导风板角度。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
计算所述二值图像中背景像素点占所述图像中所有像素点的比例;
当所述比例大于预设的比例阈值时,执行所述从所述二值图像中识别出运动对象的步骤。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
对所述二值图像进行降噪处理,对降噪后的二值图像识别运动对象。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
当只有一个运动对象或者多个运动对象都比较集中时,将所述运动对象所在区域作为运动目标区域;
确定所述运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
当有多个运动对象并有分散的运动对象时,获取各个所述运动对象中集中的运动对象;
将各个将集中的运动对象所在的区域作为运动目标区域,同时分别将各个分散的运动对象所在的区域分别作为运动目标区域;
确定各个运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
以所述二值图像底部中点位置作为二值图像底边定点位置;
获取预设的位置修正值;
根据所述预设的位置修正值对所述二值图像底边定点位置进行修正,得到修正后的二值图像底边定点位置,用于和所述运动对象的边界确定送风角度。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
获取空调器的当前送风角度;
获取确定的所述送风角度与所述当前送风角度之间的变化值;
若所述变化值大于预设变化阈值,根据所述送风角度控制空调送风。
进一步地,处理器1001可以调用存储器1005中存储的空调送风控制应用程序,还执行以下操作:
当所述空调器在其作用空间检测到用户时,获取所述空调器和所述用户的距离;
判断所述空调器和所述用户距离是否小于预设距离阈值;
若判断所述空调器和所述用户的距离小于所述预设距离阈值,执行所述定时获取空调器作用空间内的图像并保存的步骤。
参照图2,本发明第一实施例提供一种空调送风方法,所述方法包括:
步骤S10,定时获取空调器作用空间内的图像并保存。
步骤S20,在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像。
空调开启运行后,以默认的角度范围进行送风。当空调进入“风吹人”或“风避人”模式时,空调的摄像头开始对空调作用空间进行摄像得到视频流,或者,也可在空调器的运行状态满足某些条件时,例如在预设时间段或者检测到用户时,定时获取空调器作用空间内的图像并保存。如果拍摄场景中没有运动对象,视频流的连续帧间的变化很细微,如果拍摄场景中有运动目标,视频流的连续帧之间会有明显的变化,所以可以对一定数目的连续的图像帧进行处理分析以判断是否存在运动对象。空调处理器预先设置一次处理分析过程所需要输入的图像帧数N,可以设置为两帧、三帧或者更多的帧数。
以下通过举例说明获取二值图像以及运动对象的实现方式:
1)帧差法,通过两两求取图像像素值求平均值,并对平均值进行帧差法处理实现。例如,当N设为4时,可以把第一帧和第二帧的图像像素值求平均得到第一平均图像,对第三帧和第四帧的图像像素值求平均得到第二平均图像,假设第一平均图像和第二平均图像的灰度值分别记为fn(x,y)和fn-1(x,y),用两帧帧差法进行后续处理。
按照下式将第一平均图像和第二平均图像的灰度值相减并取绝对值得到差分图像Dn。
Dn=|fn(x,y)-fn-1(x,y)|
设定阈值T,按照下式对差分图像Dn中的像素点进行二值化处理,得到二值图像Rn(x,y)。
在该二值图像中,把像素值为零的像素点判断为前景,即运动对象。
当N设为6时,可以把第一帧到第三帧的图像像素值求平均得到第一平均图像,把第四帧到第六帧的图像像素值求平均得到第二平均图像,用两帧差分法识别出运动对象;或者可以把两两相邻的帧图像像素值求平均得到三个平均图像,用三帧差分法获得二值图像来识别出运动对象。
2)高斯混合模型法,该方法包括背景模型训练和运动对象检测,其中,背景模型的初步建立、持续更新和运动对象的检测可以同时进行,也可以先进行背景模型的初步建立再进行运动对象的检测和背景模型的持续更新。由于背景模型的建立在处理了一定数量的连续图像帧后才会达到稳定,所以经过一段时间之后的背景模型训练之后对运动对象的检测正确率会稳定在一个较高的水平。在空调器上的应用实践得出从背景模型训练开始到运动对象可以被稳定正确的检出的持续时间在5~10秒之间。
例如,背景模型中的每一个像素都用k个高斯分布混合而成的模型来建模,即:
其中xn为像素x在第n帧的取值,k为高斯分布的个数,η(xn,μi,n,τi,n)为像素x在第n帧的第i个高斯分布概率密度函数,μi,n为其均值,τi,n为其协方差矩阵,δi,n为方差,I为三维单位矩阵,wi,n为第n帧第i个高斯分布的权值。
建立上述数学模型后对其中的参数进行初始化。每个像素对应有k个高斯分布,可以把第一个高斯分布中的均值初始化为零,权值初始化为1,其余高斯分布函数的均值、权值都初始;化零。
参数初始化后,从第一帧开始,把每一帧图像的像素值xn和当前k个高斯分布中的k个高斯分布分别都按下式进行比较,其中σ为标准差,即方差的算术平方根,即|xn-μi,n|≤2.5σi,n-1
当xn同该模型的均值偏差在标准差的2.5倍以内时,判断xn和该模型匹配,同时将各个高斯分布的权值按如下公式更新,其中α是学习率,对于匹配的分布有Mk,n=1,否则Mk,n=0,即:
wk,n=(1-α)×wk,n-1+α×Mk,n;
ρ=α×η(xn×ui,n-1,δi,n-1
μi,n=(1-ρ)×μi,n-1+ρ×xn
当xn和该模型不匹配时,其对应的高斯分布模型的均值和方差都不变。
按上述过程处理完第n帧时,每个像素的混合高斯模型的参数已经被多次更新,此时需要从每个像素的K个高斯分布中估计出最能代表背景模型的高斯分布。考虑两种情况:一是当背景物体持久静止时,该物体表面产生的高斯分布代表着背景分布,支持这个分布的数据会持续累积,而且该分布的方差也会越来越小;二是当一个新的物体遮挡了原来的背景物体时,可能会导致两种结果:产生一个新的分布,或者把一个己存在的分布的方差增大。另外,当新物体是一个运动物体时,它一般也会比背景像素保持更大的变化直到它停下来。从以上两种情况可以看出,影响一个分布是否背景分布的重要因素有两个:一是该分布产生的数据所占的比例大小,二是该分布的方差大小,而高斯混合模型中各个高斯分布的权值就反映了该分步产生的数据所占的比例大小。
将各个分布根据的大小降序排列,权值大,方差小的分布排列靠前,按照下式选择前B个分布的组合作为最能代表背景模型的高斯分布,参数T表示背景所占比例,即其中,T为预定的阈值,当T值越大时需要越多的高斯分布,性能越好。
从第n+1帧开始根据上述挑选出来的B个代表背景模型的高斯分布来进行运动对象的检测。判断第n+1帧图像的每一个像素值xn与各个高斯分布的匹配关系,如果该像素值xn与这B个高斯分布之一匹配,就判断该像素是背景点,否则是前景点,即运动对象,同时更新与之匹配的高斯分布的权值、均值和方差。如果该像素对应的混合高斯模型中没有高斯分布与像素值xn匹配,那么将最不可能代表背景过程的高斯分布的均值设为该像素值,权值设为1。
|xn-μi,n-1|≤2.5σi,n-1
3)码本算法,该方法包括背景学习过程和运动对象检测过程。码本算法的背景学习通过将连续多帧图像的像素变化特征以码本形式记录来建立背景模型,下面举例说明。
在背景学习之前需要为背景模型的每一个像素建立一个码本结构,简写为CB(Code Book),每个码本结构又包含多个码字,简写为CW(Code Word)。CB和CW的形式如下:
CB={CW1,CW2,……,CWM,T};
CB={high,low,max,min,tlast,stale};
一个CB中所包含的CW的数目为M,CB更新的次数为T。CW中的high和low作为背景学习上下界,max和min记录当前像素的最大值和最小值。tlast记录CW最近一次被访问的帧号,stale记录该CW未被访问的持续的帧数,用来删除很少被访问的CW。
假设目前获取的N帧图像中,第一帧到第n帧图像用于背景学习,第n+1帧到第N帧进行运动对象检测。记录背景模型中某一像素为I(x,y),并记背景学习上下界增长阈值为Bounds,像素I(x,y)通过其对应的CB在多帧图像中的不断更新来实现背景学习,下面描述其在一帧图像中更新的主要步骤:
步骤一,遍历CB中的每个CW,如果存在一个CW中的high、low满足low≤I(x,y)≤high,则转步骤三;
步骤二,创建一个新的CW加入到CB中,CW的max与min都赋值为I(x,y),high<-I(x,y)+Bounds,low<-I(x,y)–Bounds,并且转步骤五;
步骤三,以本帧图像的帧号更新tlast,若当前像素值I(x,y)大于该CW的max,则将I(x,y)赋值给max,若I(x,y)小于该CW的min,则将I(x,y)赋值给min;
步骤四,更新该码字的背景学习上下界,若high<I(x,y)+Bounds,则high增长1,若low>I(x,y)–Bounds,则low减少1;
步骤五,根据当前处理图像的帧号更新CB中每个CW的stale值。
从第n+1帧开始进行运动对象的检测,同时按照上述步骤不断对背景模型中的参数进行更新。下面仅描述根据已经建立好的背景模型进行运动对象检测的过程。
假定判断前景的范围上下界为minMod和maxMod,对于当前待检测图像上的某一像素I(x,y),遍历它对应像素背景模型CB中的每一个CW,若存在一个CW,使得I(x,y)<max+maxMod并且I(x,y)>min–minMod,则I(x,y)被判断为背景,否则为前景即运动对象。
以上举例说明了用帧差法、高斯混合模型法和码本算法来对连续多帧图像处理得到二值图像,还可以用其他算法来获得二值图像,在此不做限定。
当从某一帧图像中识别出背景后,此图像被处理成二值图像。此时可以利用形态学的开运算来降低二值图像中的噪声,同时平滑运动对象的边界。
步骤S30,从所述二值图像中识别出运动对象,并根据所述运动对象确定送风角度。
运动对象的边界决定了送风角度的范围大小。可以用包围住运动对象的矩形来确定运动对象的边界,也可以用凸包检测算法得到的多边形来确定运动对象的边界。还可以有多种方法可以确定运动对象的边界,在此不做限定。
在获得运动对象的边界后,根据各个运动对象的边界计算出对应的角度并根据所述角度计算出最终的送风角度。
当有多个运动对象边界时会计算出多个送风角度,如果想达到风吹人的效果,可以直接将多个送风角度确定为最终的空调送风角度,或者只将运动对象数目较多的送风角度确定为最终的空调送风角度;如果想达到风避人的效果,可以将多个送风角度之外的角度范围作为最终的空调送风角度,或者只将运动对象数目较多的送风角度范围之外的角度范围作为最终的空调送风角度。
步骤S40,根据所述送风角度调整空调器的导风板角度。
根据计算出来的送风角设置空调的送风角度。当送风角度不止一个时,可以通过加快导风叶片在送风角度之外的转动速度来达到向多个区域的运动对象准确快速的送风。
在本实施例中,通过多种方法从多帧连续的图像中识别出运动对象,根据运动对象计算送风角度来控制空调送风来准确高效的实现风吹人或风避人的功能,比起通过人脸识别或者人体识别来获取运动对象的位置的技术方案,本实施例的方法用较少的计算量和内存就可以高效率的获得运动对象的位置信息并准确计算出空调的最佳送风范围。
进一步的,参照图3,基于第一实施例提出本发明空调送风方法第二实施例,本实施例在步骤S20之后还包括:
步骤S50,计算所述二值图像中背景像素点占所述图像中所有像素点的比例。
步骤S60,当所述比例大于预设的比例阈值时,执行所述从所述二值图像中识别出运动对象的步骤。
空调的作用空间中的背景和运动对象各自占的面积在短时间内相对固定,其二值图像中的背景像素点所占的比例也相对固定。但是当空调作用环境中有快速的光线变化时,比如开灯关灯,由于此时摄像头拍摄到的连续帧间图片的像素变化很大,导致大部分背景被错判成了前景即运动对象,得到的二值图像中运动对象像素点所占的比例非常高,背景像素点所占的比例非常低。为了避免由于二值图像存在大量错误的运动对象像素点而导致计算出错误的送风角度,先计算二值图像中背景像素点占所有像素点的比例,当判断出所述比例大于预设的比例阈值时,才继续执行从二值图像中识别出运动对象的步骤。
在本实施例中,在获得二值图像后,通过计算所述二值图像中背景像素点占所述图像中所有像素点的比例并将所述比例和预设比例阈值进行比较,当所述比例阈值大于预设比例阈值时才进一步确定送风角度,保证了计算送风角度的正确性。
进一步的,参照图4,基于第一或第二实施例提出本发明空调送风方法第三实施例,在本实施例中步骤S30的根据所述运动对象确定送风角度还包括以下步骤:
步骤S310,当只有一个运动对象或者多个运动对象都比较集中时,将所述运动对象所在区域作为运动目标区域。
在空调作用空间内通常会有多个运动对象,当所有运动对象都比较集中时,所有运动对象所在的区域就可以作为运动目标区域。
步骤S320,确定所述运动目标区域内运动对象的边界,并根据所述运动对象的边界确定送风角度。
步骤S330,当有多个运动对象并有分散的运动对象时,获取各个所述运动对象中集中的运动对象。
步骤S340,将各个将集中的运动对象所在的区域作为运动目标区域,同时分别将各个分散的运动对象所在的区域分别作为运动目标区域。
为了对集中和分散程度不同的运动对象进行准确的区域划分,可以通过获取两两相邻运动对象之间的间隙值来对运动对象的集中或分散程度进行估算。如图5所示的二值图像,其中高亮的部分即白色像素点代表运动对象,根据运动对象像素的水平坐标可以计算出相邻运动对象之间的间隙值。将所述两两相邻的运动对象的间隙值和预设间隙值阈值进行比较。当所有所述间隙值都小于预设间隙值阈值时,此时所有运动对象都比较集中,把所有运动对象所在的区域作为运动目标区域;当所述间隙值中有大于预设间隙值阈值时,此时有比较分散的运动对象,把各个分散的运动对象所在的区域分别作为运动目标区域。如图5所示,图中从左至右有三个运动对象,第一个运动对象和第二个运动对象间隙很小,第二个运动对象和第三个运动对象的间隙也很小,所以把这三个运动对象所在的区域作为运动目标区域。如图8所示,图中从左至右有三个运动对象,第一个运动对象和第二个运动对象间隙很小,第二个运动对象和第三个运动对象的间隙比较大,所以把第一个运动对象和第二个运动对象所在区域作为一个运动目标区域,第三个运动对象所在区域作为另一个运动目标区域。
在有些场景下,图像中的多个运动对象的像素互相交叠,或者运动对象轮廓并不完整,此时难以准确估算运动对象相邻的间隙,可以根据图像中所有运动对象的像素的水平坐标来做区域划分。例如可以把所有运动对象的像素水平坐标以升序进行排序得到一个水平坐标序列,再计算这个序列中两两相邻的水平坐标的差值,得到一个差值序列。把所述差值序列中的差值依次和预设差值阈值进行比较,当所有差值都小于预设差值阈值时,说明所有运动对象都比较集中,把所有运动对象像素所在区域确定为运动目标区域;每当有一个差值大于或等于预设差值阈值时,以计算出该差值的两个水平坐标的中点为界限把这两个水平坐标所在的区域划分成左右两个运动目标区域,所有满足此条件的差值都按照此方法对不断划分出新的运动目标区域。
步骤S350,确定各个运动目标区域内运动对象的边界,并根据所述运动对象的边界确定送风角度。
在各个所述运动目标区域内,可以先用包围住运动对象的矩形来确定运动对象的边界,如图6所示;也可以用凸包检测算法得到的多边形来确定运动对象的边界,如图5所示;再根据各个运动对象的边界计算出对应的角度并根据所述角度计算出最终的送风角度。
当有多个运动对象边界时会计算出多个送风角度,如果想达到风吹人的效果,可以直接将多个送风角度确定为最终的空调送风角度,或者只将运动对象数目较多的送风角度确定为最终的空调送风角度;如果想达到风避人的效果,可以将多个送风角度之外的角度范围作为最终的空调送风角度,或者只将运动对象数目较多的送风角度范围之外的角度范围作为最终的空调送风角度。
在本实施例中,根据二值图像中运动对象的集中和分散程度将运动对象划分为一个或多个运动目标区域,可以得到更为精确的运动对象的边界,从而计算出更为精确的送风角度。
进一步的,参照图7,基于上述任一实施例提出本发明空调送风方法第四实施例,在本实施例中所述步骤S350还包括:
步骤S351:以所述二值图像底部中点位置作为二值图像底边定点位置。
步骤S352:获取预设的位置修正值。
步骤S353:根据所述预设的位置修正值对所述二值图像底边定点位置进行修正,得到修正后的二值图像底边定点位置,用于和所述运动对象的边界确定送风角度。
如图6所示,在得到运动目标区域内运动对象的边界后,以边界中水平位置处于最左边的点为左边界点,以边界中水平位置处于最右边的点为右边界点,并在图像底边线上确定一个定点位置,分别得到左边界点与定点位置的第一连线和右边界点与定点位置的第二连线。如果是实现风吹人,把第一连线和第二连线的夹角确定为送风角度;如果实现的是风避人,把图像底边线和第一连线的夹角、图像底边线和第二连线的夹角确定为送风角度。。由于空调是通过控制导风叶片的转动来控制送风角度,所以计算送风角度时所需要的定点位置应该用空调的导风叶片所占水平位置的中点。先以图像底边线中点位置作为初始的二值图像底边定点位置,再根据摄像头在空调上的安装位置和空调导风叶片的位置计算出位置修正值,然后以位置修正值对图像底边定点位置进行修正,得到修正后的二值图像底边定点位置。例如图像底边线的中点位置水平坐标值为0,所述位置修正值为5,则将中点位置水平坐标值加上位置修正值得到二值图像底边定点位置值为5。
摄像头可以外置也可以内置于空调,即摄像头的位置对于不同的空调机型并不是固定的,该位置修正值在空调出厂之前预先设置好。
在本实施例中根据预设的位置修正值和二值图像底边中点位置得到二值图像底边定点位置,用于和运动对象的边界确定送风角度,保证计算出准确的送风角度,确保空调可以正确满足用户的送风需求。
进一步的,参照图8,本发明第五实施例提供一种空调送风方法,在步骤S30之后还包括:
步骤S70,获取空调器的当前送风角度。
步骤S80,获取确定的所述送风角度与所述当前送风角度之间的变化值。
由于根据运动对象的边界计算送风角度是实时进行,而运动对象边界大小变化不是很频繁,如果随着送风角度的更新不断去调整空调器的导风叶片的送风角度,会造成空调器处理资源的浪费,同时加大对空调器的导风叶片的损耗。所以需要计算每次确定的所述送风角度与所述当前送风角度之间的变化值,作为判断是否要调整空调器的导风叶片的送风角度的依据。
送风角度是一个范围,可以用不同送风角度的差值来衡量其变化大小,也可以确定一个基准、以不同送风角度覆盖范围的变化和基准的比值来衡量其变化大小,下面举例说明。
例如,若本次确定的送风角度范围[-45,+60]为第一角度范围,当前空调送风角度区间[-30,+20]为第二角度范围。一种方法是可以计算这两个角度范围的差值,以第一角度范围的左边界值和第二角度范围的左边界值计算得到差值为15度,以第一角度范围的右边界值和第二角度范围的右边界值计算得到差值为40度。在这个方法中,由于分别计算出了第一送风角度和第二送风角度的左边界差值和右边界的差值,所以需要预设两个变化阈值分别和左右边界差值相对应。
另一种方法是以第二送风角度所覆盖的角度范围为基准,计算第一送风角度相对于第二送风角度覆盖变化的角度范围和此基准的比值。此例中第二角度范围所覆盖的角度数目为50度,并且角度范围[-45,-31]和[21,60]为第二角度范围所覆盖的与第一角度范围不同的角度范围,共有55度,进一步可以计算出以第二角度范围为基准时本次角度变化比率为110%。
可以有多种方法计算本次确定的送风角度比起所述当前空调送风角度的变化大小,在此不做限定。
步骤S90,若所述变化值大于预设变化阈值,根据所述送风角度控制空调送风。
预设变化阈值可以根据经验值或统计值设定,在空调出厂前预设好。
在本实施例中,通过获取每次计算的送风角度和当前空调送风角度的变化值,在变化值大于预设变化阈值时才根据所述送风角度控制空调送风,减少角度变化不大时启动空调送风控制的次数,节省空调器的处理资源。
进一步的,参照图9,本发明第六实施例提供一种空调送风方法,本实施在步骤S10之前还包括:
步骤S100,当所述空调在其作用空间检测到用户时,获取所述空调和所述用户的距离;
空调上可安装红外传感器,用于检测用户并测量用户与空调的距离。
步骤S110,判断所述空调和所述用户距离是否小于预设距离阈值;
步骤S120,若判断所述空调和所述用户的距离小于所述预设距离阈值,定时获取空调器作用空间内的图像并保存;
由于当用户离摄像头较远时,用户在图片上的成像尺寸过小,会导致从图像中识别的运动对象不完整,从而计算出错误的送风角度,所以在启动摄像头拍摄图像之前需要先对空调和用户的距离做一个测量和判断。当空调和用户的距离小于预设阈值时,启动摄像头对空调作用空间图像的拍摄。
步骤S130,若判断所述空调和所述用户的距离大于或等于所述预设距离阈值,在预设时间间隔后重新在其作用空间检测用户。
在本实施例中通过测量和判断空调和用户的距离来决定是否要启动摄像头进行图片拍摄,进而根据从图片中识别的运动对象计算送风角度,以保证计算送风角度的准确性。
本发明还提供一种空调器,空调器包括:存储器、处理器、摄像头、红外传感器及存储在所述存储器上并可在所述处理器上运行的空调送风控制程序,所述空调送风控制程序被所述处理器执行时实现所述的空调送风方法的步骤。
此外,本发明实施例还提出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空调送风控制程序,所述空调送风控制程序被处理器执行时实现所述的空调送风方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种空调送风方法,其特征在于,所述空调送风方法包括以下步骤:
定时获取空调器作用空间内的图像并保存;
在每次获取到图像且获取到的图像数量大于预设数量时,获取存储的预设数量的图像,并对预设数量的图像进行处理得到二值图像,其中,所述预设数量的图像包括当前获取到的图像以及当前获取到的图像之前的连续图像;
从所述二值图像中识别出运动对象,并根据所述运动对象确定送风角度,以根据所述送风角度调整空调器的导风板角度。
2.如权利要求1所述的空调送风方法,其特征在于,所述对预设数量的图像进行处理得到二值图像步骤之后还包括:
计算所述二值图像中背景像素点占所述图像中所有像素点的比例;
当所述比例大于预设的比例阈值时,执行所述从所述二值图像中识别出运动对象的步骤。
3.如权利要求1所述的空调送风方法,其特征在于,所述从所述二值图像中识别出运动对象的步骤包括:
对所述二值图像进行降噪处理,由降噪后的所述二值图像中识别所述运动对象。
4.如权利要求1所述的空调送风方法,其特征在于,所述根据所述运动对象确定送风角度步骤包括:
当只有一个运动对象或者多个运动对象比较集中时,将所述运动对象所在区域作为运动目标区域;
确定所述运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
5.如权利要求4所述的空调送风方法,其特征在于,所述根据所述运动对象确定送风角度步骤包括:
当有多个运动对象并且存在分散的运动对象时,获取各个所述运动对象中集中的运动对象;
将各个集中的运动对象所在的区域作为运动目标区域,同时分别将各个分散的运动对象所在的区域分别作为运动目标区域;
确定各个运动目标区域内运动对象的边界;
根据所述运动对象的边界和二值图像底边定点位置确定送风角度。
6.如权利要求4或5所述的空调送风方法,其特征在于,所述根据所述运动对象的边界和二值图像底边定点位置确定送风角度步骤包括:
以所述二值图像底边中点位置作为二值图像底边定点位置;
获取预设的位置修正值;
根据所述预设的位置修正值对所述二值图像底边定点位置进行修正,得到修正后的二值图像底边定点位置;
根据所述底边定点位置以及所述运动对象的边界确定送风角度。
7.如权利要求1至5任一项所述的空调送风方法,其特征在于,所述根据所述运动对象确定送风角度的步骤之后还包括:
获取空调器的当前送风角度;
获取确定的所述送风角度与所述当前送风角度之间的变化值;
若所述变化值大于预设变化阈值,根据所述送风角度控制空调送风。
8.一种空调器,其特征在于,所述空调器包括:存储器、处理器、摄像头、红外传感器及存储在所述存储器上并可在所述处理器上运行的空调送风控制程序,所述空调送风控制程序被所述处理器执行时实现如权利要求1至7中任一项所述的空调送风方法的步骤。
9.一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空调送风控制程序,所述空调送风控制程序被处理器执行时实现如权利要求1至7中任一项所述的空调送风方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810100124.5A CN108253596B (zh) | 2018-01-31 | 2018-01-31 | 空调送风方法、空调器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810100124.5A CN108253596B (zh) | 2018-01-31 | 2018-01-31 | 空调送风方法、空调器及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108253596A true CN108253596A (zh) | 2018-07-06 |
CN108253596B CN108253596B (zh) | 2021-01-08 |
Family
ID=62743217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810100124.5A Active CN108253596B (zh) | 2018-01-31 | 2018-01-31 | 空调送风方法、空调器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108253596B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405206A (zh) * | 2018-10-10 | 2019-03-01 | 广东美的制冷设备有限公司 | 空气调节设备的送风控制方法和装置 |
CN109812934A (zh) * | 2019-01-29 | 2019-05-28 | 广东美的制冷设备有限公司 | 送风***、送风方法及计算机可读存储介质 |
WO2020211180A1 (zh) * | 2019-04-19 | 2020-10-22 | 青岛海尔空调器有限总公司 | 送风装置及其控制方法、控制装置 |
CN112032987A (zh) * | 2020-07-28 | 2020-12-04 | 四川虹美智能科技有限公司 | 基于红外人体追踪的空调控制方法及装置 |
CN113091227A (zh) * | 2020-01-08 | 2021-07-09 | 佛山市云米电器科技有限公司 | 空调控制方法、云端服务器、空调控制***及存储介质 |
CN115047824A (zh) * | 2022-05-30 | 2022-09-13 | 青岛海尔科技有限公司 | 数字孪生多模态设备控制方法、存储介质及电子装置 |
CN115950068A (zh) * | 2022-12-20 | 2023-04-11 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、空调和存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251941A (zh) * | 2007-04-06 | 2008-08-27 | 江苏金智科技股份有限公司 | 一种用于安全监控的人体运动目标视频检测新方法及装置 |
CN103245034A (zh) * | 2012-02-13 | 2013-08-14 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
CN103557577A (zh) * | 2013-10-30 | 2014-02-05 | 青岛海信日立空调***有限公司 | 基于摄像头的空调***及空调控制方法 |
JP2015072558A (ja) * | 2013-10-02 | 2015-04-16 | 株式会社関電エネルギーソリューション | 画像処理装置、撮像装置、空調システム、および、プログラム |
CN105303581A (zh) * | 2014-06-12 | 2016-02-03 | 南京理工大学 | 一种自适应参数的运动目标检测方法 |
CN105352124A (zh) * | 2015-11-20 | 2016-02-24 | 青岛海信电器股份有限公司 | 一种空调的调控方法和装置 |
US20160110602A1 (en) * | 2014-10-17 | 2016-04-21 | Omron Corporation | Area information estimating device, area information estimating method, and air conditioning apparatus |
CN105674471A (zh) * | 2014-11-18 | 2016-06-15 | 青岛海尔空调电子有限公司 | 一种空调用人体探测定位方法及空调 |
CN105928148A (zh) * | 2016-04-29 | 2016-09-07 | 合肥美的暖通设备有限公司 | 智能送风空调器和空调器的送风控制方法 |
CN106352474A (zh) * | 2016-08-22 | 2017-01-25 | 珠海格力电器股份有限公司 | 空调器的控制方法、控制装置及空调器 |
CN106440235A (zh) * | 2016-10-31 | 2017-02-22 | 邯郸美的制冷设备有限公司 | 一种空调及其送风控制方法和装置 |
CN106598046A (zh) * | 2016-11-29 | 2017-04-26 | 北京智能管家科技有限公司 | 机器人躲避控制方法和装置 |
EP3176514A1 (en) * | 2015-12-04 | 2017-06-07 | LG Electronics Inc. | Air conditioner and control method therefor |
CN107036227A (zh) * | 2016-02-03 | 2017-08-11 | 美的集团股份有限公司 | 空调器控制方法及空调器 |
CN107560090A (zh) * | 2017-09-20 | 2018-01-09 | 珠海格力电器股份有限公司 | 空调的送风控制方法及装置、终端 |
-
2018
- 2018-01-31 CN CN201810100124.5A patent/CN108253596B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251941A (zh) * | 2007-04-06 | 2008-08-27 | 江苏金智科技股份有限公司 | 一种用于安全监控的人体运动目标视频检测新方法及装置 |
CN103245034A (zh) * | 2012-02-13 | 2013-08-14 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
JP2015072558A (ja) * | 2013-10-02 | 2015-04-16 | 株式会社関電エネルギーソリューション | 画像処理装置、撮像装置、空調システム、および、プログラム |
CN103557577A (zh) * | 2013-10-30 | 2014-02-05 | 青岛海信日立空调***有限公司 | 基于摄像头的空调***及空调控制方法 |
CN105303581A (zh) * | 2014-06-12 | 2016-02-03 | 南京理工大学 | 一种自适应参数的运动目标检测方法 |
US20160110602A1 (en) * | 2014-10-17 | 2016-04-21 | Omron Corporation | Area information estimating device, area information estimating method, and air conditioning apparatus |
CN105674471A (zh) * | 2014-11-18 | 2016-06-15 | 青岛海尔空调电子有限公司 | 一种空调用人体探测定位方法及空调 |
CN105352124A (zh) * | 2015-11-20 | 2016-02-24 | 青岛海信电器股份有限公司 | 一种空调的调控方法和装置 |
EP3176514A1 (en) * | 2015-12-04 | 2017-06-07 | LG Electronics Inc. | Air conditioner and control method therefor |
CN107036227A (zh) * | 2016-02-03 | 2017-08-11 | 美的集团股份有限公司 | 空调器控制方法及空调器 |
CN105928148A (zh) * | 2016-04-29 | 2016-09-07 | 合肥美的暖通设备有限公司 | 智能送风空调器和空调器的送风控制方法 |
CN106352474A (zh) * | 2016-08-22 | 2017-01-25 | 珠海格力电器股份有限公司 | 空调器的控制方法、控制装置及空调器 |
CN106440235A (zh) * | 2016-10-31 | 2017-02-22 | 邯郸美的制冷设备有限公司 | 一种空调及其送风控制方法和装置 |
CN106598046A (zh) * | 2016-11-29 | 2017-04-26 | 北京智能管家科技有限公司 | 机器人躲避控制方法和装置 |
CN107560090A (zh) * | 2017-09-20 | 2018-01-09 | 珠海格力电器股份有限公司 | 空调的送风控制方法及装置、终端 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405206A (zh) * | 2018-10-10 | 2019-03-01 | 广东美的制冷设备有限公司 | 空气调节设备的送风控制方法和装置 |
CN109405206B (zh) * | 2018-10-10 | 2021-02-26 | 广东美的制冷设备有限公司 | 空气调节设备的送风控制方法和装置 |
CN109812934A (zh) * | 2019-01-29 | 2019-05-28 | 广东美的制冷设备有限公司 | 送风***、送风方法及计算机可读存储介质 |
CN109812934B (zh) * | 2019-01-29 | 2021-05-25 | 广东美的制冷设备有限公司 | 送风***、送风方法及计算机可读存储介质 |
WO2020211180A1 (zh) * | 2019-04-19 | 2020-10-22 | 青岛海尔空调器有限总公司 | 送风装置及其控制方法、控制装置 |
CN113091227A (zh) * | 2020-01-08 | 2021-07-09 | 佛山市云米电器科技有限公司 | 空调控制方法、云端服务器、空调控制***及存储介质 |
CN113091227B (zh) * | 2020-01-08 | 2022-11-01 | 佛山市云米电器科技有限公司 | 空调控制方法、云端服务器、空调控制***及存储介质 |
CN112032987A (zh) * | 2020-07-28 | 2020-12-04 | 四川虹美智能科技有限公司 | 基于红外人体追踪的空调控制方法及装置 |
CN115047824A (zh) * | 2022-05-30 | 2022-09-13 | 青岛海尔科技有限公司 | 数字孪生多模态设备控制方法、存储介质及电子装置 |
CN115950068A (zh) * | 2022-12-20 | 2023-04-11 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、空调和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108253596B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108253596A (zh) | 空调送风方法、空调器及计算机可读存储介质 | |
CN111027491A (zh) | 一种基于无锚点机制的火焰检测方法及装置 | |
CN105096267A (zh) | 一种基于拍照识别调节眼部亮度的方法和装置 | |
CN109028488A (zh) | 一种空调控制方法、***及存储介质 | |
JP2023505900A (ja) | メモリおよびデバイスのトラッキングを使用する拡張現実アプリケーションにおけるオクルージョンハンドリングのための方法と関連装置 | |
CN110033012A (zh) | 一种基于通道特征加权卷积神经网络的生成式目标跟踪方法 | |
CN108053418B (zh) | 一种动物背景建模方法及装置 | |
CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN110568770B (zh) | 一种控制智能家居设备的方法及控制设备 | |
CN108874269B (zh) | 一种目标跟踪方法、装置及*** | |
CN110710194B (zh) | 一种曝光方法、装置及摄像模组、电子设备 | |
CN112700568A (zh) | 一种身份认证的方法、设备及计算机可读存储介质 | |
JP5080416B2 (ja) | 入力画像から検出対象物の像を検出する画像処理装置 | |
CN111797993A (zh) | 深度学习模型的评价方法、装置、电子设备及存储介质 | |
CN116614709A (zh) | 一种布控球智能控制方法、***、终端及介质 | |
CN112556655B (zh) | 一种林业防火单目定位方法及*** | |
CN111640082B (zh) | 一种基于高斯混合模型与暗通道理论的水下图像恢复方法 | |
CN117218171A (zh) | 深度估计模型优化与物体距离检测方法及相关设备 | |
JP7283378B2 (ja) | 自己位置推定装置、移動体、自己位置推定方法、及び自己位置推定プログラム | |
CN114245907A (zh) | 自动曝光的光线追踪 | |
JP4456141B2 (ja) | 映像状態の判断及びその露光制御の方法 | |
CN117527991B (zh) | 一种基于光线追踪的视频遮挡区域检测方法及*** | |
CN115414621B (zh) | 一种消防水炮的智能控制方法及相关装置 | |
CN114748872B (zh) | 一种基于信息融合的游戏渲染更新方法 | |
CN115731140A (zh) | 图像合成方法、装置、电子设备、存储介质和程序产品 |
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 |