CN109948422A - 一种室内环境调节方法、装置、可读存储介质及终端设备 - Google Patents
一种室内环境调节方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN109948422A CN109948422A CN201910041699.9A CN201910041699A CN109948422A CN 109948422 A CN109948422 A CN 109948422A CN 201910041699 A CN201910041699 A CN 201910041699A CN 109948422 A CN109948422 A CN 109948422A
- Authority
- CN
- China
- Prior art keywords
- sample
- indoor
- sample set
- feature vector
- face feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000004378 air conditioning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明属于计算机技术领域,尤其涉及一种室内环境调节方法、装置、计算机可读存储介质及终端设备。所述方法获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;根据所述人脸特征向量确定所述室内用户的性别及年龄;获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。在无需任何人工干预的情况下即可自动改善室内环境给人以最舒适的感觉,大大提升了用户体验。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种室内环境调节方法、装置、计算机可读存储介质及终端设备。
背景技术
随着人们生活水平的提高,空调已经广泛地进入到千家万户。现有空调的控制方法一般是用户开启空调后,人工手动设置适合自己的温度、湿度等参数,而且,随着空调开启后效果的逐步显现,用户的体感也会逐步发生变化,此时,用户还会不断地对空调的温度、湿度等参数进行调整,即需要用户进行多次的重复操作,才能够达到适合自己的最佳舒适效果,非常不便,用户体验较差。
发明内容
有鉴于此,本发明实施例提供了一种室内环境调节方法、装置、计算机可读存储介质及终端设备,以解决现有的室内环境调节方法操作比较繁琐,用户体验较差的问题。
本发明实施例的第一方面提供了一种室内环境调节方法,可以包括:
获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
根据所述人脸特征向量确定所述室内用户的性别及年龄;
获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。
本发明实施例的第二方面提供了一种室内环境调节装置,可以包括:
人脸检测模块,用于获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
特征提取模块,用于对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
性别确定模块,用于根据所述人脸特征向量确定所述室内用户的性别;
年龄确定模块,用于根据所述人脸特征向量确定所述室内用户的年龄;
生理数据获取模块,用于获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
温度调整模块,用于根据所述室内用户的性别、年龄及生理特征向量对室内的温度进行调整;
湿度调整模块,用于根据所述室内用户的性别、年龄及生理特征向量对室内的湿度进行调整。
本发明实施例的第三方面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存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
根据所述人脸特征向量确定所述室内用户的性别及年龄;
获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。
本发明实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
根据所述人脸特征向量确定所述室内用户的性别及年龄;
获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先获取由预设的摄像头采集的室内监控图像,对所述室内监控图像进行人脸检测,并对检测到的人脸图像进行特征提取,构造室内用户的人脸特征向量,然后根据所述人脸特征向量确定所述室内用户的性别及年龄,最后,获取所述室内用户的各项人体生理数据,构造所述室内用户的生理特征向量,并根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。通过本发明实施例,无需用户进行任何操作,即可自动通过人脸检测确定室内用户的性别及年龄,获取用户的各项人体生理数据,并以此为依据对室内的温度和湿度分别进行调整,在无需任何人工干预的情况下即可自动改善室内环境给人以最舒适的感觉,大大提升了用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种室内环境调节方法的一个实施例流程图;
图2为对室内的温度进行调整的示意流程图;
图3为对室内的湿度进行调整的示意流程图;
图4为本发明实施例中一种室内环境调节装置的一个实施例结构图;
图5为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种室内环境调节方法的一个实施例可以包括:
步骤S101、获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测。
本实施例中的摄像头可以是室内的任意一个摄像头,例如,该摄像头可以是空调自身内置的摄像头,也可以是室内其它设备,如电视机、电脑、室内监控***等等内置的摄像头,还可以是专门设置的独立摄像头。
进一步地,为了保证可以更大概率的采集到室内的人脸图像,还可以通过以上所述的多个摄像头组成一个摄像集群来采集室内监控图像。
在本实施例中,在对所述室内监控图像进行人脸检测时,可以针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器),根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器,从而大大提高人脸图像检测的准确率。
步骤S102、对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量。
首先,进行基于图像多尺度表示的关键点检测。为了保证提取的特征对于尺度变换保持稳定性能,本实施例在尺度空间内进行图像关键点的检测,利用高斯核对原始图像进行尺度变换,以获得多尺度下的图像表示。
关键点检测主要由图像尺度空间生成,高斯差分金字塔建立,候选关键点获取,关键点精定位及其筛选和关键点主方向确定几个部分组成。
图像尺度空间生成主要是对给定的二维图像生成在不同尺度空间下的图像序列图。
高斯差分金字塔建立主要是对尺度空间图像序列进行高斯差分(Difference ofGaussian,DOG)操作,即相邻高斯滤波图像的差分,其主要是为找到具有稳定尺度特征的关键点。
候选关键点的获取主要是在建立的高斯差分空间金字塔中,定义在相邻尺度空间内具有局部最大值或局部最小值的点作为图像关键点的候选。高斯差分尺度空间的中间层的每个像素点与同一层的相邻8个像素点、上一层的相邻9个像素点和下一层的相邻9个像素点总共26个相邻像素点进行比较。像素若比相邻的26个像素的高斯差分值都大或都小,则该点可作为候选关键点。
关键点精定位及其筛选主要是因为高斯差分图像的像素值对噪声和边缘较敏感,因此,在高斯差分空间检测到的局部极值点要进一步筛选,并重定位到亚像素级和精度尺度位置。同时还要去除低对比度的特征点和不稳定的边缘响应点,以增强匹配稳定性和提高抗噪声能力。
关键点主方向的确定主要目的是保证旋转不变性,基于特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数。在以特征点为中心的邻域窗口内采样,并用梯度方向直方图统计邻域像素的梯度方向。
通过以上步骤,已经完成图像特征点的提取,每个特征点有三个信息:位置、尺度和方向。然后,可以基于梯度方向直方图统计的关键点特征提取。
在图像关键点表示中,仅利用关键点的位置、尺度和方向信息不足以形成足够判决性的特征,于是需要对关键点周围的区域以尺度大小提取灰度统计特征。在特征提取之前,首先将坐标轴旋转为关键点的方向,以确保旋转不变性。然后以关键点为中心取8×8的窗口,在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中为增强匹配的稳健性,将扩大特征提取的区域范围,对每个关键点使用4×4共16个种子点来描述,这样对于一个关键点就可以产生128个数据,最终形成128维的特征向量。为进一步去除光照对比度变化的影响,可将特征向量的长度归一化。
此处将最终得到的所述室内用户的人脸特征向量记为:
FaceVec=(FaceElm1,FaceElm2,...,FaceElmgn,...,FaceElmGN)
其中,gn为人脸特征向量的维度序号,1≤gn≤GN,GN为人脸特征向量的维度总数,FaceElmgn为所述室内用户的人脸特征向量在第gn个维度上的取值,FaceVec为所述室内用户的人脸特征向量。
步骤S103、根据所述人脸特征向量确定所述室内用户的性别及年龄。
其中,性别确定的过程可以包括:
首先,从预设的历史样本库中分别选取男性样本集以及女性样本集,其中,两个样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性。
所述男性样本集中的各个男性样本的人脸特征向量记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,MaleElmm,gn为第m个男性样本的人脸特征向量在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征向量。
所述女性样本集中的各个女性样本的人脸特征向量记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征向量在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征向量。
然后,根据下式分别计算所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离:
其中,FaceElmgn为所述室内用户的人脸特征向量在第gn个维度上的取值,MaleDis为所述室内用户的人脸特征向量与所述男性样本集之间的平均距离,FemDis为所述室内用户的人脸特征向量与所述女性样本集之间的平均距离。
最后,根据所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离确定所述室内用户的性别。
若MaleDis大于FemDis,则判定所述室内用户的性别为男性,若MaleDis小于FemDis,则判定所述室内用户的性别为女性。
进一步地,年龄确定的过程可以包括:
首先,从历史样本库中分别选取各个年龄段的样本集,其中,各个样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性。
特别需要注意的是,由于已经完成了性别的判断,在选取各个年龄段的样本时,只选择相同性别的样本,这样可以进一步提高判定结果的准确率。
各个样本的人脸特征向量记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段的样本集中的样本总数,AgeElms,c,gn为第s个年龄段的样本集中的第c个样本的人脸特征向量在第gn个维度上的取值,AgeVecs,c为第s个年龄段的样本集中的第c个样本的人脸特征向量。
然后,根据下式分别计算所述室内用户的人脸特征向量与各个年龄段的样本集之间的平均距离:
其中,AgeDiss为所述室内用户的人脸特征向量与第s个年龄段的样本集之间的平均距离。
最后,根据下式确定所述室内用户的年龄:
AgeType=argmin(AgeDis1,AgeDis2,...,AgeDiss,...,AgeDisSN)
其中,argmin为最小自变量函数,AgeType为所述室内用户所处的年龄段的序号。
步骤S104、获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量。
在本实施例中,可以通过智能手环/手表等可穿戴式智能设备采集所述室内用户的人体生理数据,这些人体生理数据可以包括但不限于心率、脉搏、体表温度、血压、血氧饱和度等等。
将这些人体生理数据构造成如下所示的生理特征向量:
PhyVec=(PhyElm1,PhyElm2,...,PhyElmpn,...,PhyElmPN)
其中,pn为生理特征向量的维度序号,1≤pn≤PN,PN为生理特征向量的维度总数,PhyElmpn为生理特征向量在第pn个维度上的取值,PhyVec为所述室内用户的生理特征向量。
步骤S105、根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。
如图2所示,对温度进行调整的过程可以包括:
步骤S201、根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内温度的第一样本集以及标签为降低室内温度的第二样本集。
其中,两个样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性。特别需要注意到是,由于不同性别、不同年龄的人对于温度的感受是不同的,在选取各个样本时,只选择相同性别、相同年龄段的样本,这样可以进一步提高判定结果的准确率。
所述第一样本集中的各个样本的生理特征向量记为:
TemUpVectu=(TUElmtu,1,TUElmtu,2,...,TUElmtu,pn,...,TUElmtu,PN)
tu为所述第一样本集中的样本的序号,1≤tu≤TemUpNum,TemUpNum为所述第一样本集中的样本总数,TUElmtu,pn为所述第一样本集中的第tu个样本的生理特征向量在第pn个维度上的取值,TemUpVectu为所述第一样本集中的第tu个样本的生理特征向量。
所述第二样本集中的各个样本的生理特征向量记为:
TemDnVectd=(TDElmtd,1,TDElmtd,2,...,TDElmtd,pn,...,TDElmtd,PN)
td为所述第二样本集中的样本的序号,1≤td≤TemDnNum,TemDnNum为所述第二样本集中的样本总数,TDElmtd,pn为所述第二样本集中的第td个样本的生理特征向量在第pn个维度上的取值,TemDnVectd为所述第二样本集中的第td个样本的生理特征向量。
步骤S202、分别计算所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离。
例如,可以根据下式分别计算所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离:
其中,TemUpDis为所述室内用户的生理特征向量与所述第一样本集之间的平均距离,TemDnDis为所述室内用户的生理特征向量与所述第二样本集之间的平均距离。
步骤S203、根据所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离对室内的温度进行调整。
若TemUpDis大于TemDnDis,则提升室内温度,若TemUpDis小于TemDnDis,则降低室内温度。
如图3所示,对温度进行调整的过程可以包括:
步骤S301、根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内湿度的第三样本集以及标签为降低室内湿度的第四样本集。
其中,两个样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性。特别需要注意到是,由于不同性别、不同年龄的人对于湿度的感受是不同的,在选取各个样本时,只选择相同性别、相同年龄段的样本,这样可以进一步提高判定结果的准确率。
所述第三样本集中的各个样本的生理特征向量记为:
HumUpVechu=(HUElmhu,1,HUElmhu,2,...,HUElmhu,pn,...,HUElmhu,PN)
hu为所述第三样本集中的样本的序号,1≤hu≤HumUpNum,HumUpNum为所述第三样本集中的样本总数,HUElmhu,pn为所述第三样本集中的第hu个样本的生理特征向量在第pn个维度上的取值,HumUpVechu为所述第三样本集中的第hu个样本的生理特征向量。
所述第四样本集中的各个样本的生理特征向量记为:
HumDnVechd=(HDElmhd,1,HDElmhd,2,...,HDElmhd,pn,...,HDElmhd,PN)
hd为所述第四样本集中的样本的序号,1≤hd≤HumDnNum,HumDnNum为所述第四样本集中的样本总数,HDElmhd,pn为所述第四样本集中的第hd个样本的生理特征向量在第pn个维度上的取值,HumDnVechd为所述第四样本集中的第hd个样本的生理特征向量。
步骤S302、分别计算所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离。
例如,可以根据下式分别计算所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离:
其中,HumUpDis为所述室内用户的生理特征向量与所述第三样本集之间的平均距离,HumDnDis为所述室内用户的生理特征向量与所述第四样本集之间的平均距离。
步骤S303、根据所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离对室内的湿度进行调整。
若HumUpDis大于HumDnDis,则提升室内温度,若HumUpDis小于HumDnDis,则降低室内温度。
综上所述,本发明实施例首先获取由预设的摄像头采集的室内监控图像,对所述室内监控图像进行人脸检测,并对检测到的人脸图像进行特征提取,构造室内用户的人脸特征向量,然后根据所述人脸特征向量确定所述室内用户的性别及年龄,最后,获取所述室内用户的各项人体生理数据,构造所述室内用户的生理特征向量,并根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。通过本发明实施例,无需用户进行任何操作,即可自动通过人脸检测确定室内用户的性别及年龄,获取用户的各项人体生理数据,并以此为依据对室内的温度和湿度分别进行调整,在无需任何人工干预的情况下即可自动改善室内环境给人以最舒适的感觉,大大提升了用户体验。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种室内环境调节方法,图4示出了本发明实施例提供的一种室内环境调节装置的一个实施例结构图。
本实施例中,一种室内环境调节装置可以包括:
人脸检测模块401,用于获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
特征提取模块402,用于对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
性别确定模块403,用于根据所述人脸特征向量确定所述室内用户的性别;
年龄确定模块404,用于根据所述人脸特征向量确定所述室内用户的年龄;
生理数据获取模块405,用于获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
温度调整模块406,用于根据所述室内用户的性别、年龄及生理特征向量对室内的温度进行调整;
湿度调整模块407,用于根据所述室内用户的性别、年龄及生理特征向量对室内的湿度进行调整。
进一步地,所述性别确定模块可以包括:
第一样本选取单元,用于从预设的历史样本库中分别选取男性样本集以及女性样本集,其中,所述男性样本集中的各个男性样本的人脸特征向量记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,gn为人脸特征向量的维度序号,1≤gn≤GN,GN为人脸特征向量的维度总数,MaleElmm,gn为第m个男性样本的人脸特征向量在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征向量;
所述女性样本集中的各个女性样本的人脸特征向量记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征向量在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征向量;
第一计算单元,用于根据下式分别计算所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离:
其中,FaceElmgn为所述室内用户的人脸特征向量在第gn个维度上的取值,MaleDis为所述室内用户的人脸特征向量与所述男性样本集之间的平均距离,FemDis为所述室内用户的人脸特征向量与所述女性样本集之间的平均距离;
性别确定单元,用于根据所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离确定所述室内用户的性别。
进一步地,所述年龄确定模块可以包括:
第二样本选取单元,用于从历史样本库中分别选取各个年龄段的样本集,其中,各个样本的人脸特征向量记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段的样本集中的样本总数,AgeElms,c,gn为第s个年龄段的样本集中的第c个样本的人脸特征向量在第gn个维度上的取值,AgeVecs,c为第s个年龄段的样本集中的第c个样本的人脸特征向量;
第二计算单元,用于根据下式分别计算所述室内用户的人脸特征向量与各个年龄段的样本集之间的平均距离:
其中,AgeDiss为所述室内用户的人脸特征向量与第s个年龄段的样本集之间的平均距离;
年龄确定单元,用于根据下式确定所述室内用户的年龄:
AgeType=argmin(AgeDis1,AgeDis2,...,AgeDiss,...,AgeDisSN)
其中,argmin为最小自变量函数,AgeType为所述室内用户所处的年龄段的序号。
进一步地,所述温度调整模块可以包括:
第三样本选取单元,用于根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内温度的第一样本集以及标签为降低室内温度的第二样本集,其中,所述第一样本集中的各个样本的生理特征向量记为:
TemUpVectu=(TUElmtu,1,TUElmtu,2,...,TUElmtu,pn,...,TUElmtu,PN)
tu为所述第一样本集中的样本的序号,1≤tu≤TemUpNum,TemUpNum为所述第一样本集中的样本总数,pn为生理特征向量的维度序号,1≤pn≤PN,PN为生理特征向量的维度总数,TUElmtu,pn为所述第一样本集中的第tu个样本的生理特征向量在第pn个维度上的取值,TemUpVectu为所述第一样本集中的第tu个样本的生理特征向量;
所述第二样本集中的各个样本的生理特征向量记为:
TemDnVectd=(TDElmtd,1,TDElmtd,2,...,TDElmtd,pn,...,TDElmtd,PN)
td为所述第二样本集中的样本的序号,1≤td≤TemDnNum,TemDnNum为所述第二样本集中的样本总数,TDElmtd,pn为所述第二样本集中的第td个样本的生理特征向量在第pn个维度上的取值,TemDnVectd为所述第二样本集中的第td个样本的生理特征向量;
第三计算单元,用于根据下式分别计算所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离:
其中,PhyElmpn为所述室内用户的生理特征向量在第pn个维度上的取值,TemUpDis为所述室内用户的生理特征向量与所述第一样本集之间的平均距离,TemDnDis为所述室内用户的生理特征向量与所述第二样本集之间的平均距离;
温度调整单元,用于根据所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离对室内的温度进行调整。
进一步地,所述湿度调整模块可以包括:
第四样本选取单元,用于根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内湿度的第三样本集以及标签为降低室内湿度的第四样本集,其中,所述第三样本集中的各个样本的生理特征向量记为:
HumUpVechu=(HUElmhu,1,HUElmhu,2,...,HUElmhu,pn,...,HUElmhu,PN)
hu为所述第三样本集中的样本的序号,1≤hu≤HumUpNum,HumUpNum为所述第三样本集中的样本总数,HUElmhu,pn为所述第三样本集中的第hu个样本的生理特征向量在第pn个维度上的取值,HumUpVechu为所述第三样本集中的第hu个样本的生理特征向量;
所述第四样本集中的各个样本的生理特征向量记为:
HumDnVechd=(HDElmhd,1,HDElmhd,2,...,HDElmhd,pn,...,HDElmhd,PN)
hd为所述第四样本集中的样本的序号,1≤hd≤HumDnNum,HumDnNum为所述第四样本集中的样本总数,HDElmhd,pn为所述第四样本集中的第hd个样本的生理特征向量在第pn个维度上的取值,HumDnVechd为所述第四样本集中的第hd个样本的生理特征向量;
第四计算单元,用于根据下式分别计算所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离:
其中,PhyElmpn为所述室内用户的生理特征向量在第pn个维度上的取值,HumUpDis为所述室内用户的生理特征向量与所述第三样本集之间的平均距离,HumDnDis为所述室内用户的生理特征向量与所述第四样本集之间的平均距离;
湿度调整单元,用于根据所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离对室内的湿度进行调整。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述终端设备5可以是室内空调机,该终端设备5可包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52,例如执行上述的室内环境调节方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个室内环境调节方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至407的功能。
示例性的,所述计算机可读指令52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种室内环境调节方法,其特征在于,包括:
获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
根据所述人脸特征向量确定所述室内用户的性别及年龄;
获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
根据所述室内用户的性别、年龄及生理特征向量对室内的温度和湿度分别进行调整。
2.根据权利要求1所述的室内环境调节方法,其特征在于,所述根据所述人脸特征向量确定所述室内用户的性别包括:
从预设的历史样本库中分别选取男性样本集以及女性样本集,其中,所述男性样本集中的各个男性样本的人脸特征向量记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,gn为人脸特征向量的维度序号,1≤gn≤GN,GN为人脸特征向量的维度总数,MaleElmm,gn为第m个男性样本的人脸特征向量在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征向量;
所述女性样本集中的各个女性样本的人脸特征向量记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征向量在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征向量;
根据下式分别计算所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离:
其中,FaceElmgn为所述室内用户的人脸特征向量在第gn个维度上的取值,MaleDis为所述室内用户的人脸特征向量与所述男性样本集之间的平均距离,FemDis为所述室内用户的人脸特征向量与所述女性样本集之间的平均距离;
根据所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离确定所述室内用户的性别。
3.根据权利要求1所述的室内环境调节方法,其特征在于,所述根据所述人脸特征向量确定所述室内用户的年龄包括:
从历史样本库中分别选取各个年龄段的样本集,其中,各个样本的人脸特征向量记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段的样本集中的样本总数,AgeElms,c,gn为第s个年龄段的样本集中的第c个样本的人脸特征向量在第gn个维度上的取值,AgeVecs,c为第s个年龄段的样本集中的第c个样本的人脸特征向量;
根据下式分别计算所述室内用户的人脸特征向量与各个年龄段的样本集之间的平均距离:
其中,AgeDiss为所述室内用户的人脸特征向量与第s个年龄段的样本集之间的平均距离;
根据下式确定所述室内用户的年龄:
AgeType=argmin(AgeDis1,AgeDis2,...,AgeDiss,...,AgeDisSN)
其中,argmin为最小自变量函数,AgeType为所述室内用户所处的年龄段的序号。
4.根据权利要求1至3中任一项所述的室内环境调节方法,其特征在于,所述根据所述室内用户的性别、年龄及生理特征向量对室内的温度进行调整包括:
根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内温度的第一样本集以及标签为降低室内温度的第二样本集,其中,所述第一样本集中的各个样本的生理特征向量记为:
TemUpVectu=(TUElmtu,1,TUElmtu,2,...,TUElmtu,pn,...,TUElmtu,PN)
tu为所述第一样本集中的样本的序号,1≤tu≤TemUpNum,TemUpNum为所述第一样本集中的样本总数,pn为生理特征向量的维度序号,1≤pn≤PN,PN为生理特征向量的维度总数,TUElmtu,pn为所述第一样本集中的第tu个样本的生理特征向量在第pn个维度上的取值,TemUpVectu为所述第一样本集中的第tu个样本的生理特征向量;
所述第二样本集中的各个样本的生理特征向量记为:
TemDnVectd=(TDElmtd,1,TDElmtd,2,...,TDElmtd,pn,...,TDElmtd,PN)
td为所述第二样本集中的样本的序号,1≤td≤TemDnNum,TemDnNum为所述第二样本集中的样本总数,TDElmtd,pn为所述第二样本集中的第td个样本的生理特征向量在第pn个维度上的取值,TemDnVectd为所述第二样本集中的第td个样本的生理特征向量;
根据下式分别计算所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离:
其中,PhyElmpn为所述室内用户的生理特征向量在第pn个维度上的取值,TemUpDis为所述室内用户的生理特征向量与所述第一样本集之间的平均距离,TemDnDis为所述室内用户的生理特征向量与所述第二样本集之间的平均距离;
根据所述室内用户的生理特征向量与所述第一样本集以及所述第二样本集之间的平均距离对室内的温度进行调整。
5.根据权利要求1至3中任一项所述的室内环境调节方法,其特征在于,所述根据所述室内用户的性别、年龄及生理特征向量对室内的湿度进行调整包括:
根据所述室内用户的性别和年龄从历史样本库中分别选取标签为提升室内湿度的第三样本集以及标签为降低室内湿度的第四样本集,其中,所述第三样本集中的各个样本的生理特征向量记为:
HumUpVechu=(HUElmhu,1,HUElmhu,2,...,HUElmhu,pn,...,HUElmhu,PN)
hu为所述第三样本集中的样本的序号,1≤hu≤HumUpNum,HumUpNum为所述第三样本集中的样本总数,HUElmhu,pn为所述第三样本集中的第hu个样本的生理特征向量在第pn个维度上的取值,HumUpVechu为所述第三样本集中的第hu个样本的生理特征向量;
所述第四样本集中的各个样本的生理特征向量记为:
HumDnVechd=(HDElmhd,1,HDElmhd,2,...,HDElmhd,pn,...,HDElmhd,PN)
hd为所述第四样本集中的样本的序号,1≤hd≤HumDnNum,HumDnNum为所述第四样本集中的样本总数,HDElmhd,pn为所述第四样本集中的第hd个样本的生理特征向量在第pn个维度上的取值,HumDnVechd为所述第四样本集中的第hd个样本的生理特征向量;
根据下式分别计算所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离:
其中,PhyElmpn为所述室内用户的生理特征向量在第pn个维度上的取值,HumUpDis为所述室内用户的生理特征向量与所述第三样本集之间的平均距离,HumDnDis为所述室内用户的生理特征向量与所述第四样本集之间的平均距离;
根据所述室内用户的生理特征向量与所述第三样本集以及所述第四样本集之间的平均距离对室内的湿度进行调整。
6.一种室内环境调节装置,其特征在于,包括:
人脸检测模块,用于获取由预设的摄像头采集的室内监控图像,并对所述室内监控图像进行人脸检测;
特征提取模块,用于对检测到的人脸图像进行特征提取,并根据提取到的人脸特征构造室内用户的人脸特征向量;
性别确定模块,用于根据所述人脸特征向量确定所述室内用户的性别;
年龄确定模块,用于根据所述人脸特征向量确定所述室内用户的年龄;
生理数据获取模块,用于获取所述室内用户的各项人体生理数据,并根据所述各项人体生理数据构造所述室内用户的生理特征向量;
温度调整模块,用于根据所述室内用户的性别、年龄及生理特征向量对室内的温度进行调整;
湿度调整模块,用于根据所述室内用户的性别、年龄及生理特征向量对室内的湿度进行调整。
7.根据权利要求6所述的室内环境调节装置,其特征在于,所述性别确定模块包括:
第一样本选取单元,用于从预设的历史样本库中分别选取男性样本集以及女性样本集,其中,所述男性样本集中的各个男性样本的人脸特征向量记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,gn为人脸特征向量的维度序号,1≤gn≤GN,GN为人脸特征向量的维度总数,MaleElmm,gn为第m个男性样本的人脸特征向量在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征向量;
所述女性样本集中的各个女性样本的人脸特征向量记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征向量在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征向量;
第一计算单元,用于根据下式分别计算所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离:
其中,FaceElmgn为所述室内用户的人脸特征向量在第gn个维度上的取值,MaleDis为所述室内用户的人脸特征向量与所述男性样本集之间的平均距离,FemDis为所述室内用户的人脸特征向量与所述女性样本集之间的平均距离;
性别确定单元,用于根据所述室内用户的人脸特征向量与所述男性样本集以及所述女性样本集之间的平均距离确定所述室内用户的性别。
8.根据权利要求6所述的室内环境调节装置,其特征在于,所述年龄确定模块包括:
第二样本选取单元,用于从历史样本库中分别选取各个年龄段的样本集,其中,各个样本的人脸特征向量记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段的样本集中的样本总数,AgeElms,c,gn为第s个年龄段的样本集中的第c个样本的人脸特征向量在第gn个维度上的取值,AgeVecs,c为第s个年龄段的样本集中的第c个样本的人脸特征向量;
第二计算单元,用于根据下式分别计算所述室内用户的人脸特征向量与各个年龄段的样本集之间的平均距离:
其中,AgeDiss为所述室内用户的人脸特征向量与第s个年龄段的样本集之间的平均距离;
年龄确定单元,用于根据下式确定所述室内用户的年龄:
AgeType=argmin(AgeDis1,AgeDis2,...,AgeDiss,...,AgeDisSN)
其中,argmin为最小自变量函数,AgeType为所述室内用户所处的年龄段的序号。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的室内环境调节方法的步骤。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的室内环境调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910041699.9A CN109948422A (zh) | 2019-01-16 | 2019-01-16 | 一种室内环境调节方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910041699.9A CN109948422A (zh) | 2019-01-16 | 2019-01-16 | 一种室内环境调节方法、装置、可读存储介质及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948422A true CN109948422A (zh) | 2019-06-28 |
Family
ID=67006718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910041699.9A Pending CN109948422A (zh) | 2019-01-16 | 2019-01-16 | 一种室内环境调节方法、装置、可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948422A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991256A (zh) * | 2019-11-11 | 2020-04-10 | 无锡慧眼人工智能科技有限公司 | 一种基于人脸特征进行年龄估计、和/或性别识别的***及方法 |
CN111444799A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市合信达控制***有限公司 | 一种温控功能界面的输出展示方法以及装置 |
WO2023020026A1 (zh) * | 2021-08-19 | 2023-02-23 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、空调器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965535A (zh) * | 2015-05-27 | 2015-10-07 | 小米科技有限责任公司 | 温度调节设备的控制方法及装置 |
CN107178881A (zh) * | 2017-07-10 | 2017-09-19 | 绵阳美菱软件技术有限公司 | 一种智能空调、空调运行方法和空调控制*** |
CN108427451A (zh) * | 2018-03-29 | 2018-08-21 | 广州视源电子科技股份有限公司 | 温度调节方法、装置、设备、***及计算机可读存储介质 |
-
2019
- 2019-01-16 CN CN201910041699.9A patent/CN109948422A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965535A (zh) * | 2015-05-27 | 2015-10-07 | 小米科技有限责任公司 | 温度调节设备的控制方法及装置 |
CN107178881A (zh) * | 2017-07-10 | 2017-09-19 | 绵阳美菱软件技术有限公司 | 一种智能空调、空调运行方法和空调控制*** |
CN108427451A (zh) * | 2018-03-29 | 2018-08-21 | 广州视源电子科技股份有限公司 | 温度调节方法、装置、设备、***及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991256A (zh) * | 2019-11-11 | 2020-04-10 | 无锡慧眼人工智能科技有限公司 | 一种基于人脸特征进行年龄估计、和/或性别识别的***及方法 |
CN111444799A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市合信达控制***有限公司 | 一种温控功能界面的输出展示方法以及装置 |
WO2023020026A1 (zh) * | 2021-08-19 | 2023-02-23 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、空调器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A hierarchical image matting model for blood vessel segmentation in fundus images | |
US10726244B2 (en) | Method and apparatus detecting a target | |
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
KR101964397B1 (ko) | 정보처리장치 및 정보처리방법 | |
Ling et al. | A saliency prediction model on 360 degree images using color dictionary based sparse representation | |
Zhou et al. | Salient region detection via integrating diffusion-based compactness and local contrast | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及*** | |
CN109815826B (zh) | 人脸属性模型的生成方法及装置 | |
CN107633522B (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和*** | |
WO2019210555A1 (zh) | 一种基于深度神经网络的人数统计方法及装置、存储介质 | |
CN110969087B (zh) | 一种步态识别方法及*** | |
CN110838125B (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
CN111507248B (zh) | 一种低分辨热力图的人脸额头区域检测与定位方法及其*** | |
CN110555481A (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
WO2023137914A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109657583A (zh) | 脸部关键点检测方法、装置、计算机设备和存储介质 | |
CN109948422A (zh) | 一种室内环境调节方法、装置、可读存储介质及终端设备 | |
WO2009152509A1 (en) | Method and system for crowd segmentation | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN112183541B (zh) | 一种轮廓提取方法及装置、电子设备、存储介质 | |
CN111209873A (zh) | 一种基于深度学习的高精度人脸关键点定位方法及*** | |
CN109685830A (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
WO2023016087A1 (zh) | 图像聚类方法、装置、计算机设备及存储介质 | |
Pi et al. | Color image segmentation for objects of interest with modified geodesic active contour method | |
Park et al. | Bayesian rule-based complex background modeling and foreground detection |
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 |