基于人体姿势的风扇调节方法、风扇和存储介质 |
|||||||
| 申请号 | CN201911176243.X | 申请日 | 2019-11-26 | 公开(公告)号 | CN112949347B | 公开(公告)日 | 2024-05-07 |
| 申请人 | 佛山市云米电器科技有限公司; 陈小平; | 发明人 | 陈小平; 陈伟健; 唐清生; 林勇进; | ||||
| 摘要 | 本 申请 提供了一种基于人体姿势的 风 扇调节方法、风扇和存储介质，该方法包括：获取风扇搭载的摄像头拍摄的 深度图 像 作为待检测图像；确定待检测图像中用户的姿势高度，提取待检测图像中的人体轮廓图像；基于姿势识别模型，根据人体轮廓图像确定待检测图像中的用户的姿势类型；根据用户的姿势类型确定用户对应的送风模式，根据姿势高度确定风扇对应的送风范围，可以满足用户的个性化需求；调节风扇的转动 角 度按照送风范围并采用送风模式进行送风。提高了用户吹风时的体验度。 | ||||||
| 权利要求 | 1.一种基于人体姿势的风扇调节方法，其特征在于，包括： |
||||||
| 说明书全文 | 基于人体姿势的风扇调节方法、风扇和存储介质技术领域[0001] 本申请涉及智能家居领域，尤其涉及一种基于人体姿势的风扇调节方法、风扇和存储介质。 背景技术[0002] 现有的电扇大多数是固定范围的送风模式，仅仅具有左右自动摇头的功能，不够人性化。这些风扇无法根据不同用户的实际位置确定送风范围，更无法根据用户的姿势，比如站姿、坐姿、躺姿等姿势确定送风模式，无法满足用户的个性化需求；只能通过手动调节风扇的送风范围和送风模式，不够智能化，不能提高用户的体验度。发明内容 [0003] 本申请提供了一种基于人体姿势的风扇调节方法、风扇和存储介质，可以自动根据用户的实际位置调节风扇的送风范围并采用用户的姿势对应的送风模式进行送风，提高了用户吹风时的体验度。 [0004] 第一方面，本申请提供了一种基于人体姿势的风扇调节方法，所述方法包括： [0005] 获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像，其中，所述待检测图像包括至少一个用户； [0006] 确定所述待检测图像中用户的姿势高度，提取所述待检测图像中的人体轮廓图像； [0007] 基于姿势识别模型，根据所述人体轮廓图像确定所述待检测图像中的用户的姿势类型； [0008] 根据所述用户的姿势类型确定所述用户对应的送风模式，以及根据所述姿势高度确定所述风扇对应的送风范围； [0009] 调节所述风扇的转动角度按照所述送风范围并采用所述送风模式进行送风。 [0010] 第二方面，本申请还提供了一种风扇，所述风扇包括摄像头、存储器和处理器； [0011] 所述摄像头，用于采集图像； [0012] 所述存储器，用于存储计算机程序； [0013] 所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于人体姿势的风扇调节方法。 [0014] 第三方面，本申请还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程序，所述计算机程序被处理器执行时使所述处理器实现如上述的基于人体姿势的风扇调节方法。 [0015] 本申请公开了一种基于人体姿势的风扇调节方法、风扇和存储介质，通过获取风扇搭载的摄像头拍摄的深度图像作为待检测图像，然后确定待检测图像中用户的姿势高度，提取待检测图像中的人体轮廓图像；基于姿势识别模型，可以根据人体轮廓图像确定待检测图像中的用户的姿势类型，可以提高识别的准确度；根据用户的姿势类型确定用户对应的送风模式，根据姿势高度确定风扇对应的送风范围，可以满足用户的个性化需求；调节风扇的转动角度按照送风范围并采用送风模式进行送风。提高了用户吹风时的体验度。附图说明 [0016] 为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。 [0017] 图1是本申请的实施例提供的一种风扇的结构示意性框图； [0018] 图2是本申请的实施例提供的风扇调节方法的步骤示意流程图； [0019] 图3是本申请实施例提供的待检测图像的示意图； [0020] 图4是本申请实施例提供的待检测图像的预测结果的示意图； [0021] 图5是本申请实施例提供的人体轮廓图像的示意图； [0022] 图6是本申请实施例提供的确定用户的偏离角度的示意图； [0023] 图7是本申请另一实施例提供的确定用户的偏离角度的示意图； [0024] 图8是本申请实施例提供的调整送风范围的场景示意图； [0025] 图9是本申请实施例提供的用户离开拍摄范围的场景示意图； [0026] 图10为本申请实施例提供的一种风扇的结构示意性框图。 具体实施方式[0027] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。 [0028] 附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。 [0029] 应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。 [0030] 还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。 [0031] 请参阅图1，图1是本申请提供的一种风扇的示意性框图。以下将结合图1，对本申请实施例中的风扇进行说明。 [0032] 如图1所示，该风扇10包括电机11、扇头12、立杆13、底座14。其中，扇头12设有叶片120；立杆13上设有拍摄装置15和功能控制装置16，通过拍摄装置15可进行图像采集，并将采集的图像发送给功能控制装置16。 [0033] 可以理解的是，风扇10可以是落地扇、塔扇、台扇、无叶风扇、壁扇等。风扇10的送风可以是常温风、冷风或暖风。 [0035] 示例性的，所述拍摄装置15可以是带有白光灯或红外灯的摄像头。 [0036] 在一些实施例中，拍摄装置15包括摄像头，该摄像头可以是普通摄像头，当然也可以是深度摄像头，比如TOF相机。 [0037] 可以理解的是，普通摄像头是只用于拍摄目标的摄像头；深度摄像头除了可以拍摄深度图像，还可用于获取目标到摄像头之间的距离。功能控制装置16可以确定深度图像中用户的姿势高度，也可以根据深度图像提取深度图像中的目标到摄像头的距离。 [0038] 在一些实施例中，功能控制装置16与所述拍摄装置15电连接，用于处理所述拍摄装置15拍摄的图像。 [0039] 功能控制装置16可以包括处理器与存储器。所述存储器用于存储图像数据和计算机程序，所述处理器与电机11连接，用于控制所述电机11的工作状态，比如转动角度与转速。所述电机11可以带动所述扇头12转动，也可以带动所述叶片120旋转。 [0040] 示例性的，所述电机11可以包括左右摇头电机和上下摇头电机。 [0041] 需要说明的是，在本申请的实施例中，电机11可以沿某个方向摆动，比如沿水平方向摆动，和/或沿竖直方向摆动，其中摆动可以使用电机和驱动机构实现，驱动机构比如包括曲柄和连杆，或者主动轮和从动轮配合等。 [0042] 其中，所述处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、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 GateArray，FPGA)或者其他可编程逻辑器件、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。 [0043] 其中，所述存储器可以包括非易失性存储介质和内存储器。内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于人体姿势的风扇调节方法。 [0044] 需要说明的是，在图1中，以拍摄装置15为深度摄像头以及功能控制装置16包括处理器与存储器为例进行示例，但并不构成对拍摄装置15和功能控制装置16的限定。 [0045] 在风扇10中，拍摄装置15用于采集深度图像数据，并将采集的深度图像数据发送至功能控制装置16。功能控制装置16中的处理器根据采集的深度图像数据预测用户的位置坐标姿势高度，得到用户的姿势高度；也可以提取深度图像中人体轮廓图像，进而确定深度图像中用户的姿势类型；然后根据用户的姿势类型获取用户的送风模式；还可以根据姿势高度确定用户对应的送风范围。功能控制装置16可以根据用户对应的送风模式和确定的送风范围，控制电机11的上下转动角度，以实现自动根据用户的实际位置调节风扇10的送风范围并采用用户对应的送风模式进行送风。 [0046] 可以理解的，图1中的风扇10以及上述对于风扇10的各部件的命名仅仅出于标识的目的，并不因此对本申请实施例进行限制。 [0047] 以下将基于图1中的风扇10，对本申请的实施例提供的基于人体姿势的风扇调节方法进行详细介绍。 [0048] 请参阅图2，图2是本申请一实施例提供的一种基于人体姿势的风扇调节方法的步骤示意流程图。基于人体姿势的风扇调节方法可应用在风扇上，以使得风扇自动根据用户的实际位置调节送风范围并采用用户对应的送风模式进行送风。 [0049] 如图2所示，该基于人体姿势的风扇调节方法包括步骤S10至步骤S50。 [0050] 步骤S10、获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像，其中，所述待检测图像包括至少一个用户。 [0051] 示例性的，获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像，可以是根据开启指令开启所述风扇搭载的摄像头拍摄的图像，得到包括至少一个用户的待检测图像。 [0052] 其中，所述开启指令根据用户的操作而生成的用于开启所述风扇的指令。例如，用户可以操作旋钮、遥控、触屏按键或手机app开启风扇，则生成开启指令。示例性的，在接收到开启指令时，启动摄像头进行拍摄图像。 [0053] 在一些实施例中，获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像时，还可以开启所述补光灯，控制所述补光灯对所述摄像头进行补光；然后通过所述摄像头拍摄补光后的深度图像作为待检测图像。 [0054] 比如，在所述摄像头周围环境的光线较弱时，开启所述补光灯，以增强所述摄像头拍摄图像的图像效果。 [0055] 示例性的，所述补光灯可以是内置于摄像头的白光灯或红光灯，也可以是独立的白光灯或红光灯。 [0057] 示例性的，获取深度图像的方式可以包括双目立体视觉法、TOF相机或3D结构光技术。 [0058] 在一些实施例中，可以采用双目立体视觉法获取深度图像。该双目立体视觉的方法通过两个相隔一定距离的摄像机同时获取同一场景的两幅图像，通过立体匹配算法找到两幅图像中对应的像素点，随后根据三角原理计算出时差信息，而视差信息通过转换可用于表征场景中物体的深度信息。基于立体匹配算法，还可通过拍摄同一场景下不同角度的一组图像来获得该场景的深度图像。 [0059] 在一些实施例中，可以采用TOF相机获取深度图像。TOF相机获取深度图像的原理是：通过对目标场景发射连续的近红外脉冲，然后用传感器接收由物体反射回的光脉冲；通过比较发射光脉冲与经过物体反射的光脉冲的相位差，可以推算得到光脉冲之间的传输延迟进而得到物体相对于发射器的距离，最终得到深度图像。 [0060] 在一些实施例中，可以采用3D结构光技术获取深度图像。3D结构光技术是通过近红外激光器，将具有一定结构特征的光线投射到被摄物体上，再由专门的红外摄像头进行采集。这种具备一定结构的光线，会因被摄物体的不同深度区域，而采集不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息，获得深度图像。 [0061] 具体地，在获取所述风扇搭载的摄像头拍摄的深度图像之后，还可以对所述深度图像进行预处理，例如对所述深度图像进行尺寸调整和归一化处理，得到待检测图像。 [0062] 在一些实施例中，根据预设尺寸调整所述深度图像的高度与宽度，得到调整后的深度图像。 [0063] 可以理解的，若所述摄像头在拍摄深度图像的尺寸没有与人体识别模型中需要的预设尺寸保持一致，通过调整所述深度图像的尺寸，可以保证调整后的深度图像的尺寸与所述预设尺寸一致。 [0064] 示例性的，所述预设尺寸是预先设定的尺寸，例如所述预设尺寸为高度为a，宽度为b。这里的高度a、宽度b的单位为像素。 [0065] 在本实施例中，若所述深度图像的尺寸与所述预设尺寸不一致，例如所述深度图像的高度为c像素，宽度为d像素；则可以根据所述预测尺寸对所述图像深度进行调整。示例性的，将所述深度图像的高度调整为a像素，宽度调整为b像素。 [0066] 通过根据预设尺寸调整所述深度图像的尺寸，使所述深度图像能够输入人体识别模型进行检测。 [0067] 在一些实施例中，可以对所述调整后的深度图像进行归一化处理，得到待检测图像。 [0068] 示例性的，在得到调整后的深度图像之后，还可以对所述调整后的深度图像进行归一化处理，得到待检测图像。 [0069] 需要说明的是，所述归一化是指将图像数据的0‑255的UNIT型数据转换到0‑1之间。所述归一化可以包括坐标中心化、x‑shearing归一化、缩放归一化和旋转归一化等过程。 [0070] 在本实施例中，通过对所述调整后的深度图像进行归一化处理，可以找出所述深度图像中的不变量，例如可以减小所述深度图像由于光线不均匀造成的干扰，从而提高后续识别深度图像中的用户信息的准确度。 [0071] 步骤S20、确定所述待检测图像中用户的姿势高度，提取所述待检测图像中的人体轮廓图像。 [0072] 可以理解的是，所述姿势高度是指在所述待检测图像中，用户的站姿、坐姿或躺姿对应的高度。 [0073] 具体地，将所述待检测图像输入训练好的人体识别模型中进行检测，输出所述用户对应的预测概率和所述用户对应的预测坐标。根据所述用户的预测坐标可以确定所述用户在所述待检测图像中的姿势高度。 [0075] 所述人体识别模型可以通过预设的样本图像对卷积神经网络中训练至收敛得到。所述卷积神经网络通过卷积层、池化层和全连接层对样本图像进行处理，输出样本图像中用户对应的预测概率和用户对应的预测坐标。所述预设的样本图像包括在不同位置的不同用户的图像。因此所述训练好的人体识别模型可以更准确地预测出图像中是否存在用户的预测概率以及用户的预测坐标。 [0076] 在一些实施例中，如图3所示，图3是待检测图像的示意图。可以将所述摄像头采集得到的且经预处理的待检测图像输入训练好的人体识别模型中进行检测。 [0077] 在一些实施例中，将所述待检测图像输入训练好的人体识别模型，对所述待检测图像进行若干次卷积和池化处理，再将处理的结果经全连接处理和归一化处理，识别得到所述待检测图像中用户的预测概率与所述用户对应的预测坐标。 [0078] 示例性的，如图4所示，图4是待检测图像的预测结果的示意图。若所述待检测图像中包括一个用户，得到的预测结果可以包括：[person，90％，(20，496)，(40，20)]；其中90％是用户person的预测概率，(20，496)和(40，20)表示用户person在所述待检测图像中的左上角坐标和右下角坐标，单位为像素。 [0079] 可以理解的，图像坐标系是以图像的左上角为原点，根据左上角坐标和右下角坐标可以得到所述待检测图像中用户的姿势高度。 [0080] 具体地，在得到所述待检测图像中用户的预测概率之后，需要判断所述用户对应的预测概率是否大于预设阈值。示例性的，所述预设阈值可以是80％。 [0081] 具体地，若所述预测坐标对应的预测概率大于所述预设阈值，则将所述用户的预测坐标作为所述用户的姿势高度。 [0082] 在一些实施例中，若所述用户对应的预测概率为90％，大于所述预设阈值的80％，则根据所述预测的左上角坐标与右下角坐标得到用户在所述待检测图像中的姿势高度，例如左上角坐标为(20，496)，右下角坐标为(40，20)，则用户在所述待检测图像中的姿势高度为476像素。 [0083] 在另一些实施例中，若所述预测坐标对应的预测概率为75％，小于所述预设阈值的80％，则不能将所述预测坐标作为所述用户的姿势高度，需要重新通过所述摄像头采集图像并进行用户的位置预测。 [0084] 具体地，提取所述待检测图像中的人体轮廓图像。 [0085] 在一些实施例中，对所述待检测图像进行分割，得到分割图像。然后根据边缘提取算子计算所述分割图像的人体轮廓，并根据形态学算法对所述人体轮廓中的不连续轮廓边界进行连接，得到人体轮廓图像。 [0087] 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。 [0088] 示例性的，边缘提取算子可以包括Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Laplace边缘检测算子等。 [0089] 通过边缘提取算子技术实施分割图像的人体轮廓，可以精确确定边缘的位置，而且能有效地抑制噪声。 [0090] 可以理解的是，形态学算法就是基于形状的一系列图像处理操作，通过将结构元素作用于输入图像来产生输出图像。 [0091] 示例性的，形态学算法可以包括膨胀、腐蚀、闭合与开启。其中膨胀是指使区域扩大；腐蚀是指使区域变小；闭合是指填充区域内的小孔和消除沿边界的缺口；开启是指去掉区域边界处由里向外的毛刺。 [0092] 通过形态学算法，可以将图像中人体轮廓中不连续轮廓边界进行连接，得到人体轮廓图像。 [0093] 通过对待检测图像进行分割，然后根据边缘提取算子计算分割图像的人体轮廓，并根据形态学算法对人体轮廓中的不连续轮廓边界进行连接，可以有效地优化人体轮廓图像的边缘细节，可以提高检测结果的准确度。 [0094] 步骤S30、基于姿势识别模型，根据所述人体轮廓图像确定所述待检测图像中的用户的姿势类型。 [0095] 示例性的，所述姿势识别模型用于预测任一人体轮廓图像对应的姿势信息，可以得到姿势信息中的姿势类型和姿势类型对应的置信度。 [0096] 可以理解的，所述姿势识别模型可以是如下任一网络：单目标多框检测器(Single Shot Multibox Detector，SSD)网络，卷积神经网络(Convolutional Neural Network，CNN)、受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)或循环神经网络(RecurrentNeuralNetwork，RNN)。 [0097] 在本申请的实施例中，所述姿势识别模型为训练好的SSD网络。 [0098] 具体地，所述姿势识别模型可以通过预设的样本图像对SSD网络中训练至收敛得到。SSD网络采用VGG16网络结构做基础模型，通过卷积层Conv4_3、Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2将人体轮廓图像卷积得到不同尺度的特征图，所述特征图用于预测所述人体轮廓图像对应的姿势信息，例如姿势类型和置信度。因此所述训练好的姿势识别模型可以更准确地预测出人体轮廓图像中的姿势类型。 [0099] 具体地，将所述人体轮廓图像输入训练好的SSD网络中进行识别，输出所述人体轮廓图像对应的姿势识别结果，所述姿势识别结果包括预测的姿势类型和所述预测的姿势类型对应的置信度。 [0100] 示例性的，如图5所示，图5是人体轮廓图像的示意图。所述姿势类型可以包括站姿、坐姿或躺姿。 [0101] 具体地，若所述预测的姿势类型对应的置信度大于预设的置信度，将所述预测的姿势类型作为所述用户的姿势类型。示例性的，所述预设的置信度可以是90％。 [0102] 在一些实施例中，将所述人体轮廓图像输入训练好的SSD网络中进行识别，输出的姿势识别结果为(坐姿，95％)。由于所述预测的姿势类型对应的置信度为95％，大于所述预设的置信度90％，因此可以将所述预测的姿势类型为坐姿作为所述用户的姿势类型。 [0103] 步骤S40、根据所述用户的姿势类型确定所述用户对应的送风模式，以及根据所述姿势高度确定所述风扇对应的送风范围。 [0104] 需要说明的是，所述功能控制装置16中的存储器存储有预设的姿势类型与送风模式之间的对应关系的数据，因此可以从存储器中获取预设的姿势类型与送风模式之间的对应关系，根据所述对应关系确定所述用户的姿势类型对应的送风模式。 [0105] 示例性的，站姿对应的送风模式为强力送风；坐姿对应的送风模式为正常送风；躺姿对应的送风模式为柔和送风或睡眠送风。 [0106] 具体地，若所述待检测图像包括一个用户，根据所述用户对应的姿势类型据确定所述用户对应的送风模式。 [0107] 在一些实施例中，若所述用户对应的姿势类型为坐姿，则将坐姿对应的正常模式作为所述用户对应的送风模式。 [0108] 在另一些实施例中，若所述待检测图像包括至少两个用户，根据所述至少两个用户对应的姿势确定所述至少两个用户各自对应的送风模式；显示所述至少两个用户各自对应的送风模式以供用户选择，获取用户选择的送风模式。 [0109] 示例性的，若用户甲对应的送风模式为强力模式，用户乙对应的送风模式为正常模式，则可以在所述风扇对应的遥控器的显示屏中显示两种送风模式以供两个用户选择，根据所述两个用户在所述遥控器中的选择操作，确定所述两个用户选择的送风模式。 [0110] 具体地，在得到所述待检测图像中用户的姿势高度后，可以根据所述姿势高度设置对应的送风范围。 [0111] 在一些实施例中，若所述待检测图像包括一个用户，则根据所述用户的姿势高度以及风扇的扇头的转动轴线确定所述用户的偏离角度，然后根据所述偏离角度确定所述风扇对应的送风范围。 [0112] 其中，所述偏离角度为所述用户的姿势高度相对所述扇头的转动轴线沿水平方向偏离的角度。 [0113] 具体地，如图6所示，图6是根据所述用户的姿势高度以及风扇的扇头的转动轴线确定所述用户的偏离角度的示意图。 [0114] 在图6中，h1表示所述风扇的扇头距离地面的高度，L1和L2之和为所述用户的姿势高度，其中L2等于h1。a表示所述用户的姿势高度相对所述风扇的扇头的上偏离角度，所述用户的姿势为站姿；b表示所述用户的姿势高度相对所述风扇的扇头的下偏离角度，其中a和b构成所述用户的偏离角度θ。h2表示所述风扇到所述用户的水平距离，可以由深度摄像头测量得到。 [0115] 其中，将以像素值为单位的姿势高度转换成以厘米为单位的的姿势高度。其中，转换比例为每厘米等于28个像素。示例性的，姿势高度为476像素相当于17cm。由于在所述待检测图像中，用户的身高尺度缩小了，因此可以理解为所述用户的姿势高度为170cm。 [0116] 根据三角形的正切公式可以得到： [0117] [0118] [0119] 进一步得到偏离角度的计算公式： [0120] [0121] 可以理解的是，下偏离角度b在水平方向的下方，因此增加负号。 [0122] 在一些实施例中，若所述风扇的扇头距离地面的高度h1为140cm，深度摄像头获取到所述风扇与所述用户之间的距离h2为250cm，则L2＝140cm，L1＝30cm；根据相似三角形公式计算得到所述用户的偏离角度：θ＝[‑29°，7°]。 [0123] 具体地，在计算出所述用户的偏离角度之后，根据所述偏离角度确定对应的送风范围。 [0124] 示例性的，在根据所述偏离角度确定对应的送风范围，可以将送风范围设置比所述偏离角度大一些，例如将所述偏离角度上移3°和下移3°，得到所述偏离角度对应的送风范围。若所述偏离角度为[‑29°，7°]，则可以将送风范围设置为[‑32°，10°]。 [0125] 示例性的，如图7所示，图7是根据所述用户的姿势高度以及风扇的扇头的转动轴线确定所述用户的偏离角度的示意图。 [0126] 在一些实施例中，若所述用户的姿势为坐姿，坐姿高度为155cm；所述风扇的扇头距离地面的高度h1为140cm，深度摄像头获取到所述风扇与所述用户之间的距离h2为300cm，则L2＝140cm，L1＝15cm；根据相似三角形公式计算得到所述用户的偏离角度：θ＝[‑ 25°，3°]。 [0127] 具体地，根据所述偏离角度确定对应的送风范围。 [0128] 在本实施例中，可以将送风范围设置比所述偏离角度大一些，例如将所述偏离角度上移3°和下移3°，得到所述偏离角度对应的送风范围。若所述偏离角度为[‑25°，3°]，则可以将送风范围设置为[‑28°，6°]。 [0129] 在另一些实施例中，若所述待检测图像包括至少两个用户，根据所述至少两个用户的姿势高度以及风扇的扇头的转动轴线确定至少两个所述用户的偏离角度，然后根据至少两个所述用户的偏离角度确定对应的送风范围。 [0130] 示例性的，若有用户甲与用户乙，其中用户甲对应的送风范围为[‑32°，10°]，用户乙对应的送风范围为[‑28°，6°]，则将两个用户对应的送风范围进行合并，得到两个用户对应的送风范围为为[‑32°，10°]。 [0131] 具体地，调节所述风扇的转动角度按照所述送风范围并采用所述送风模式进行送风。如图8所示，图8是调节所述风扇的转动角度按照所述送风范围并采用所述送风模式进行送风的场景示意图。 [0132] 需要说明的是，转动角度是指风扇的扇头左右反复转动的角度或上下反复转动的角度。 [0133] 示例性的，根据所述送风范围与所述风扇的转动角度的映射关系，调整所述风扇的送风范围。 [0134] 可以理解的，所述映射关系是指送风范围的角度与风扇的转动角度一一对应，例如送风范围为[‑32°，10°]，风扇的上下转动角度也为[‑32°，10°]。 [0135] 具体地，所述功能控制装置16可以将所述送风范围的数据转换成控制信号，将该控制信号传送电机11中，以控制电机11的转动角度，如[‑32°，10°]，从而所述风扇的送风范围调整为[‑32°，10°]。 [0136] 在一些实施例中，若所述送风模式为强力送风，调节所述风扇的转动角度在所述送风范围内进行强力送风。 [0137] 比如，所述用户甲对应的送风范围为[‑32°，10°]，则调节所述风扇的上下转动角度在[‑32°，10°]的范围内进行强力送风。 [0138] 在一些实施例中，若所述送风模式为柔和送风，调节所述风扇的转动角度在所述送风范围内柔和送风。 [0139] 比如，若有用户甲和用户乙，用户甲和用户乙对应的送风范围为[‑32°，10°]，则调节所述风扇的上下转动角度在[‑32°，10°]之间进行柔和送风。 [0140] 在一些实施例中，如图9所示，所述调节所述风扇的转动角度以按照所述送风范围进行送风之后，还可以继续采集所述风扇搭载的摄像头拍摄的深度图像，若所述深度图像经识别不包括用户，则将所述风扇停止送风。 [0141] 在一些实施例中，若用户离开所述摄像头的拍摄范围，比如不在所述摄像头的视场角范围内，因此所述摄像头采集到的图像不包括任一用户。在检测图像中的用户时，没有输出任一用户的预测概率与预测坐标，则发送一个停止工作的控制信号到电机，以控制所述电机停止工作。 [0142] 上述实施例提供的基于人体姿势的风扇调节方法，通过根据训练好的人体识别模型识别待检测图像中的用户的预测概率和预测坐标，可以提高预测结果的准确度；通过对待检测图像进行分割，根据边缘提取算子计算分割图像的人体轮廓，并根据形态学算法对人体轮廓中的不连续轮廓边界进行连接，可以优化人体轮廓图像的边缘细节，提高检测结果的准确度；通过训练好的姿势识别模型，可以确定用户对应的姿势类型，进而根据姿势类型确定送风模式，可以满足用户的个性化需求；根据用户的姿势高度以及扇头的转动轴线确定用户的偏离角度，进而可以根据偏离角度确定风扇对应的送风范围，可以实现自动根据用户的实际位置调节送风范围并采用用户对应的送风模式进行送风的效果，提高了用户吹风时的体验度。 [0143] 请参阅图10，图10是本申请一实施例提供的风扇的示意性框图。该风扇10包括摄像头101、处理器102和存储器103，摄像头101、处理器102和存储器103通过总线连接，该总线比如为I2C(Inter‑integrated Circuit)总线。 [0144] 具体地，所述摄像头101用于拍摄图像。所述摄像头101可以是普通摄像头，当然也可以是其他摄像头，比如深度摄像头。 [0145] 其中，普通摄像头是只可以拍摄目标的摄像头；深度摄像头除了可以拍摄目标，还可以用于拍摄深度图像。 [0146] 具体地，处理器102可以是微控制单元(Micro‑controllerUnit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital SignalProcessor，DSP)等。 [0148] 其中，所述处理器102用于运行存储在存储器103中的计算机程序，并在执行所述计算机程序时实现如下步骤： [0149] 获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像，其中，所述待检测图像包括至少一个用户；确定所述待检测图像中用户的姿势高度，提取所述待检测图像中的人体轮廓图像；基于姿势识别模型，根据所述人体轮廓图像确定所述待检测图像中的用户的姿势类型；根据所述用户的姿势类型确定所述用户对应的送风模式，以及根据所述姿势高度确定所述风扇对应的送风范围；调节所述风扇的转动角度按照所述送风范围并采用所述送风模式进行送风。 [0150] 在一些实施例中，所述处理器在实现确定所述待检测图像中用户的姿势高度时，实现： [0151] 将所述待检测图像输入训练好的人体识别模型中进行识别，输出所述用户对应的人体识别结果，所述识别结果包括所述用户的预测概率和预测坐标；若所述预测概率大于预设概率，将所述用户的预测坐标作为所述用户的姿势高度。 [0152] 在一些实施例中，所述处理器在实现提取所述待检测图像中的人体轮廓图像时，实现： [0153] 对所述待检测图像进行分割，得到分割图像；根据边缘提取算子计算所述分割图像的人体轮廓，并根据形态学算法对所述人体轮廓中的不连续轮廓边界进行连接，得到人体轮廓图像。 [0154] 在一些实施例中，所述处理器在实现根据所述人体轮廓图像确定所述待检测图像中的用户的姿势类型时，实现： [0155] 将所述人体轮廓图像输入训练好的姿势识别模型中进行识别，输出所述人体轮廓图像对应的姿势识别结果，所述姿势识别结果包括预测的姿势类型和所述预测的姿势类型对应的置信度；若所述预测的姿势类型对应的置信度大于预设的置信度，将所述预测的姿势类型作为所述用户的姿势类型。 [0156] 在一些实施例中，所述处理器在实现根据所述用户的姿势类型确定所述用户对应的送风模式时，实现： [0157] 若所述待检测图像包括至少两个用户，根据所述至少两个用户对应的姿势确定所述至少两个用户各自对应的送风模式；显示所述至少两个用户各自对应的送风模式以供用户选择，获取用户选择的送风模式。 [0158] 在一些实施例中，所述处理器在实现根据所述姿势高度确定所述风扇对应的送风范围时，实现： [0159] 根据所述用户的姿势高度以及所述风扇的扇头的转动轴线确定所述用户的偏离角度，所述偏离角度为所述用户的姿势高度相对所述扇头的转动轴线沿水平方向偏离的角度；根据所述偏离角度确定所述风扇对应的送风范围。 [0160] 在一些实施例中，所述处理器在实现调节所述风扇的转动角度按照所述送风范围并采用所述送风模式进行送风时，实现： [0161] 若所述送风模式为强力送风，调节所述风扇的转动角度至所述送风范围的中心位置并采用所述强力送风进行送风；若所述送风模式为柔和送风，调节所述风扇的转动角度在所述送风范围内柔和送风。 [0162] 在一些实施例中，所述风扇还搭载有补光灯，所述处理器在实现获取所述风扇搭载的摄像头拍摄的深度图像作为待检测图像时，实现： [0163] 开启所述补光灯，控制所述补光灯对所述摄像头进行补光；通过所述摄像头拍摄补光后的深度图像作为待检测图像。 [0164] 本申请的实施例中还提供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程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于人体姿势的风扇调节方法。 [0165] 其中，所述计算机可读存储介质可以是前述实施例所述的风扇的内部存储单元，例如所述风扇的硬盘或内存。所述计算机可读存储介质也可以是所述风扇的外部存储设备，例如所述风扇上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。 [0166] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。 |
||||||
QQ群二维码
意见反馈
意见反馈