家用电器的控制方法、控制装置、家用电器及存储装置制造方法及图纸

本申请提供了一种家用电器的控制方法、控制装置、家用电器及存储装置，所述控制方法包括：获得原始图像；利用头肩检测模型从所述原始图像中获得人物的头肩图像；利用人脸检测模型从所述头肩图像中获得人物的脸部图像；响应于所述脸部图像符合预设鉴权条件的判断结果，获得符合所述预设鉴权条件的所述脸部图像对应的人物的控制指令；根据所述控制指令控制所述家用电器执行相应的操作。通过上述方式，本申请能够提高人脸检测的精确度，进而提升家用电器控制的精确度。

Control methods, control devices, household appliances and storage devices of household appliances

【技术实现步骤摘要】
家用电器的控制方法、控制装置、家用电器及存储装置
本申请涉及家用电器
，特别是涉及一种家用电器的控制方法、控制装置、家用电器及存储装置。
技术介绍
在家居场景下，家用电器可以通过人脸识别系统识别出当前家居场景内的人员是否为家庭成员，然后根据家庭成员的指令执行相应的操作。其中，人脸识别是上述步骤中至关重要的一个环节，因为只有准确检测到人脸，才能进行后续环节。但是，在家居场景中，家庭成员经常处在复杂多变的光照环境以及距离家用电器相对较远的位置，例如，处在距离家用电器4m处的位置，摄像头所采集的原始图像中的人脸较小，很难精确识别出人脸。因此，如何有效且精确检测出人脸是目前需要解决的技术问题。
技术实现思路
本申请主要解决的技术问题是提供一种家用电器的控制方法、控制装置、家用电器及存储装置，能够提高人脸检测的精确度，进而提升家用电器控制的精确度。为解决上述技术问题，本申请采用的一个技术方案是：提供一种家用电器的控制方法，所述控制方法包括：获得原始图像；利用头肩检测模型从所述原始图像中获得人物的头肩图像；利用人脸检测模型从所述头肩图像中获得人物的脸部图像；响应于所述脸部图像符合预设鉴权条件的判断结果，获得符合所述预设鉴权条件的所述脸部图像对应的人物的控制指令；根据所述控制指令控制所述家用电器执行相应的操作。其中，所述获得原始图像的步骤之前，还包括：预设基于深度学习算法的所述头肩检测模型和所述人脸检测模型。其中，所述预设基于深度学习算法的所述头肩检测模型/所述人脸检测模型的步骤包括：将Yolov2原始网络模型中除最后一层卷积层外的其余卷积层进行通道缩小和/或部分删除处理，以形成多个Yolov2裁剪网络模型；对多个所述Yolov2裁剪网络模型分别进行训练和测试；根据各所述Yolov2裁剪网络模型的测试结果，从多个所述Yolov2裁剪网络模型中选择其中一个作为所述头肩检测模型/所述人脸检测模型。其中，所述将Yolov2原始网络模型中除最后一层卷积层外的其余卷积层进行通道缩小和/或部分删除处理的步骤包括：将所述Yolov2原始网络模型作为待裁剪网络模型；将所述待裁剪网络模型中除最后一层卷积层外的最靠近所述最后一层卷积层的预定数量的卷积层删除，以获得已裁剪网络模型；对所述已裁剪网络模型进行训练和测试；响应于所述已裁剪网络模型的测试结果符合预期的判断结果，将所述已裁剪网络模型作为所述待裁剪网络模型，并返回所述将所述待裁剪网络模型中除最后一层卷积层外的最靠近所述最后一层卷积层的预定数量的卷积层删除的步骤；响应于所述已裁剪网络模型的测试结果不符合预期的判断结果，以不同的缩小方式将最后获得的满足预期的已裁剪网络模型中除最后一层卷积层外的其他卷积层做通道缩小处理，以形成多个所述Yolov2裁剪网络模型。其中，所述将Yolov2原始网络模型中除最后一层卷积层外的其余卷积层进行通道缩小和/或部分删除处理的步骤之前，还包括：利用k-means聚类算法获得不同k值对应的锚框值，其中，所述k值为聚类中心的数量；利用获得的多个锚框值分别调整所述Yolov2原始网络模型；对多个调整后的所述Yolov2原始网络模型分别进行训练和测试；根据各调整后的所述Yolov2原始网络模型的测试结果选择最符合预期的调整后的所述Yolov2原始网络模型。其中，所述获得符合所述预设鉴权条件的所述脸部图像对应的人物的控制指令的步骤包括：获得符合所述预设鉴权条件的所述脸部图像对应的整体人物图像；从所述整体人物图像中获得对应人物的手势类型；根据所述手势类型生成对应的所述控制指令。其中，所述根据所述控制指令控制所述家用电器执行相应的操作的步骤包括：根据所述控制指令控制所述家用电器进行温度调节。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种家用电器的控制装置，包括处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有程序指令，所述处理器执行所述程序指令，通过所述程序指令实现上述任一实施例所述的控制方法。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种家用电器，包括上述任一实施例中所述的控制装置以及摄像头。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种具有存储功能的装置，所述装置存储有程序数据，所述程序数据能够被执行以实现上述任一实施例中所述的控制方法。本申请的有益效果是：本申请中通过两步法检测获得人物的脸部图像，具体为：先通过头肩检测模型从原始图像中粗定位获得人物的头肩图像；然后针对头肩图像再采用人脸检测模型精确定位获得人物的脸部图像。后续响应于脸部图像符合预设鉴权条件的判断结果，获得符合预设鉴权条件的脸部图像对应的人物的控制指令，根据控制指令控制家用电器执行相应的操作。本申请采用级联的思想，利用从粗到细的方式可以检测出家居场景下(例如，灯光复杂多变的家居场景下)的脸部图像；由于头肩区域相比脸部区域大，检测头肩区域相对于检测脸部区域而言，更为容易；在检测到头肩图像后，再根据头肩图像检测获得脸部图像，可以有效地检测出复杂光照下及远距离下(例如，距离家用电器4m以内)的人脸，其人脸识别精确度提高，降低漏检、误检的概率。后续将检测到的人脸送入到识别以及控制环节，提升家用电器控制的精确度，以及提高在复杂多变的光照环境下及远距离时候的用户体验。附图说明为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅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。其中：图1为本申请家用电器的控制方法一实施方式的流程示意图；图2a为原始图像一实施方式的结构示意图；图2b为头肩图像一实施方式的结构示意图；图2c为脸部图像一实施方式的结构示意图；图3为图1中步骤S104中获得符合预设鉴权条件的脸部图像对应的人物的控制指令一实施方式的流程示意图；图4为图1中步骤S101之前预设基于深度学习算法的头肩检测模型/人脸检测模型一实施方式的流程示意图；图5为图4中步骤S301一实施方式的流程示意图；图6为图4中步骤S301之前本申请所提供的家用电器的控制方法一实施方式的流程示意图；图7为本申请家用电器的控制装置一实施方式的结构示意图；图8为本申请家用电器一实施方式的结构示意图；图9为本申请具有存储功能的装置一实施方式的结构示意图。具体实施方式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，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。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的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。请参阅图1，图1为本申请家用电器的控制方法一实施方式的流程示意图，该家用电器可以是空调、风扇等，该控制方法包括：S101：获本文档来自技高网...

【技术保护点】
1.一种家用电器的控制方法，其特征在于，所述控制方法包括：/n获得原始图像；/n利用头肩检测模型从所述原始图像中获得人物的头肩图像；/n利用人脸检测模型从所述头肩图像中获得人物的脸部图像；/n响应于所述脸部图像符合预设鉴权条件的判断结果，获得符合所述预设鉴权条件的所述脸部图像对应的人物的控制指令；/n根据所述控制指令控制所述家用电器执行相应的操作。/n

【技术特征摘要】
1.一种家用电器的控制方法，其特征在于，所述控制方法包括：
获得原始图像；
利用头肩检测模型从所述原始图像中获得人物的头肩图像；
利用人脸检测模型从所述头肩图像中获得人物的脸部图像；
响应于所述脸部图像符合预设鉴权条件的判断结果，获得符合所述预设鉴权条件的所述脸部图像对应的人物的控制指令；
根据所述控制指令控制所述家用电器执行相应的操作。


2.根据权利要求1所述的控制方法，其特征在于，所述获得原始图像的步骤之前，还包括：
预设基于深度学习算法的所述头肩检测模型和所述人脸检测模型。


3.根据权利要求2所述的控制方法，其特征在于，所述预设基于深度学习算法的所述头肩检测模型/所述人脸检测模型的步骤包括：
将Yolov2原始网络模型中除最后一层卷积层外的其余卷积层进行通道缩小和/或部分删除处理，以形成多个Yolov2裁剪网络模型；
对多个所述Yolov2裁剪网络模型分别进行训练和测试；
根据各所述Yolov2裁剪网络模型的测试结果，从多个所述Yolov2裁剪网络模型中选择其中一个作为所述头肩检测模型/所述人脸检测模型。


4.根据权利要求3所述的控制方法，其特征在于，所述将Yolov2原始网络模型中除最后一层卷积层外的其余卷积层进行通道缩小和/或部分删除处理的步骤包括：
将所述Yolov2原始网络模型作为待裁剪网络模型；
将所述待裁剪网络模型中除最后一层卷积层外的最靠近所述最后一层卷积层的预定数量的卷积层删除，以获得已裁剪网络模型；
对所述已裁剪网络模型进行训练和测试；
响应于所述已裁剪网络模型的测试结果符合预期的判断结果，将所述已裁剪网络模型作为所述待裁剪网络模型，并返回所述将所述待裁剪网络模型中除最后一层卷积层外的最靠近所述最后一层卷积层的预定数量的卷积层删除的步骤；
响应于所述已裁剪网络模型的测试...

【专利技术属性】
技术研发人员：严考碧，
申请(专利权)人：广东美的白色家电技术创新中心有限公司，美的集团股份有限公司，
类型：发明
国别省市：广东;44