一种基于物联网的LED智能控制方法、系统及介质技术方案

本发明专利技术涉及照明设备控制技术领域，特别是一种基于物联网的LED智能控制方法、系统及介质。通过获取目标场景的实时场景模型图；将所述实时场景模型图与预设场景模型图，得到模型偏差率，若所述模型偏差率大于预设模型偏差率，生成第一识别结果或第二识别结果；若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，根据所述动态视频帧信息进行识别，得到当前用户的行为类型与身份信息；根据所述身份信息与行为类型确定出当前用户的灯光参数偏好值，根据所述灯光参数偏好值对当前用户所在位置节点区域LED的实时灯光参数进行调控，能够精准的提供定制化照明体验，实现了智能化调控LED，提高用户体验感。提高用户体验感。提高用户体验感。

【技术实现步骤摘要】
一种基于物联网的LED智能控制方法、系统及介质


[0001]本专利技术涉及照明设备控制
，特别是一种基于物联网的LED智能控制方法、系统及介质。

技术介绍

[0002]随着物联网和智能家居的发展，LED作为一种高效节能、可调节和可定制的光源，可以在各种智能场景中发挥重要作用，提供舒适、智能化和可持续的解决方案。LED可以与智能家居系统集成，用于控制不同家居区域的照明亮度、颜色和场景，提供定制化的照明体验。然而，现有LED智能控制技术存在一些问题，其一是不能够智能、精准的进行启动控制，常出现误启动的现象，浪费不必要的能源；其二是无法精准识别用户身份与用户行为，从而导致无法精准的提供定制化照明体验，用户体验感较差；因此，有必要提出一种基于物联网的LED智能控制方案，以满足用户对智能化照明解决方案的更高需求。

技术实现思路

[0003]本专利技术克服了现有技术的不足，提供了一种基于物联网的LED智能控制方法、系统及介质。
[0004]为达到上述目的本专利技术采用的技术方案为：本专利技术第一方面公开了一种基于物联网的LED智能控制方法，包括以下步骤：获取目标场景的预设场景模型图，构建数据库，并将所述预设场景模型图导入所述数据库中，得到特性数据库；获取目标场景的实时场景图像，根据所述实时场景图像建立目标场景的实时场景模型图；将所述实时场景模型图与预设场景模型图，得到模型偏差率；并将所述模型偏差率与预设模型偏差率进行比较；若所述模型偏差率不大于预设模型偏差率，则生成第一识别结果；若所述模型偏差率大于预设模型偏差率，则基于所述实时场景模型图与预设场景模型图得到流动物体模型图，并对所述流动物体模型图进行识别，得到第一识别结果或第二识别结果；其中，若识别结果为第一识别结果，则不控制LED开启；若识别结果为第二识别结果，则控制LED开启；若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，根据所述动态视频帧信息进行识别，得到当前用户的行为类型与身份信息；其中，所述行为类型包括休憩、工作、用膳、通讯、阅览书籍以及观赏视听；根据所述身份信息与行为类型确定出当前用户的灯光参数偏好值，根据所述灯光参数偏好值对当前用户所在位置节点区域LED的实时灯光参数进行调控。
[0005]进一步地，本专利技术的一个较佳实施例中，获取目标场景的实时场景图像，根据所述实时场景图像建立目标场景的实时场景模型图，具体为：获取目标场景的实时场景图像，通过加速稳健特征法对所述实时场景图像进行特征匹配处理，得到与实时场景图像对应的若干个局部关键点，并在若干个局部关键点中挑
选其中一个局部关键点作为基准点，根据所述基准点建立空间坐标系；在所述空间坐标系中获取所有局部关键点的坐标信息，根据所述坐标信息计算各局部关键点与其余局部关键点之间的欧式距离；构建第一排序表，将各局部关键点与其余局部关键点之间的欧式距离导入所述第一排序表中进行大小排序，排序完成后，提取出最小欧式距离，将与最小欧式距离对应的局部关键点标定为局部关键点对；重复S204步骤，直至所有的局部关键点均完成配对，得到若干对局部关键点对；获取各局部关键点对的中点坐标值，并将各局部关键点对的中点坐标值对应的点标定为补充关键点；将所有局部关键点与补充关键点进行汇聚，得到若干密集关键点；对若干密集关键点进行汇集，得到密集关键点数集；通过LOF算法计算密集关键点数集中各密集关键点的局部离群因子值，将局部离群因子值大于预设局部离群因子值的密集关键点在所述密集关键点数集中剔除，得到筛选后的密集关键点数集；获取所述筛选后的密集关键点数集中所有密集关键点的三维点云数据，对所述三维点云数据进行对齐处理，以各三维点云数据均以统一的坐标系表示，再对所述三维点云数据进行网格化处理，直至生成若干模型曲面，将若干模型曲面进行组合，得到目标场景的实时场景模型图。
[0006]进一步地，本专利技术的一个较佳实施例中，若所述模型偏差率大于预设模型偏差率，则基于所述实时场景模型图与预设场景模型图得到流动物体模型图，并对所述流动物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：若所述模型偏差率大于预设模型偏差率，则获取所述实时场景模型图与预设场景模型图的定位基准；构建三维坐标系，将所述实时场景模型图与预设场景模型图导入所述三维坐标系中，并使得所述实时场景模型图与预设场景模型图的定位基准相重合，以对实时场景模型图与预设场景模型图进行配准；在所述三维坐标系将实时场景模型图与预设场景模型图相交叠的区域剔除，将实时场景模型图与预设场景模型图不相交叠的区域保存，以分离得到流动物体模型图；构建知识图谱，并将预设物体模型导入所述知识图谱中；将所述流动物体模型图导入所述知识图谱中，并通过欧几里得距离算法计算所述流动物体模型图与预设物体模型之间的欧几里得距离值，根据所述欧几里得距离值确定出流动物体模型图与预设物体模型之间的相似度；将所述相似度与预设相似度进行比较；若所述相似度不大于预设相似度，则生成第一识别结果，并不控制LED开启；若所述相似度大于预设相似度，则生成第二识别结果，并控制LED开启。
[0007]进一步地，本专利技术的一个较佳实施例中，若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，根据所述动态视频帧信息进行识别，得到当前用户的行为类型与身份信息，具体为：基于深度学习网络建立行为识别模型，并将各种行为类型视频帧信息导入所述行为识别模型中进行训练，得到训练好的行为识别模型；若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，将
所述动态视频帧信息导入所述练好的行为识别模型中，以将所述动态视频帧信息与各种行为类型视频帧信息进行配对，得到多个配对率；构建第二排序表，将多个所述配对率导入所述第二排序表中进行大小排序，排序完成后，提取出最大配对率，获取与所述最大配对率对应的行为类型视频帧信息，根据与所述最大配对率对应的行为类型视频帧信息确定出当前用户的行为类型；基于深度学习网络建立身份识别模型，获取不同用户的身份特征信息，并将不同用户的身份特征信息导入所述身份识别模型中进行训练，得到训练完成的身份识别模型；将所述动态视频帧信息导入所述练好的身份识别模型中进行识别，得到当前用户的身份信息。
[0008]进一步地，本专利技术的一个较佳实施例中，根据所述身份信息与行为类型确定出当前用户的灯光参数偏好值，根据所述灯光参数偏好值对当前用户所在位置节点区域LED的实时灯光参数进行调控，具体为：获取不同身份用户在进行各种行为类型所对应的灯光参数偏好值，基于深度学习网络建立配对模型，不同身份用户在进行各种行为类型所对应的灯光参数偏好值导入所述配对模型中进行训练，得到训练完成的配对模型；其中，所述灯光参数包括亮度与色彩；将当前用户的行为类型与身份信息导入所述训练完成的配对模型中进行配对，得到当前用户在当前行为类型之下的预设灯光参数偏好值；获取当前用户所在位置节点区域的LED工作参数，根据所述工作参数确定出当前用户所在位置节点区域LED的实时灯光参数；将所述实时灯光参数与预设灯光参数偏好值进行比较，得到灯光参数差值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网的LED智能控制方法，其特征在于，包括以下步骤：S102：获取目标场景的预设场景模型图，构建数据库，并将所述预设场景模型图导入所述数据库中，得到特性数据库；S104：获取目标场景的实时场景图像，根据所述实时场景图像建立目标场景的实时场景模型图；将所述实时场景模型图与预设场景模型图，得到模型偏差率；并将所述模型偏差率与预设模型偏差率进行比较；S106：若所述模型偏差率不大于预设模型偏差率，则生成第一识别结果；若所述模型偏差率大于预设模型偏差率，则基于所述实时场景模型图与预设场景模型图得到流动物体模型图，并对所述流动物体模型图进行识别，得到第一识别结果或第二识别结果；其中，若识别结果为第一识别结果，则不控制LED开启；若识别结果为第二识别结果，则控制LED开启；S108：若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，根据所述动态视频帧信息进行识别，得到当前用户的行为类型与身份信息；其中，所述行为类型包括休憩、工作、用膳、通讯、阅览书籍以及观赏视听；S110：根据所述身份信息与行为类型确定出当前用户的灯光参数偏好值，根据所述灯光参数偏好值对当前用户所在位置节点区域LED的实时灯光参数进行调控。2.根据权利要求1所述的一种基于物联网的LED智能控制方法，其特征在于，获取目标场景的实时场景图像，根据所述实时场景图像建立目标场景的实时场景模型图，具体为：S202：获取目标场景的实时场景图像，通过加速稳健特征法对所述实时场景图像进行特征匹配处理，得到与实时场景图像对应的若干个局部关键点，并在若干个局部关键点中挑选其中一个局部关键点作为基准点，根据所述基准点建立空间坐标系；S204：在所述空间坐标系中获取所有局部关键点的坐标信息，根据所述坐标信息计算各局部关键点与其余局部关键点之间的欧式距离；构建第一排序表，将各局部关键点与其余局部关键点之间的欧式距离导入所述第一排序表中进行大小排序，排序完成后，提取出最小欧式距离，将与最小欧式距离对应的局部关键点标定为局部关键点对；S206：重复S204步骤，直至所有的局部关键点均完成配对，得到若干对局部关键点对；获取各局部关键点对的中点坐标值，并将各局部关键点对的中点坐标值对应的点标定为补充关键点；S208：将所有局部关键点与补充关键点进行汇聚，得到若干密集关键点；对若干密集关键点进行汇集，得到密集关键点数集；通过LOF算法计算密集关键点数集中各密集关键点的局部离群因子值，将局部离群因子值大于预设局部离群因子值的密集关键点在所述密集关键点数集中剔除，得到筛选后的密集关键点数集；S210：获取所述筛选后的密集关键点数集中所有密集关键点的三维点云数据，对所述三维点云数据进行对齐处理，以各三维点云数据均以统一的坐标系表示，再对所述三维点云数据进行网格化处理，直至生成若干模型曲面，将若干模型曲面进行组合，得到目标场景的实时场景模型图。3.根据权利要求1所述的一种基于物联网的LED智能控制方法，其特征在于，若所述模型偏差率大于预设模型偏差率，则基于所述实时场景模型图与预设场景模型图得到流动物体模型图，并对所述流动物体模型图进行识别，得到第一识别结果或第二识别结果，具体为：
若所述模型偏差率大于预设模型偏差率，则获取所述实时场景模型图与预设场景模型图的定位基准；构建三维坐标系，将所述实时场景模型图与预设场景模型图导入所述三维坐标系中，并使得所述实时场景模型图与预设场景模型图的定位基准相重合，以对实时场景模型图与预设场景模型图进行配准；在所述三维坐标系将实时场景模型图与预设场景模型图相交叠的区域剔除，将实时场景模型图与预设场景模型图不相交叠的区域保存，以分离得到流动物体模型图；构建知识图谱，并将预设物体模型导入所述知识图谱中；将所述流动物体模型图导入所述知识图谱中，并通过欧几里得距离算法计算所述流动物体模型图与预设物体模型之间的欧几里得距离值，根据所述欧几里得距离值确定出流动物体模型图与预设物体模型之间的相似度；将所述相似度与预设相似度进行比较；若所述相似度不大于预设相似度，则生成第一识别结果，并不控制LED开启；若所述相似度大于预设相似度，则生成第二识别结果，并控制LED开启。4.根据权利要求1所述的一种基于物联网的LED智能控制方法，其特征在于，若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，根据所述动态视频帧信息进行识别，得到当前用户的行为类型与身份信息，具体为：基于深度学习网络建立行为识别模型，并将各种行为类型视频帧信息导入所述行为识别模型中进行训练，得到训练好的行为识别模型；若识别结果为第二识别结果，则在预设时间段内获取用户的动态视频帧信息，将所述动态视频帧信息导入所述练好的行为识别模型中，以将所述动态视频帧信息与各种行为类型视频帧信息进行配对，得到多个配对率；构建第二排序表，将多个所述配对率导入所述第二排序表中进行大小排序，排序完成后，提取出最大配对率，获取与所述最大配对率对应的行为类型视频帧信息，根据与所述最大配对率对应的行为类型视频帧信息确定出当前用户的行为类型；基于深度学习网络建立身份识别模型，获取不同用户的身份特征信息，并将不同用户的身份特征信息导入所述身份识别模型中进行训练，得到训练完成的身份识别模型；将所述动态视频帧信息导入所述练好的身份识别模型中进行识别，得到当前用户的身份信息。5.根据权利要求1所述的一种基于物联网的LED智能...

【专利技术属性】
技术研发人员：肖艳，尹子军，吴小青，吴丽花，尹晨希，
申请(专利权)人：深圳特朗达照明股份有限公司，
类型：发明
国别省市：