要求。
[0094] 在本發(fā)明實施例中，該空調(diào)可以設(shè)置攝像頭，當空調(diào)開啟時，可以調(diào)用該攝像頭采 集圖像數(shù)據(jù)，以檢測運動對象，即實際運動的人或物體所處的圖像區(qū)域。
[0095] 由于采集的圖像數(shù)據(jù)中除了包括物體的人或物體的影像之外，一般還會包括一些 周圍環(huán)境的影像，即背景。
[0096] 因此，本發(fā)明實施例中，要對運動的人或物體進行檢測，一般要確定運動的人或物 在該圖像數(shù)據(jù)中所處的圖像區(qū)域。
[0097] 在本發(fā)明的一個實施例中，步驟101可以包括如下子步驟：
[0098] 子步驟S11，在空調(diào)采集的圖像數(shù)據(jù)中提取候選HOG特征；
[0099] HOG (Histogram of Oriented Gradient，方向梯度直方圖）特征是一種在計算機 視覺和圖像處理中用來進行物體檢測的特征描述集，其通過計算和統(tǒng)計圖像局部區(qū)域的梯 度方向直方圖來構(gòu)成特征。
[0100] 在一幀圖像數(shù)據(jù)中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很 好地描述。
[0101] 具體而言，可以將圖像數(shù)據(jù)分成小的連通區(qū)域，成為細胞單元，采集細胞單元中各 像素點的梯度的或邊緣的方向直方圖，把這些直方圖組合起來就可以構(gòu)成特征描述器。
[0102] 以某一幀圖像數(shù)據(jù)為例，HOG特征提取的實現(xiàn)過程如下：
[0103] (1)檢測圖像窗口，將圖像數(shù)據(jù)進行灰度化處理，即將圖像看作一個X，y，z (灰度） 的三維圖像。
[0104] (2)對圖像數(shù)據(jù)進行顏色空間的標準化即歸一化。
[0105] 例如，可以采用Gamma校正法對圖像進行顏色空間的歸一化，歸一化的目的是調(diào) 節(jié)圖像數(shù)據(jù)的對比度，降低圖像數(shù)據(jù)局部的陰影和光照變化所造成的影響，同時可以抑制 噪音的干擾。
[0106] (3)計算圖像中每個像素的梯度（包括大小和方向），以捕獲輪廓信息，同時進一 步弱化光照的干擾。
[0107] (4)將圖像劃分成多個小的細胞單元（cell)，例如，將每6*6像素作為一個cell。
[0108] (5)統(tǒng)計每個cell的梯度直方圖（不同梯度的個數(shù)），即可形成每個cell的特征 描述（descriptor) 〇
[0109] (6)將每幾個cell組成一個塊（block)，例如，將每3*3個cell作為一個block， 一個block內(nèi)所有cell的特征描述組合起來便得到該block的HOG特征描述。
[0110] (7)將圖像內(nèi)的所有block的HOG特征描述組合起來就可以得到該圖像的HOG特 征。
[0111] 子步驟S12,將所述候選HOG特征與預設(shè)的運動對象檢測器中的運動對象HOG特征 和非運動對象HOG特征進行匹配；
[0112] 應用本發(fā)明實施例，可以預先訓練運動對象檢測器。
[0113] 以SVM(Support Vector Machine，支持向量機）訓練運動對象檢測器為例。
[0114] SVM利用分類間隔的思想進行訓練，它依賴于對數(shù)據(jù)的預處理，即在更高維的空間 表達原始模式，通過適當?shù)牡揭粋€足夠高維的非線性映射P(X)，分別屬于兩類的原始數(shù)據(jù) 就能夠被一個超平面來分隔。
[0115] 它的基本思想可以概括為：通過非線性變換將輸入空間變換到一個高維空間，在 這個高維空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當?shù)膬?nèi)積函數(shù)來實 現(xiàn)的。
[0116] SVM求得的分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡，其輸出是若干中間層節(jié)點的線 性組合，而每一個中間層節(jié)點對應于輸入樣本與一個支持向量的內(nèi)積，因此也被叫做支持 向量網(wǎng)絡。
[0117] 本發(fā)明實施例中，應用SVM訓練運動對象檢測器的過程可以如下：
[0118] (1)獲取訓練樣本圖像集合，包括正樣本圖像集（即包含運動對象的圖像數(shù)據(jù)的 樣本集）和負樣本圖像集（即不包含運動對象的圖像數(shù)據(jù)的樣本集）。
[0119] 樣本圖像理論應該是無限多的，而且應該覆蓋實際應用過程中可能發(fā)生的各種情 況。
[0120] (2)對各個樣本圖像進行裁剪，進一步提高樣本圖像的準確性。
[0121] (3)裁剪之后，將所有正樣本圖像保存在一個文件夾中，將所有負樣本圖像保存在 另一個文件夾中，并將所有樣本圖像縮放到同樣的尺寸大小。
[0122] (4)提取所有正樣本圖像的HOG特征，以及所有負樣本圖像的HOG特征，此處即可 以采用上述HOG特征提取中所描述的方法提取樣本圖像的HOG特征。
[0123] (5)對所有正負樣本圖像賦予樣本標簽。例如，所有正樣本圖像標記為1，所有負 樣本圖像標記為〇。
[0124] (6)將正負樣本圖像的HOG特征和正負樣本圖像的標簽，輸入到SVM中進行訓練；
[0125] (7) SVM訓練之后，將結(jié)果進行保存，其中即包括了運動對象HOG特征和非運動對 象HOG特征。
[0126] 在通過上述方式創(chuàng)建運動對象檢測器之后，即可采用該運動對象檢測器確定采集 到的圖像數(shù)據(jù)中的運動對象。
[0127] 子步驟S13,將與所述運動對象HOG特征相匹配的候選HOG特征組成的區(qū)域確定為 運動對象。
[0128] 由于已經(jīng)通過SVM分類的方式對多個樣本圖像進行了訓練，獲得了分類后的運動 對象HOG特征和非運動對HOG特征，因此，在提取出圖像數(shù)據(jù)的候選HOG特征之后，即可與 運動對象檢測器中保存的運動對象HOG特征和非運動對象HOG特征進行匹配。
[0129] 如果采集的圖像數(shù)據(jù)的候選HOG特征與運動對象HOG特征相匹配，則可以說明圖 像數(shù)據(jù)中的該候選HOG特征代表的是運動對象的特征，因此，可以將圖像數(shù)據(jù)中與運動對 象HOG特征相匹配的候選HOG特征組成的區(qū)域確定為運動對象。
[0130] 步驟102,當檢測到運動對象時，計算所述運動對象的實際高度；
[0131] 若檢測到運動對象，則當前環(huán)境中可能存在行走的人，由于空調(diào)處于開啟狀態(tài)，因 此，可以檢測該運動對象與空調(diào)之間的距離，以對空調(diào)進行調(diào)控。
[0132] 在本發(fā)明實施例中，實際高度，指的是在實際環(huán)境中，該運動對象所表征的人或物 體的高度。
[0133] 在本發(fā)明的一個實施例中，步驟102可以包括如下子步驟：
[0134] 子步驟S21，統(tǒng)計所述運動對象從頂部到底部之間像素的數(shù)量；
[0135] 本發(fā)明實施例中，運動對象的高度即可以看成是運動對象的頂部到底部之間的垂 直距離。
[0136] 因此，在確定出圖像數(shù)據(jù)中的運動對象之后，可以統(tǒng)計運動對象的頂部到底部之 間像素的數(shù)量，即統(tǒng)計在該運動對象內(nèi)物體的高度方向占用了多少像素。
[0137] 需要說明的是，此處運動對象的頂部到底部之間像素的數(shù)量指的是頂部到底部的 垂直方向所占像素的數(shù)量。
[0138] 例如，為了簡便可以直接將運動對象的頂部作為其表征的人或物體的頂部，將運 動對象的底部作為表征的人或物體的底部，或者，為了使結(jié)果更加精確還可以進一步采用 上述創(chuàng)建運動對象檢測器的方式創(chuàng)建人或物體頂部和底部檢測器，采用該人或物體頂部和 底部檢測器分別識別運動對象中人或物體的頂部和底部。
[0139] 子步驟S22,計算單位像素的高度值；
[0140] 本發(fā)明實施例中，可以預先創(chuàng)建比例函數(shù)，該比例函數(shù)可以用于計算所采集的圖 像數(shù)據(jù)中運動對象中單位像素對應的高度值，及每個單位像素所對應的、在實際環(huán)境中的 高度值。
[0141] 在本發(fā)明的一個實施例中，子驟S22進一步可以包括如下子步驟：
[0142] 子步驟S221，統(tǒng)計所述運動對象的底部到所述圖像數(shù)據(jù)下邊緣之間像素的數(shù)量；
[0143] 本發(fā)明實施例中，運動對象的底部到圖像數(shù)據(jù)下邊緣之間像素的數(shù)量指的是運動 對象的底部與圖像數(shù)據(jù)下邊緣的垂直方向所占像素的數(shù)量。
[0144] 子步驟S222采用預先創(chuàng)建的比例函數(shù)，結(jié)合所述像素的數(shù)量計算所述運動對象 中單位像素的高度值。
[0145] 在所采集的圖像數(shù)據(jù)中，運動對象中單位像素對應的實際高度值與很多因素有 關(guān)，如攝像頭的內(nèi)部、外部參數(shù)以及物體到攝像機的距離等，是一個非常復雜的非線性關(guān) 系。
[0146] 本發(fā)明實施例中，為了避免標定攝像頭參數(shù)以及固定物體到攝像機的距離，提出 比例函數(shù)來逼近這種關(guān)系。
[0147] 在具體實現(xiàn)中，可以采用三次樣條插值比例函數(shù)和支持向量機擬合比例函數(shù)這兩 種方式計算運動對象中單位像素對應的高度值。
[0148] 應用本發(fā)明實施例，可以預先創(chuàng)建比例函數(shù)，可以通過已知高度的物體在具有攝 像功能的設(shè)備所能覆蓋的視場區(qū)域內(nèi)運動，從而獲得多個物體運動到不同位置的樣本圖 像，然后利用這些樣本圖像訓練比例函數(shù)。
[0149] 整體過程如下：
[0150] 采集物體運動到不同位置的多個樣本圖像，并確定各樣本圖像內(nèi)的運動對象；
[0151] 獲取物體的實際高度，并針對每個樣本圖像內(nèi)的運動對象，在該運動對象中統(tǒng)計 物體的頂部到底部所占的像素數(shù)量；
[0152] 針對每個樣本圖像內(nèi)的運動對象，采用所述物體的實際高度和所述該運動對象中 物體的頂部到底部所占的像素數(shù)量計算該運動對象中單位像素對應的實際高度；
[0153] 采用各運動對象中單位像素對應的實際高度計算比例函數(shù)的各個系數(shù)，得到比例 函數(shù)。
[0154] 進一步地，其中采用各運動對象中單位像素對應的實際高度計算比例函數(shù)的各個 系數(shù)，得到比例函數(shù)的步驟可以包括：針對每個樣本圖像，在所述樣本圖像中統(tǒng)計物體的底 部到所述樣本圖像下邊緣之間像素的數(shù)量；采用各運動對象中單位像素對應的實際高度和 對應的各物體的底部到所述樣本圖像下邊緣之間像素的數(shù)量計算比例函數(shù)的各個系數(shù)，得 到比例函數(shù)。
[0155] 下面，分別針對三次樣條插值比例函數(shù)和支持向量機擬合比例函數(shù)的創(chuàng)建過程進 行詳細介紹。
[0156] 1、三次樣條插值比例函數(shù)
[0157] 三次樣條曲線可以用以下公式1的三次樣條插值函數(shù)表示：
[0158] Si