專利名稱：一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法
技術領域：
本發(fā)明涉及室內動態(tài)冷負載的檢測方法，特別涉及一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法。
背景技術：
目前，對于室內的靜態(tài)冷負荷檢測的技術研究已經相當成熟了，比如申請?zhí)枮镃N201010610670. 7，名稱為“空調房間實時冷負荷確定方法”的發(fā)明專利。然而隨著室內人數(shù)的變化，室內的冷負荷也應隨之改變。如果空調只考慮靜態(tài)冷負荷因素，那么人多則顯得制冷效果不足，而人少則浪費能源。因此，僅由室內的設備環(huán)境來檢測冷負荷是不夠的，必須充分考慮室內人流量的因素。人流量統(tǒng)計也是一項比較成熟的技術，相關的專利也發(fā)表不少，其中申請?zhí)枮?CN200810116312. 3，名稱為“基于視頻人數(shù)統(tǒng)計的智能管理方法及其系統(tǒng)”，就是檢測運動目標區(qū)域，識別目標的人頭特征，從而跟蹤目標，分析目標的行動軌跡，最終統(tǒng)計出人員的進出總量。然而，只通過人頭特征來識別目標是不全面的。首先，如果想要很好的獲取人物的人頭特征，要求攝像機要有一定的高度和傾斜角度，這點對于攝像機設備的部署有一定的空間限制；其次，人頭特征并不能代表人的全部，不同的人可能擁有相似的人頭特征，這樣會導致目標跟蹤錯誤。

發(fā)明內容
為了克服現(xiàn)有技術的上述缺點與不足，本發(fā)明的目的在于提供一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，更準確地統(tǒng)計人流量，為室內空調運行提供精確、可靠的實時冷負荷數(shù)據(jù)，實現(xiàn)優(yōu)化節(jié)能控制。本發(fā)明的目的通過以下技術方案實現(xiàn)一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，包含以下步驟(I)采用攝像設備對房間出入口及周邊范圍的視頻圖像數(shù)據(jù)進行實時采集，并上載到服務器；(2)在視頻圖像中設置一個矩形框作為感興趣區(qū)域，并在感興趣區(qū)域中選擇進線和出線；其中進線表示進入室內的界線，出線表示離開室內的界線；其中進線與出線圍成封閉區(qū)域；(3)服務器對視頻序列中進出房間的人員進行檢測和軌跡跟蹤；(4)根據(jù)檢測和軌跡跟蹤的結果，統(tǒng)計進入、離開房間的人流量，從而計算室內剩余的人數(shù)，具體為令感興趣區(qū)域內的目標出現(xiàn)時的狀態(tài)為Stl，消失時的狀態(tài)為S1 ；S0, S1的取值范圍為-1，O, I ;其中-I表示目標在進線與出線圍成的封閉區(qū)域中；0表示目標在進線上；1表示目標在出線上；在目標消失的時刻，按以下規(guī)則結算目標的行為
(a)當S。= S1,表示目標不進不出；(b)當S。= 0，S1 = -I或者S1 = I,表示目標出去；(c)當S。= 1，S1 = -I或者S1 = O,表示目標進來；Cd)當S0=-I或者Stl=I, S1=O,表示目標進來；Ce)當Stl=-I或者Stl=O, S1=I,表示目標出去；得到進入人數(shù)和出去人數(shù)后，結合室內初始人數(shù)算出當前室內的剩余人數(shù)；(5)服務器根據(jù)當前室內的剩余人數(shù)、室內溫度值以及人體顯熱散熱量的冷負荷系數(shù)、群集系數(shù)、成年男子當前勞動強度下的顯熱散熱量，計算室內的動態(tài)冷負荷；
(6)判斷視頻是否結束；若否，重復步驟(I) (6);若是，則結束。步驟(3)所述服務器對視頻序列中進出房間的人員進行檢測和跟蹤，具體包括以下步驟(3-1)獲取視頻序列；(3-2)判斷背景模型是否建立；若是，更新背景模型；若否，建立背景模型；(3-3)獲取前景目標，并進行前景閾值化、前景二值化和形態(tài)化處理，得到前景目標二值圖；(3-4)采用基于目標段的區(qū)域增長法求出前景目標二值圖的連通域，具體包括以下步驟(3-4-1)新建一個二維數(shù)組seg[] □，用于存儲前景目標二值圖對應的目標段；同時新建一個二維數(shù)組pos [] □，用于存儲目標段的編號；(3-4-2)掃描二值圖，找出所有的目標段，并標志為0，用數(shù)組seg□口存儲所有的目標段，并新建一個最大長度為目標段數(shù)目的隊列，與此同時，給pos[][]賦值，其中pos[i] [j]的值表示在前景目標二值圖第i行中，距離水平位置j右邊最近的目標段編號；所述給pos[][]賦值具體如下如果像素點(i, j)=l，pos[i] [j]=cur ;否則pos[i] [j]=cur+l,其中cur表示每一行中最近一次找到的目標段的編號；(3-4-3)遍歷二維數(shù)組seg□口，找到第一個還沒訪問過的目標段，給予新的標記flag，然后放進隊列中，轉到步驟(3-4-4)，如果所有目標段都訪問過，則轉到步驟(3-4-5)；(3-4-4)取出隊頭的目標段，尋找與該目標段連通的上行和下行的目標段；設隊頭的目標段的左右值分別為left和right，目隊頭的標段位于第i行；令al=pos[i_l] [left],如果像素點(i-1, right)的值為 I,令 bl=pos[i_l][right],否則bl=pos[i-l] [right]-I,貝U從al到bl之間的目標段均屬于與隊頭目標段的連通的上行目標段；令a2=pos[i+l] [left],如果像素點(i+1, right)的值為 I,令 b2=pos[i+l][right],否則b2=pos[i+l] [right]-I,貝U從a2到b2之間的目標段均屬于與隊頭目標段的連通的下行目標段；用隊頭的目標段的標記來標識所有找到的與隊頭目標段連通的目標段，并將它們放到隊尾，同時隊頭目標段出隊；如果隊列還有目標段，則重復步驟(3-4-4)，否則進行步驟(3-4-3)；(3-5)通過連通域的聚類，確定運動目標的個數(shù)與區(qū)域；
(3-6)判斷檢測到的運動目標是否遮擋；若否，通過基于目標運動連貫性的質心匹配模型對運動目標進行跟蹤；若是，通過外觀模型(Appearance Model)對運動目標進行跟蹤;( 3-7 )獲取運動目標的信息。步驟(3-6)所述基于目標運動連貫性的質心匹配模型，具體包括以下過程(3-6-1-1)將第一幀的運動目標的速度初始化為O ;(3-6-1-2)將當前幀與上一幀相減得到當前幀的運動目標的速度；(3-6-1-3)根據(jù)當前幀的運動目標的速度預測下一幀的運動目標的位置信息；(3-6-1-4)根據(jù)步驟(3-6-1-3)預測到的下一幀的運動目標的位置信息進行匹配。
所述外觀模型包括以下步驟判斷運動目標是否首次出現(xiàn)，若是，則創(chuàng)建運動目標模型；若否，則判斷檢測出的運動目標與運動目標模型是否匹配；若匹配，則判斷運動目標模型是否重疊；若重疊，則采用特征匹配算法將運動目標模型分類；若不重疊，則更新運動目標模型；若不匹配，則創(chuàng)建新的運動目標模型。步驟(5 )所述服務器根據(jù)當前室內的剩余人數(shù)、室內溫度值以及人體顯熱散熱量的冷負荷系數(shù)、群集系數(shù)、成年男子當前勞動強度下的顯熱散熱量，計算室內的動態(tài)冷負荷，具體包括以下步驟室內動態(tài)冷負荷等價于人體顯熱散熱的形成的冷負荷Qp Qr按下式進行計算Qr=Yu QsixT-Ti
1=1其中，η為室內的剩余人數(shù)；Qsi為人體的顯熱散熱量,Ti為人員進入空調房間的時亥|J，T-TiS從人員進入房間時算起到計算時刻的時間X —its T-Ti時間人體顯熱散熱量
的冷負荷系數(shù)；Qsi由以下公式計算Qsi= Φ qri其中Φ為群集系數(shù)；qH為成年男子當前勞動強度下的顯熱散熱量；其中Ti由以下方法確定首先對于每一個進來的人都記錄下進來的時間，并保存到數(shù)據(jù)庫中，若有人離開房間，則從數(shù)據(jù)庫中隨機刪除一個人員進來的時間記錄，將此時數(shù)據(jù)庫中的進來的時間記錄隨機分配給室內的剩余人員。步驟(3-3)所述前景目標具體采用基于混合高斯背景模型的背景差減法獲取前景目標。與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點和有益效果(I)本發(fā)明通過精確統(tǒng)計人流量，結合當前時間、室內的溫度、場所的群集系數(shù)、人員的勞動強度以及人員滯留在室內的總時間來計算出動態(tài)冷負荷，為室內空調運行提供精確、可靠的實時冷負荷數(shù)據(jù)，實現(xiàn)優(yōu)化節(jié)能控制。(2)本發(fā)明通過求二值圖的連通域，從而確定目標的個數(shù)、位置以及區(qū)域大小，從而實現(xiàn)對運動目標的檢測，更進一步提聞對人流量的統(tǒng)計精度。(3)本發(fā)明采用基于混合高斯背景模型的背景差減法獲取前景目標，不需要每一幀都更新，既減輕了 CPU的壓力，又能保證背景模型的相對穩(wěn)定性。(4)本發(fā)明在感興趣區(qū)域(ROI)的設置上不局限于矩形，可以是任意凸四邊形，這樣可以根據(jù)不同的場景靈活地設置所需要監(jiān)控的區(qū)域。(5)本發(fā)明采用進線和出線的方式對運動目標進出情況進行結算，在不同的場景中顯得更加靈活，不局限與攝像機是否正對或者側對通道口。(6)本發(fā)明采用外觀模型對運動物體進行跟蹤，很好的解決了由于多目標重疊而產生統(tǒng)計誤差的問題，從而提高了系統(tǒng)的精確度。


圖I為本發(fā)明的于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法的流程圖。圖2為當攝像頭安裝在室內，并正對門口時，感興趣區(qū)域中進線示意圖。 圖3為當攝像頭安裝在室內，并側對門口時，感興趣區(qū)域中進線示意圖。圖4為對視頻序列中進出房間的人員進行檢測和軌跡跟蹤的流程圖。圖5為基于目標運動連貫性的質心匹配模型的流程圖。圖6為外觀模型的流程圖。
具體實施例方式下面結合實施例及附圖，對本發(fā)明作進一步地詳細說明，但本發(fā)明的實施方式不限于此。實施例如圖I所示，本實施例基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，包含以下步驟(I)采用攝像設備對房間出入口及周邊范圍的視頻圖像數(shù)據(jù)進行實時采集，并通過網絡上載到服務器；其中，視頻圖像先在攝像設備中采用H264編碼進行壓縮，上傳到服務器后，在服務器中解碼；(2)在視頻圖像中設置一個矩形框作為感興趣區(qū)域，并在感興趣區(qū)域中選擇進線和出線；其中進線表示進入室內的界線，出線表示離開室內的界線；其中進線與出線圍成封閉區(qū)域。如圖2所示，當攝像頭安裝在室內，并正對門口時，僅選擇包圍門的矩形框作為進線，不需要選擇出線。如圖3所示，當攝像頭安裝在室內，并側對門口時，選擇的進線和出線圍成矩形框，其中遠離攝像頭的兩條邊作為進線(圖3中的虛線)，靠近攝像頭的兩條線作為出線(圖3中的實線)。(3)服務器對視頻序列中進出房間的人員進行檢測和軌跡跟蹤，如圖4所示，具體包括以下步驟(3-1)獲取視頻序列；(3-2)判斷背景模型是否建立；若是，更新背景模型；若否，建立背景模型；(3-3采用基于混合高斯背景模型的背景差減法獲取前景目標，并進行前景閾值化、前景二值化和形態(tài)化處理，得到前景目標二值圖；(3-4)采用基于目標段的區(qū)域增長法求出前景目標二值圖該連通域，具體包括以下步驟
(3-4-1)新建一個二維數(shù)組seg[] □，用于存儲前景目標二值圖對應的目標段；同時新建一個二維數(shù)組pos [] □，用于存儲目標段的編號；(3-4-2)掃描二值圖，找出所有的目標段，并標志為0，用數(shù)組seg□口存儲所有的目標段，并新建一個最大長度為目標段數(shù)目的隊列，與此同時，給pos[][]賦值，其中pos[i] [j]的值表示在前景目標二值圖第i行中，距離水平位置j右邊最近的目標段編號；所述給pos[][]賦值具體如下如果像素點(i, j)=l，pos[i] [j]=cur ;否則pos[i] [j]=cur+l,其中cur表示最近找到的目標段的編號；(3-4-3)遍歷二維數(shù)組seg□口，找到第一個還沒訪問過的目標段，給予新的標記flag，然后放進隊列中，轉到步驟(3-4-4)，如果所有目標段都訪問過，則轉到步驟 (3-4-5)；(3-4-4)取出隊頭的目標段，尋找與該目標段連通的上行和下行的目標段；設隊頭的目標段的左右值分別為left和right，目隊頭的標段位于第i行；令al=pos[i_l] [left],如果像素點(i-1, right)的值為 I,令 bl=pos[i_l][right],否則bl = pos [i-1] [right]-I,貝U從al到bl之間的目標段均屬于與隊頭目標段的連通的上行目標段；令a2=pos[i+l] [left],如果像素點(i+1, right)的值為 I,令 b2=pos[i+l][right],否則b2=pos[i+l] [right]-I,貝U從a2到b2之間的目標段均屬于與隊頭目標段的連通的下行目標段；用隊頭的目標段的標記來標識所有找到的與隊頭目標段連通的目標段，并將它們放到隊尾，同時隊頭目標段出隊；如果隊列還有目標段，則重復步驟(3-4-4)，否則進行步驟(3-4-3)；(3-5)通過連通域的聚類，確定運動目標的個數(shù)與區(qū)域；(3-6)判斷檢測到的運動目標是否遮擋；若否，通過基于目標運動連貫性的質心匹配模型對運動目標進行跟蹤；若是，通過外觀模型(Appearance Model)對運動目標進行跟蹤;如圖5所示，所述基于目標運動連貫性的質心匹配模型，具體包括以下過程(3-6-1-1)將第一幀的運動目標的速度初始化為O ;(3-6-1-2)將當前幀與上一幀相減得到當前幀的運動目標的速度；(3-6-1-3)根據(jù)當前幀的運動目標的速度預測下一幀的運動目標的位置信息；(3-6-1-4)根據(jù)步驟(3-6-1-3)預測到的下一幀的運動目標的位置信息進行匹配。如圖6所示，所述外觀模型包括以下步驟判斷運動目標是否首次出現(xiàn)，若是，則創(chuàng)建運動目標模型；若否，則判斷檢測出的運動目標與運動目標模型是否匹配；若匹配，則判斷運動目標模型是否重疊；若重疊，則采用特征匹配算法將運動目標模型分類；若不重疊，則更新運動目標模型；若不匹配，則創(chuàng)建新的運動目標模型。( 3-7 )獲取運動目標的信息。(4)根據(jù)檢測和軌跡跟蹤的結果，統(tǒng)計進入、離開房間的人流量，從而計算室內剩余的人數(shù)，具體為
令感興趣區(qū)域內的目標出現(xiàn)時的狀態(tài)為Stl，消失時的狀態(tài)為S1 ；S0, S1的取值范圍為-1，O, I ;其中-I表示目標在進線與出線圍成的封閉區(qū)域中；0表示目標在進線上；1表示目標在出線上；在目標消失的時刻，按以下規(guī)則結算目標的行為(a)當S。= S1,表示目標不進不出；(b)當S。= 0，S1 = -I或者S1 = I,表示目標出去；(c)當S0=I, S1=-I或者S1=O,表示目標進來；Cd)當S0=-I或者S0=I, S1=O,表示目標進來；Ce)當Stl=-I或者Stl=O, S1=I,表示目標出去；得到進入人數(shù)和出去人數(shù)后，結合室內初始人數(shù)算出當前室內的剩余人數(shù)。(5)服務器根據(jù)當前室內的剩余人數(shù)、室內溫度值以及人體顯熱散熱量的冷負荷系數(shù)(見表I (a)、表I (b))、群集系數(shù)(見表2)、成年男子當前勞動強度下的顯熱散熱量(見表3)，計算室內的動態(tài)冷負荷，具體包括以下步驟室內動態(tài)冷負荷等價于人體顯熱散熱的形成的冷負荷Qp Qr按下式進行計算
權利要求
1.一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，其特征在于，包含以下步驟 (1)采用攝像設備對房間出入口及周邊范圍的視頻圖像數(shù)據(jù)進行實時采集，并上載到服務器； (2)在視頻圖像中設置一個矩形框作為感興趣區(qū)域，并在感興趣區(qū)域中選擇進線和出線；其中進線表示進入室內的界線，出線表示離開室內的界線；其中進線與出線圍成封閉區(qū)域； (3)服務器對視頻序列中進出房間的人員進行檢測和軌跡跟蹤； (4)根據(jù)檢測和軌跡跟蹤的結果，統(tǒng)計進入、離開房間的人流量，從而計算室內剩余的人數(shù)，具體為 令感興趣區(qū)域內的目標出現(xiàn)時的狀態(tài)為S0,消失時的狀態(tài)為S1 ；S0, S1的取值范圍為-1，O, I ;其中-I表示目標在進線與出線圍成的封閉區(qū)域中；0表示目標在進線上；1表示目標在出線上； 在目標消失的時刻，按以下規(guī)則結算目標的行為 (a)當Sci= S1,表示目標不進不出； (b)當S。=O, S1 = -I或者S1 = I,表示目標出去； (c)當Stl=I,S1=-I或者S1=O,表示目標進來； Cd)當S0=-I或者S0=I, S1=O,表示目標進來； Ce)當Stl=-I或者Stl=O, S1=I,表示目標出去； 得到進入人數(shù)和出去人數(shù)后，結合室內初始人數(shù)算出當前室內的剩余人數(shù)； (5)服務器根據(jù)當前室內的剩余人數(shù)、室內溫度值以及人體顯熱散熱量的冷負荷系數(shù)、群集系數(shù)、成年男子當前勞動強度下的顯熱散熱量，計算室內的動態(tài)冷負荷； (6)判斷視頻是否結束；若否，重復步驟(I) (6);若是，則結束。
2.根據(jù)權利要求I所述的基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，其特征在于，步驟(3)所述服務器對視頻序列中進出房間的人員進行檢測和跟蹤，具體包括以下步驟 (3-1)獲取視頻序列； (3-2)判斷背景模型是否建立；若是，更新背景模型；若否，建立背景模型； (3-3)獲取前景目標，并進行前景閾值化、前景二值化和形態(tài)化處理，得到前景目標二值圖； (3-4)采用基于目標段的區(qū)域增長法求出前景目標二值圖該連通域，具體包括以下步驟 (3-4-1)新建一個二維數(shù)組seg [][]，用于存儲前景目標二值圖對應的目標段；同時新建一個二維數(shù)組pos[] □，用于存儲目標段的編號； (3-4-2)掃描二值圖，找出所有的目標段，并標志為0，用數(shù)組seg[][]存儲所有的目標段，并新建一個最大長度為目標段數(shù)目的隊列，與此同時，給pos [][]賦值，其中pos [i] [j]的值表示在前景目標二值圖第i行中，距離水平位置j右邊最近的目標段編號； 所述給pos[][]賦值具體如下如果像素點(i, j)=l，pos[i] [j]=cur ;否則pos[i][j]=cur+l,其中cur表示最近找到的目標段的編號；(3-4-3)遍歷二維數(shù)組seg[] □，找到第一個還沒訪問過的目標段，給予新的標記flag，然后放進隊列中，轉到步驟(3-4-4)，如果所有目標段都訪問過，則轉到步驟(3-4-5)； (3-4-4)取出隊頭的目標段，尋找與該目標段連通的上行和下行的目標段； 設隊頭的目標段的左右值分別為left和right，目隊頭的標段位于第i行； 令al=pos[i-l] [left],如果像素點(i_l, right)的值為 I,令bl=pos [i_l] [right],否則bl=p0S[i-l][right]-l，則從al到bl之間的目標段均屬于與隊頭目標段的連通的上行目標段； 令a2=pos[i+l] [left],如果像素點(i+1, right)的值為 I,令b2=pos [i+1] [right],否則b2=pos[i+l] [right]-l，則從a2到b2之間的目標段均屬于與隊頭目標段的連通的下行目標段； 用隊頭的目標段的標志來標識所有找到的與隊頭目標段連通的目標段，并將它們放到隊尾，同時隊頭目標段出隊； 如果隊列還有目標段，則重復步驟(3-4-4)，否則進行步驟(3-4-3)； (3-5)通過連通域的聚類，確定運動目標的個數(shù)與區(qū)域； (3-6)判斷檢測到的運動目標是否反正遮擋；若是，通過基于目標運動連貫性的質心匹配模型對運動目標進行跟蹤；若否，通過外觀模型對運動目標進行跟蹤； (3-7)獲取運動目標的信息。
3.根據(jù)權利要求2所述的基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，其特征在于，步驟(3-6)所述基于目標運動連貫性的質心匹配模型，具體包括以下過程 (3-6-1-1)將第一幀的運動目標的速度初始化為O ; (3-6-1-2)將當前幀與上一幀相減得到當前幀的運動目標的速度； (3-6-1-3)根據(jù)當前幀的運動目標的速度預測下一幀的運動目標的位置信息； (3-6-1-4)根據(jù)步驟(3-6-1-3)預測到的下一幀的運動目標的位置信息進行匹配。
4.根據(jù)權利要求I所述的基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，其特征在于，所述外觀模型包括以下步驟 判斷運動目標是否首次出現(xiàn)，若是，則創(chuàng)建運動目標模型；若否，則判斷檢測出的運動目標與運動目標模型是否匹配；若匹配，則判斷運動目標模型是否重疊；若重疊，則采用特征匹配算法將運動目標模型分類；若不重疊，則更新運動目標模型； 若不匹配，則創(chuàng)建新的運動目標模型。
5.根據(jù)權利要求I所述的基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，其特征在于，步驟(5)所述服務器根據(jù)當前室內的剩余人數(shù)、室內溫度值以及人體顯熱散熱量的冷負荷系數(shù)、群集系數(shù)、成年男子當前勞動強度下的顯熱散熱量，計算室內的動態(tài)冷負荷，具體包括以下步驟 室內動態(tài)冷負荷等價于人體顯熱散熱的形成的冷負荷Qy Qr按下式進行計算 其中，η為室內的剩余人數(shù)；Qsi為人體的顯熱散熱量，Ti為人員進入空調房間的時刻，1-!\為從人員進入房間時算起到計算時刻的時間;^為T-Ti時間人體顯熱散熱量的冷負荷系數(shù)； Qsi由以下公式計算 Qsi= Φ qri 其中Φ為群集系數(shù)為成年男子當前勞動強度下的顯熱散熱量； 其中Ti由以下方法確定首先對于每一個進來的人都記錄下進來的時間，并保存到數(shù)據(jù)庫中，若有人離開房間，則從數(shù)據(jù)庫中隨機刪除一個人員進來的時間記錄，將此時數(shù)據(jù)庫中的進來的時間記錄隨機分配給室內的剩余人員。
6.根據(jù)權利要求2所述的基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，步驟(3-3)所述前景目標具體采用基于混合高斯背景模型的背景差減法獲取前景目標。
全文摘要
本發(fā)明公開了一種基于人流量統(tǒng)計的室內動態(tài)冷負載智能檢測方法，通過統(tǒng)計進出房間的人流量，從而得到室內的剩余人數(shù)，最后結合當前時間、室內的溫度、場所的群集系數(shù)、人員的勞動強度以及人員滯留在室內的總時間來計算出動態(tài)冷負荷。本發(fā)明通過對房間進出口區(qū)域進行視頻監(jiān)控來統(tǒng)計人流量，首先采用運動目標檢測算法檢測出目標的區(qū)域，然后采用跟蹤算法跟蹤目標的運動軌跡，最后根據(jù)該運動軌跡以及房間的布局來分析目標的行為。本發(fā)明能更準確地統(tǒng)計人流量，為室內空調運行提供精確、可靠的實時冷負荷數(shù)據(jù)，實現(xiàn)優(yōu)化節(jié)能控制。
文檔編號G07C9/00GK102831683SQ20121031048
公開日2012年12月19日 申請日期2012年8月28日 優(yōu)先權日2012年8月28日
發(fā)明者彭新一, 曹煉強, 劉孜文, 黃志瑋 申請人:華南理工大學