智能家居小波变换的智能照明控制研究方案

发布时间:2014-11-24 阅读量:799 来源: 我爱方案网 作者:

【导读】传统的照明方式简单、有效、直观,但它过多依赖控制者的个人能力,控制相对分散以及无法有效管理,并且其适时性和自动化程度太低。其后的自动照明控制模式虽然解决了传统方式控制相对分散和无法有效管理等问题,实现了照明控制的自动化,但却无法实现调光控制功能。

1 引言

进入21 世纪以来,我国建筑进入了一个智能化高度发展的时代,新的智能大厦、现代化居民居住小区按照传统的照明控制方式已经不能满足其更高标准的要求。传统的照明方式简单、有效、直观,但它过多依赖控制者的个人能力,控制相对分散以及无法有效管理,并且其适时性和自动化程度太低。其后的自动照明控制模式虽然解决了传统方式控制相对分散和无法有效管理等问题,实现了照明控制的自动化,但却无法实现调光控制功能。

目前,国外产品如尼科公司的智能照明控制系统能预设各种场景进行照明控制,广泛应用于办公大楼、宾馆酒店、体育场馆等场合,但是存在价格高、操作相对复杂,对管理人员要求较高等缺点。国内相关应用于居住小区及普遍公共场所的照明智能控制系统尚不多见。

为解决传统红外+ 光感传感器方式的灯光照度控制系统存在要求较多的传感器,而且布置位置要求较高和工程施工、布线量大等缺点,本文提出采用动静监测( 红外、声控) + 数字图像信息融合的照度控制方式。通过将采集来的图像信息进行融合处理,对融合之后的图像进行灰度划分,将每一区域的灰度平均值与预设灰度值对比,从而调节场景照度。

2 动静监测传感数据与CCD 数字图像信息融合技术


楼宇智能照明系统中动静监测与CCD 数字图像信息融合技术的控制系统框图如图1 所示。

其基本原理是: 通过动静检测技术观察是否有人走动,如果没有人走动,关闭照明; 如果有人存在,对采集的多幅数字图像进行分析,将图像灰度平均值与各种预置的标准值进行对比,计算其环境照场的照度模型,如果在照明系统预设模式允许的误差范围内,就不需要对照度进行调整,反之,就对照度进行调整。

图像融合是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像,经过去噪、时间配准、空间配准和重采样后,再运用某种融合技术得到一幅合成图像的过程通过对多幅传感器图像的融合,可克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性,提高图像的质量,从而有利于对物理现象和事件进行定位、识别和解释。其具体过程见图2。

智能家居小波变换的智能照明控制研究方案

智能家居小波变换的智能照明控制研究方案

3 基于小波变换的图像融合技术

3. 1 预处理


智能照明系统中,当动静监测发现有人走动时,CCD 摄像机会对相应区域进行图像信息采集。但在图像采集过程中,由于受到各种因素( 如传感器的位置速度、光照强度、随机噪声等) 的影响,实际获得的图像往往包含上述影响因素的特征。因此在实现图像融合之前,需要对传感器获得的不同图像进行预处理,包括图像校正、增强、平滑、滤波、配准等。

如图3 所示,为CCD 摄影机采集的室内图像经过图像校正、滤波以及配准预处理之后的效果显示。

从图3 中可以发现,由于光照强度,以及噪声和干扰等因素,图3 ( a) 中右边花盆有些模糊,图3 ( b) 中的门有些模糊,这样的图像所提供的信息不利于智能照明系统识别,由此可利用下面的小波融合技术将源图像信息进行融合。

智能家居小波变换的智能照明控制研究方案

3. 2 小波变换融合


Mallat 在Burt 和Adelson 的塔形图像分解和重构算法的启发下,提出了小波变换的Mallat 快速算法,按照二维Mallat 算法,将每一副经过预处理的CCD图像进行二维分解。

 

本文CCD 摄影机采集的图像大小为351 × 260,设分解层数为3,在尺度k-1 上按如下的Mallat 分解公式进行分解:
智能家居小波变换的智能照明控制研究方案

式中,
智能家居小波变换的智能照明控制研究方案


分别表示预处理后的CCD图像在351 × 260 分辨率下的低频分量,水平高频分量,垂直高频分量和对角高频分量。其中低频分量反映了CCD 图像的近似和平均特征,集中了图像的大部分能量信息。如图4 所示,为CCD 图像的小波分解示意图。

在两幅CCD 图像的小波变换域内,分别对水平,垂直与对角分量进行融合。在各尺度j ( j = 1,2,3)上将两幅CCD 图像的高频系数进行比较,把对应位置上绝对值较大的系数作为重要小波系数保留下来,即其中
智能家居小波变换的智能照明控制研究方案

分别表示两幅CCD 图像在各尺度分量上的小波系数。
智能家居小波变换的智能照明控制研究方案

对两幅CCD 图像经小波变换之后的逼近系数C1J和C2J进行处理,由于在智能照明系统采集图像时,受各方面因素,使得CCD 摄影机采集的图像在局部出现模糊的现象,图像模糊表示其细节信息( 或高频信息) 丢失较多,相比之下,其整体信息( 或低频信息) 保持较好,因此两幅CCD 图像经小波分解后其逼近系数之间的差异要远小于小波系数之间的差异,故融合之后的逼近系数可由确定。

智能家居小波变换的智能照明控制研究方案

利用以上得到的全部小波系数以及可以得到由智能照明系统采集的多幅CCD 中的逼近系数进行二维小波反变换,有重构式维小波反变换,有重构式图像融合图像。其融合过程如图5所示。
智能家居小波变换的智能照明控制研究方案

3. 3 融合结果评价指标


CCD 图像融合的效果对智能照明系统的后续工作尤为重要,本文提出的采用小波变化法对采集的图像进行融合,其融合效果可从灰度平均值、标准方差以及信息熵三个指标进行评价。

3. 3. 1 灰度平均值


融合之后的图像大小仍为351 × 260,其灰度平均值为:

智能家居小波变换的智能照明控制研究方案
 
 

其中pi是灰度值为i 的像素的数目和整个像素数目的比值。信息熵代表了CCD 图像含有信息的丰富程度。如果pi对于任意灰度水平都是常量,那么信息熵就可以达到最大值。如果某种方法得到的融合图像,其熵值较大,则说明此方法较优; 否则,说明该方法较差。

3. 4 图像灰度平均值及其稳定性


将CCD 摄影机采集的图像经过小波融合之后,接着就要提取融合图像的灰度平均值,以便智能照明系统调用。若记mean ( A) 为融合后CCD 图像的灰度平均值,则有:
智能家居小波变换的智能照明控制研究方案

如果将融合后的CCD 图像划分为四个区域,如图6 所示,其照明范围内的每一个区域则变为如图7 所示的4 个小区域:

智能家居小波变换的智能照明控制研究方案

智能家居小波变换的智能照明控制研究方案
 
4 个区域大小均为175 × 130,其灰度平均值分别为
智能家居小波变换的智能照明控制研究方案

对图像的一些操作,如调整亮度、重采样、颜抖动、平滑、加噪声、压缩等,均可归结为对图像一种扰动,即稳定性。设A'' 为图像A 受到扰动E 后的图,即A'' = A + E,则根据平均值不等式,有
智能家居小波变换的智能照明控制研究方案

由此即可判断图像融合后的稳定性。

3. 5 与预设值对比


将融合处理后的图像灰度平均值与预设值进行对比,如果平均值在预设值的误差范围之内,则智能照明系统不做调整; 如果平均值超出预设值误差范围,则智能照明系统做出相应调整,使之调试在相应模式的照度误差范围之内。

4 实验数据分析

本文对上述的两幅室内CCD 图像进行了图像融合仿真,并且提取了智能照明系统所用到的融合图像的有关信息,采用本文提出的小波变换融合算法,其实验融合图像效果对比如图8,图9,图10 所示。
 智能家居小波变换的智能照明控制研究方案

本仿真实验将本文提出的融合算法与其他三种不同的融合算法进行了对比,其数据比较如表1 所示:
智能家居小波变换的智能照明控制研究方案

表1 中数据可以看出,本文提出的融合算法得到的融合图像更清晰,其他三种融合算法得到的信息熵值都比本文提出的融合算法得到的信息熵值低,小波变换融合算法可以得到更丰富的时域和频域信息,有效的保留了照明区域的细节信息,为智能照明系统提供更全面的数据信息。

本文提出采用动静监测和图像融合技术对智能照明系统进行照明控制,图像融合主要采用小波变换算法对采集的图像进行处理,实验表明这种融合算法比其他融合算法的融合效果要好,保留了必要信息,抑制了不需要的信息,为智能照明系统的后续工作提供了良好的图像信息。系统结合图像融合技术,能够根据现场实际情况、人员变动以及天气因素( 阴雨雾雪) 等的变化,实时得进行照明器的调节,在保证足够照度的条件下,也相应降低了智能建筑照明系统的能耗。

相关文章


应用于智能家居的智能照明系统原理与节能应用方案

智能家居智能照明的“三点”优势方案

应用于智能家居Renesas MCU智能照明平台的设计方案
相关资讯
华虹半导体2025年Q1业绩解析:逆势增长背后的挑战与破局之路

2025年第一季度,华虹半导体(港股代码:01347)实现销售收入5.409亿美元,同比增长17.6%,环比微增0.3%,符合市场预期。这一增长得益于消费电子、工业控制及汽车电子领域需求的复苏,以及公司产能利用率的持续满载(102.7%)。然而,盈利能力显著下滑,母公司拥有人应占溢利仅为380万美元,同比锐减88.05%,环比虽扭亏为盈,但仍处于低位。毛利率为9.2%,同比提升2.8个百分点,但环比下降2.2个百分点,反映出成本压力与市场竞争的加剧。

边缘计算新引擎:瑞芯微RV1126B四大核心技术深度解析

2025年5月8日,瑞芯微电子正式宣布新一代AI视觉芯片RV1126B通过量产测试并开启批量供货。作为瑞芯微在边缘计算领域的重要布局,RV1126B凭借3T算力、定制化AI-ISP架构及硬件级安全体系,重新定义了AI视觉芯片的性能边界,推动智能终端从“感知”向“认知”跃迁。

半导体IP巨头Arm:季度营收破12亿,AI生态布局能否撑起估值泡沫?

2025财年第四季度,Arm营收同比增长34%至12.4亿美元,首次突破单季10亿美元大关,超出分析师预期。调整后净利润达5.84亿美元,同比增长55%,主要得益于Armv9架构芯片在智能手机和数据中心的渗透率提升,以及计算子系统(CSS)的强劲需求。全年营收首次突破40亿美元,其中专利费收入21.68亿美元,授权收入18.39亿美元,均刷新历史纪录。

Arrow Lake的突破:混合架构与先进封装的协同进化

2024年10月,英特尔正式发布Arrow Lake架构的酷睿Ultra 200系列处理器,标志着其在桌面计算领域迈入模块化设计的新阶段。作为首款全面采用Chiplet(芯粒)技术的桌面处理器,Arrow Lake不仅通过多工艺融合实现了性能与能效的优化,更以创新的混合核心布局和缓存架构重新定义了处理器的设计范式。本文将深入解析Arrow Lake的技术突破、性能表现及其对行业的影响。

暗光性能提升29%:深度解析思特威新一代AI眼镜视觉方案

2025年5月8日,思特威(股票代码:688213)正式发布专为AI眼镜设计的1200万像素CMOS图像传感器SC1200IOT。该产品基于SmartClarity®-3技术平台,集成SFCPixel®专利技术,以小型化封装、低功耗设计及卓越暗光性能,推动AI眼镜在轻量化与影像能力上的双重突破。公司发言人表示:"AI眼镜的快速迭代正倒逼传感器技术升级,需在尺寸、功耗与画质间实现平衡,这正是SC1200IOT的核心价值所在。"