申请/专利权人：惠州市沃生照明有限公司

申请日：2023-10-11

公开（公告）日：2024-03-22

公开（公告）号：CN117279170B

主分类号：H05B47/125

分类号：H05B47/125

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：一种用于护眼灯的灯光调节方法及系统，其通过部署于护眼灯的摄像头采集人眼状态监控视频；对所述人眼状态监控视频进行特征分析以得到人眼状态语义时序关联特征；以及，基于所述人眼状态语义时序关联特征，确定是否推荐开启护眼模式。这样，能够实现护眼灯更加智能化的护眼体验，提供更好的护眼效果。

主权项：1.一种用于护眼灯的灯光调节方法，其特征在于，包括：通过部署于护眼灯的摄像头采集人眼状态监控视频；对所述人眼状态监控视频进行特征分析以得到人眼状态语义时序关联特征；以及基于所述人眼状态语义时序关联特征，确定是否推荐开启护眼模式；对所述人眼状态监控视频进行特征分析以得到人眼状态语义时序关联特征，包括：对所述人眼状态监控视频进行视频切分以得到多个人眼状态监控视频片段；对所述多个人眼状态监控视频片段进行特征提取以得到多个人眼状态时序特征向量；以及对所述多个人眼状态时序特征向量进行时序关联编码以得到上下文人眼状态语义时序关联特征向量作为所述人眼状态语义时序关联特征；对所述多个人眼状态监控视频片段进行特征提取以得到多个人眼状态时序特征向量，包括：分别对所述多个人眼状态监控视频片段进行稀疏化以得到多个人眼状态监控稀疏化视频片段；通过基于深度神经网络模型的人眼状态时序特征提取器分别对所述多个人眼状态监控稀疏化视频片段进行特征提取以得到所述多个人眼状态时序特征向量；所述深度神经网络模型为三维卷积神经网络模型；对所述多个人眼状态时序特征向量进行时序关联编码以得到上下文人眼状态语义时序关联特征向量作为所述人眼状态语义时序关联特征，包括：将所述多个人眼状态时序特征向量通过基于Bi-LSTM的上下文编码器以得到所述上下文人眼状态语义时序关联特征向量；基于所述人眼状态语义时序关联特征，确定是否推荐开启护眼模式，包括：将所述上下文人眼状态语义时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示人眼状态标签；以及基于所述分类结果，确定是否推荐开启护眼模式；灯光调节方法还包括训练步骤：用于对基于三维卷积神经网络模型的人眼状态时序特征提取器、所述基于Bi-LSTM的上下文编码器和所述分类器进行训练；所述训练步骤，包括：获取训练数据，所述训练数据包括训练人眼状态监控视频，以及，所述人眼状态标签的真实值；对所述训练人眼状态监控视频进行视频切分以得到多个训练人眼状态监控视频片段；分别对所述多个训练人眼状态监控视频片段进行稀疏化以得到多个训练人眼状态监控稀疏化视频片段；将所述多个训练人眼状态监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的人眼状态时序特征提取器以得到多个训练人眼状态时序特征向量；将所述多个训练人眼状态时序特征向量通过所述基于Bi-LSTM的上下文编码器以得到训练上下文人眼状态语义时序关联特征向量；将所述训练上下文人眼状态语义时序关联特征向量通过所述分类器以得到分类损失函数值；基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的人眼状态时序特征提取器、所述基于Bi-LSTM的上下文编码器和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，对所述训练上下文人眼状态语义时序关联特征向量进行权重空间的细粒度密度预测搜索优化；在所述训练过程的每一轮迭代中，以如下优化公式对所述训练上下文人眼状态语义时序关联特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练上下文人眼状态语义时序关联特征向量；其中，所述优化公式为： ;其中，是和分别是上次和本次迭代的权重矩阵，是所述训练上下文人眼状态语义时序关联特征向量，和分别表示特征向量和的全局均值，且是偏置向量，表示按位置点乘，表示向量加法，表示矩阵乘法，表示最小值，是所述优化训练上下文人眼状态语义时序关联特征向量。

全文数据：

权利要求：

百度查询： 惠州市沃生照明有限公司 用于护眼灯的灯光调节方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD