基于深度学习的红外图像人体参数识别研究

根据人体热舒适评价标准,除了热环境参数以外,人体参数(活动状态和着装情况)显著影响人体热舒适度.传统的建筑环境控制系统一般按照设定的热环境参数进行调控,无法根据实时人体参数进行优化设置,如此难以满足人体个性化热舒适的要求.文中提出基于深度学习的红外图像人体参数识别技术,通过建立一个按照人体活动状态和着装情况分类的红外图像数据集,对LeNet和ResNet两种深度学习神经网络进行识别训练,并对比分析两种神经网络的识别性能.结果表明,ResNet神经网络的识别性能明显优于LeNet神经网络,人体活动状态和着装情况的识别率分别能达到80%及90%以上.因此,基于深度学习的红外图像人体参数识别技术具有较大应用潜力,未来通过应用于建筑环境控制系统,可以显著提高个人热舒适度.