基于大数据的智能家居节能控制方法

摘要

本发明涉及智能家居控制技术领域，具体涉及一种基于大数据的智能家居节能控制方法，该方法对视频数据进行人物检测以得到连续有人的多段等长的视频序列，将带有标签的视频序列作为样本，构成神经网络的数据集；根据每个样本输入神经网络中所得到的特征图数据集合，分别根据每个特征图数据集合中每个特征图的同一位置的像素值构成像素值序列，以计算类别间隔；根据每个样本的损失值，以计算每个像素值序列对应的信息增益值，结合类别间隔和信息增益值得到每个卷积核参数的信任度，利用由信任度对卷积核参数的更新梯度进行调整而训练好的神经网络，得到灯具的关闭时间间隔。本发明提高了神经网络的训练精度和效率，使得灯具控制更加便利。

权利要求

1.基于大数据的智能家居节能控制方法，其特征在于，该方法包括以下步骤：

获取室内的视频数据，对视频数据中的每帧图像进行人物检测，得到连续有人的多段等长的视频序列；对每段视频序列进行标签类别的标注，标签类别包括两个标签；将带有标签的视频序列作为神经网络的样本，构成数据集；

分别获取数据集中每个样本输入到神经网络中所对应的特征图数据集合，将每个特征图数据集合中的第k个特征图的第z个像素值组成像素值序列，k和z都为正整数，根据特征图对应的标签类别将像素值序列分为两个子序列；分别根据子序列和像素值序列中任意两个像素值的差值绝对值，计算第k个特征图的第z个像素值的类别间隔；

设定多个损失等级，获取每个样本的损失值，由每个损失值的损失等级计算信息熵；根据第k个特征图的第z个像素值所对应的像素值序列得到多个特征等级，根据每个特征等级下不同损失等级的出现概率计算第k个特征图的第z个像素值所对应的条件熵；将信息熵减去条件熵得到第k个特征图的第z个像素值所对应的信息增益值；

获取第k个特征图的第z个像素值对应类别间隔和信息增益值的乘积，将第k个特征图中所有像素值对应的乘积的相加结果作为第k个特征图的信任度，并将第k个特征图的信任度作为神经网络中第k个卷积核参数的信任度；

获取神经网络中所有卷积核参数的信任度，利用信任度对每个卷积核参数的更新梯度进行调整，以完成神经网络的训练；利用训练好的神经网络获取人短时间回到室内的可能性指标，根据可能性指标获取灯具的关闭时间间隔。

2.如权利要求1所述的基于大数据的智能家居节能控制方法，其特征在于，所述对每段视频序列进行标签类别的标注方法，包括：获取每段视频序列中人离开的时长，当时长大于时长阈值时，将对应视频序列标注为人短暂无返回标签，当时长小于或等于时长阈值时，将对应视频序列标注为人短暂有返回标签。

3.如权利要求1所述的基于大数据的智能家居节能控制方法，其特征在于，所述类别间隔的获取方法，包括：分别计算当前子序列中任意两个像素值的差值绝对值，得到当前子序列的第一差值绝对值均值；获取每个子序列的第一差值绝对值均值，得到第一差值绝对值均值的和；

分别计算像素值序列中任意两个像素值的差值绝对值，得到像素值序列的第二差值绝对值均值；将第一差值绝对值均值的和与第二差值绝对值均值的比值作为第k个特征图的第z个像素值的类别间隔。

4.如权利要求1所述的基于大数据的智能家居节能控制方法，其特征在于，所述根据第k个特征图的第z个像素值所对应的像素值序列得到多个特征等级的方法，包括：获取像素值序列中的最大像素值和最小像素值，得到像素值极差值，基于设定的特征等级数量，将像素值极差值与特征等级数量之间的比值作为等级间隔；利用等级间隔将最大像素值与最小像素值之间的像素值范围划分为与设定的特征等级数量相等的多个特征等级。

5.如权利要求1所述的基于大数据的智能家居节能控制方法，其特征在于，所述利用信任度对每个卷积核参数的更新梯度进行调整的方法，包括：根据每个卷积核参数的信任度计算平均信任度，获取当前卷积核参数的信任度与平均信任度的信任度差值，根据信任度差值得到当前卷积核参数的调整系数，将调整系数与当前卷积核参数的更新梯度的乘积作为调整后的更新梯度。

6.如权利要求1所述的基于大数据的智能家居节能控制方法，其特征在于，所述根据可能性指标获取灯具的关闭时间间隔的方法，包括：设置灯具的最大关闭时间间隔，将可能性指标与最大关闭时间间隔的乘积作为关闭时间间隔。

说明书

基于大数据的智能家居节能控制方法

技术领域

[0001] 本发明涉及智能家居控制技术领域，具体涉及一种基于大数据的智能家居节能控制方法。

背景技术

[0002] 目前，与人们生活息息相关的家居产品逐渐趋于智能化，例如灯具系统通过识别室内是否有人来控制灯具的开关，但是现实生活中会存在人短时间的离开，在此情况下就会导致灯具频繁的开关。而灯具频繁的开关不仅会造成灯具寿命降低，且灯具每开关一次的电能消耗会比短时间内灯具持续运行的电能消耗大，因此仅仅通过室内有无人的情况来控制灯具开关不够方便。

[0003] 现有技术中，为了防止出现频繁开关灯的情况，利用传统神经网络来分析人离开房间前的状态，以判断人是否短期内有返回情况，进而根据判断结果控制灯的开关。但传统神经网络的训练过程中，由于传统神经网络在分析人离开房间前的状态时，会对整个视频图像中的各特征采用相同的重要程度去分析，但视频图像中存在一部分特征对于预测人们短时间内是否返回是重要的，因此导致传统神经网络会走一定弯路才能提取到数据中的重要特征；且传统神经网络一般通过梯度下降的方式来更新网络神经元参数，这种更新网络神经元参数的更新效率较低且精度也不够准确，特别是对于在网络前端特征提取层的网络更新效果和精度更差，进而使得灯具开关的控制效果不理想。

发明内容

[0004] 为了解决上述技术问题，本发明的目的在于提供一种基于大数据的智能家居节能控制方法，所采用的技术方案具体如下：

[0005] 获取室内的视频数据，对视频数据中的每帧图像进行人物检测，得到连续有人的多段等长的视频序列；对每段视频序列进行标签类别的标注，标签类别包括两个标签；将带有标签的视频序列作为神经网络的样本，构成数据集；

[0006] 分别获取数据集中每个样本输入到神经网络中所对应的特征图数据集合，将每个特征图数据集合中的第k个特征图的第z个像素值组成像素值序列，k和z都为正整数，根据特征图对应的标签类别将像素值序列分为两个子序列；分别根据子序列和像素值序列中任意两个个像素值的差值绝对值，计算第k个特征图的第z个像素值的类别间隔；

[0007] 设定多个损失等级，获取每个样本的损失值，由每个损失值的损失等级计算信息熵；根据第k个特征图的第z个像素值所对应的像素值序列得到多个特征等级，根据每个特征等级下不同损失等级的出现概率计算第k个特征图的第z个像素值所对应的条件熵；将信息熵减去条件熵得到第k个特征图的第z个像素值所对应的信息增益值；

[0008] 获取第k个特征图的第z个像素值对应类别间隔和信息增益值的乘积，将第k个特征图中所有像素值对应的乘积的相加结果作为第k个特征图的信任度，并将第k个特征图的信任度作为神经网络中第k个卷积核参数的信任度；

[0009] 获取神经网络中所有卷积核参数的信任度，利用信任度对每个卷积核参数的更新梯度进行调整，以完成神经网络的训练；利用训练好的神经网络获取人短时间回到室内的可能性指标，根据可能性指标获取灯具的关闭时间间隔。

[0010] 进一步的，所述对每段视频序列进行标签类别的标注方法，包括：

[0011] 获取每段视频序列中人离开的时长，当时长大于时长阈值时，将对应视频序列标注为人短暂无返回标签，当时长小于或等于时长阈值时，将对应视频序列标注为人短暂有返回标签。

[0012] 进一步的，所述类别间隔的获取方法，包括：

[0013] 分别计算当前子序列中任意两个像素值的差值绝对值，得到当前子序列的第一差值绝对值均值；获取每个子序列的第一差值绝对值均值，得到第一差值绝对值均值的和；

[0014] 分别计算像素值序列中任意两个像素值的差值绝对值，得到像素值序列的第二差值绝对值均值；将第一差值绝对值均值的和与第二差值绝对值均值的比值作为第k个特征图的第z个像素值的类别间隔。

[0015] 进一步的，所述根据第k个特征图的第z个像素值所对应的像素值序列得到多个特征等级的方法，包括：

[0016] 获取像素值序列中的最大像素值和最小像素值，得到像素值极差值，基于设定的特征等级数量，将像素值极差值与特征等级数量之间的比值作为等级间隔；利用等级间隔将最大像素值与最小像素值之间的像素值范围划分为与设定的特征等级数量相等的多个特征等级。

[0017] 进一步的，所述利用信任度对每个卷积核参数的更新梯度进行调整的方法，包括：

[0018] 根据每个卷积核参数的信任度计算平均信任度，获取当前卷积核参数的信任度与平均信任度的信任度差值，根据信任度差值得到当前卷积核参数的调整系数，将调整系数与当前卷积核参数的更新梯度的乘积作为调整后的更新梯度。

[0019] 进一步的，所述根据可能性指标获取灯具的关闭时间间隔的方法，包括：

[0020] 设置灯具的最大关闭时间间隔，将可能性指标与最大关闭时间间隔的乘积作为关闭时间间隔。

[0021] 本发明实施例至少具有如下有益效果：利用带有标签的样本训练神经网络，根据训练过程中每个卷积核参数所对应特征图的像素值获取类别间隔，以便于直接明了对应特征对标签类别的区别能力；由样本的损失值所计算的信息熵和每个卷积核参数对应特征的条件熵，得到对应特征的信息增益值，以体现该特征对损失函数的影响程度，进而结合类别间隔和信息增益值获取每个卷积核参数的信任度，以准确表现对应卷积核参数提取特征的能力；根据信任度对卷积核参数的更新梯度进行调整，以保证准确性高的卷积核参数在其周围进行最优值的获取，而准确性低的卷积核参数在其远范围内进行最优值的获取，从而利用调整后的卷积核参数训练神经网络，提高了神经网络的训练精度和效率，也令灯具开关的控制更加便利。

附图说明

[0022] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

[0023] 图1为本发明一个实施例提供的一种基于大数据的智能家居节能控制方法的步骤流程图。

具体实施方式

[0024] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的智能家居节能控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0025] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0026] 本发明所针对的具体场景为：正常情况下，智能控制的灯具会通过分析室内是否存在人来控制开闭状态，但是由于现实生活中人们常常会出现出去拿东西等短暂离开的事情，然后又快速返回室内，此时人一离开，灯具就会关闭，而人一回来，灯具就会打开，进而会由于灯具开关频繁关闭造成不必要的电能消耗和灯具损伤。因此利用人们离开室内前的视频图像数据来训练神经网络，进而判断人是否在短时间内会返回，当短时间内返回时无需将灯具关闭，但是传统神经网络的训练过程中不会分析哪些数据特征对于结果预测更重要，从而无法引导网络来获取更多的这方面特征，进而无法保障网络训练的精度和效率。

[0027] 下面结合附图具体的说明本发明所提供的一种基于大数据的智能家居节能控制方法的具体方案。

[0028] 请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的智能家居节能控制方法的步骤流程图，该方法包括以下步骤：

[0029] 步骤S001，获取室内的视频数据，对视频数据中的每帧图像进行人物检测，得到连续有人的多段等长的视频序列；对每段视频序列进行标签类别的标注，标签类别包括两个标签；将带有标签的视频序列作为神经网络的样本，构成数据集。

[0030] 具体的，在室内安装摄像头，利用相机采集室内的视频数据。利用人物检测网络对视频数据中的每帧图像进行人物检测，其中人物检测网络为DNN网络，网络结构为Encoder‑FC结构，训练DNN网络的数据集为带标签的视频图像数据集，DNN网络的损失函数为交叉熵损失函数。对视频数据中的每帧图像进行标注的方法为：通过人为判断各帧图像中是否存在人，将存在人的图像标注为有人类别，本方案中将该类别标注为 ，将不存在人的图像标注为无人类别，本方案中将该类别标注为[0,1]。

[0031] 利用训练完成的DNN网络进行人物检测，得到视频数据中存在人的图像和不存在人的图像。然后，截取人离开前5min的视频序列，即该视频序列为连续存在人的图像集合，进而得到多段连续有人的视频序列，对每段视频序列进行标签类别的标注，其标注方法为：

[0032] 根据视频序列中人离开的初始时刻和人再次出现的时刻获取每段视频序列中人离开的时长，当时长大于时长阈值时，将对应视频序列标注为人短暂无返回标签，当时长小于或等于时长阈值时，将对应视频序列标注为人短暂有返回标签。

[0033] 优选的，本方案中时长阈值取经验值300秒。

[0034] 将带有标签的视频序列作为神经网络的样本，一段视频序列为一个样本，构成神经网络的数据集。

[0035] 步骤S002，分别获取数据集中每个样本输入到神经网络中所对应的特征图数据集合，将每个特征图数据集合中的第k个特征图的第z个像素值组成像素值序列，k和z都为正整数，根据特征图对应的标签类别将像素值序列分为两个子序列；分别根据子序列和像素值序列中任意两个像素值的差值绝对值，计算第k个特征图的第z个像素值的类别间隔。

[0036] 具体的，本方案所用的神经网络包含输入层、卷积层、全连接层和输出层，且神经网络的训练过程为：在输入层中将数据集中的各样本逐个输入到神经网络中，输入的样本进入卷积层进行卷积、池化处理得到中间层的特征图数据集合，卷积层中采用分组卷积的形式进行卷积操作。卷积层输出的特征图数据集合输入到全连接层进行加权计算，所得到的输出结果经过输出层输出一个二维特征向量，根据输出结果和各样本的标签计算出损失值，利用损失值通过梯度下降的方式对神经网络的各参数进行不断更新处理。

[0037] 需要说明的是，按照上述神经网络的训练方式对该神经网络进行两轮训练，所述两轮训练是指：将数据集中的各样本逐个输入神经网络进行网络训练，训练完成后，再将数据集输入到神经网络中进行训练。

[0038] 由于通过分组卷积能够实现特征隔离，因此一个卷积核参数对各样本进行处理能够得到各样本对应的特征图。各样本对应的特征图数据集合在同像素位置处所描述的是同一特征，而由于各样本中该特征的呈现形式不同，所以各样本对应特征图中的像素值的取值不同，但是由于标签类别的各样本具有相似的特征，因此同类别的像素值间隔较小，非同类别的像素值间隔较大，因而通过计算各特征的类别间隔来确定每个特征对应的卷积核参数的可信任性，其中，以特征图数据集合中第k个特征图的第z个像素值为例，其类别间隔的获取过程如下：

[0039] 获取神经网络训练过程中，数据集中的样本 输入到神经网络中得到的特征图数据集合 ，其中， 为样本 输入到神经网络中得到的第1个特征图，也即是特征图数据集合 中的第1个特征图， 为样本 输入到神经网络中得到的第2个特征图，也即是特征图数据集合 中的第2个特征图， 为样本 输入到神经网络中得到的第k个特征图，也即是特征图数据集合 中的第k个特征图， 为样本 输入到神经网络中得到的第N1个特征图，也即是特征图数据集合 中的第N1个特征图。

[0040] 分别获取数据集中每个样本输入到神经网络中所对应的特征图数据集合，因此一个样本对应一个特征图集合，令特征图数据集合 中第k个特征图的第z个像素值记为 ，则将所有样本对应的所有特征图数据集合中的第k个特征图的第z个像素值组成像素值序列 ，其中， 为特征图数据集合 中第k个特征图的第z个像素值，为特征图数据集合 中第k个特征图的第z个像素值， 为特征图数据集合 中第k个特征图的第z个像素值， 表示样本的数量。

[0041] 根据每个特征图数据集合对应样本的类别标签，将像素值序列分为两个子序列，即一个是人短暂无返回标签所对应的子序列，另一个是人短暂有返回标签所对应的子序列，分别计算当前子序列中任意两个像素值的差值绝对值，得到当前子序列的第一差值绝对值均值；获取每个子序列的第一差值绝对值均值，得到第一差值绝对值均值的和；分别计算像素值序列中任意两个像素值的差值绝对值，得到像素值序列的第二差值绝对值均值；将第一差值绝对值均值的和与第二差值绝对值均值的比值作为第k个特征图的第z个像素值的类别间隔。

[0042] 作为一个示例，第k个特征图的第z个像素值的类别间隔 的计算公式为：

[0043]

[0044] 其中， 为一个子序列的第一差值绝对值均值， 为另一个子序列的第一差值绝对值均值， 为像素值序列的第二差值绝对值均值。

[0045] 类别间隔的计算公式说明同一特征在不同标签类别内各样本的取值情况，类别间隔越大，越容易区分两个标签类别信息，当类别间隔能够很好的区别两个标签类别信息时，同标签类别的样本的取值差异较小，不同标签类别的样本的取值差异较大，也即是第一差值绝对值均值越小时，类别间隔越大，第二差值绝对值均值越大，类别间隔越大。

[0046] 基于上述特征图数据集合中第k个特征图的第z个像素值的类别间隔的获取过程，获取特征图数据集合中各个特征图的各个像素值的类别间隔。

[0047] 步骤S003，设定多个损失等级，获取每个样本的损失值，由每个损失值的损失等级计算信息熵；根据第k个特征图的第z个像素值所对应的像素值序列得到多个特征等级，根据每个特征等级下不同损失等级的出现概率计算第k个特征图的第z个像素值所对应的条件熵；将信息熵减去条件熵得到第k个特征图的第z个像素值所对应的信息增益值。

[0048] 具体的，由于每个特征的类别间隔不同，且不能的认为哪个特征的类别间隔大，这个特征对神经网络预测分类的准确性就大，因此需分析各特征对神经网络准确分类的贡献情况，以确定各特征的贡献权重。

[0049] 设置多个损失等级：以0.1为损失等级间隔，将 划分为损失等级1、为损失等级2，…, 为损失等级10；获取每个样本输入神经网络时所对应的损失值，以构成损失值序列 ，其中，为第1个样本的损失值， 为第2个样本的损失值，为第i个样本的损失值， 为第 个样本的损失值；根据损失值序列中每个损失值所对应的损失等级，统计每个损失等级的出现概率 ，计算损失值序列的信息熵 ，信息熵越大说明损失值的纯度越低，其中信息熵的计算方法为公知技术，本方案不再赘述。

[0050] 同理，以特征图数据集合中第k个特征图的第z个像素值为例，获取像素值序列中的最大像素值 和最小像素值 ，得到像素值极差值，基于设定的特征等级数量，本方案中特征等级数量为10，将像素值极差值与特征等级数量之间的比值 作为等级间隔；利用等级间隔将最大像素值与最小像素值之间的像素值范围划分为与设定的特征等级数量相等的多个特征等级，即 为特征等级
1， 为特征等级2,…, 为特征等
级10；统计在第k个特征图的第z个像素值的像素值序列中的第j个特征等级下第i个损失等级的出现概率 ，计算第k个特征图的第z个像素值所对应的条件熵 ，条
件熵表示在第k个特征图的第z个像素值确定的情况下，损失值确定的概率。其中，条件熵的计算方法为公知技术，本方案不再赘述。

[0051] 将信息熵 减去条件熵 的结果作为第k个特征图的第z个像素值所对应的信息增益值 ，通过该信息增益值表示对应特征对整体损失函数的影响情况，信息增益值越大，说明第k个特征图的第z个像素值的取值的准确性情况对神经网络的损失值情况的影响越大，因此该特征对神经网络越重要。

[0052] 基于信息增益值的获取方法，获取特征图数据集合中各个特征图的各个像素值的信息增益值。

[0053] 步骤S004，获取第k个特征图的第z个像素值对应类别间隔和信息增益值的乘积，将第k个特征图中所有像素值对应的乘积的相加结果作为第k个特征图的信任度，并将第k个特征图的信任度作为神经网络中第k个卷积核参数的信任度。

[0054] 具体的，根据步骤S002和步骤S003，得到特征图数据集合中第k个特征图的第z个像素值所对应的类别间隔 和信息增益值 ，以获取类别间隔 和信息增益值 之间的乘积。

[0055] 需要说明的是，类别间隔越大，说明对应特征能够更好的区别标签类别；信息增益值越大，说明对应特征对损失函数的影响程度越大。

[0056] 获取第k个特征图中每个像素值对应的乘积，将所有乘积的相加结果作为特征图数据集合中第k个特征图的信任度。由于每个特征图是通过对应的卷积核参数对输入数据处理所得到的，特征图的信任度越大，对应卷积核参数的信任度也越大，因此将第k个特征图的信任度作为神经网络中第k个卷积核参数的信任度。

[0057] 同理，获取特征图数据集合中每个特征图的信任度，进而得到神经网络中每个卷积核参数的信任度。

[0058] 步骤S005，获取神经网络中所有卷积核参数的信任度，利用信任度对每个卷积核参数的更新梯度进行调整，以完成神经网络的训练；利用训练好的神经网络获取人短时间回到室内的可能性指标，根据可能性指标获取灯具的关闭时间间隔。

[0059] 具体的，由步骤S004得到神经网络汇总所有卷积核参数的信任度，根据各卷积核参数的信任度来对神经网络进行引导训练：当一个卷积核参数的信任度较高时，说明该卷积核参数提取的特征较好，表示该卷积核参数周围存在较优参数的可能性较大，而当一个卷积核参数的信任度较低时，说明该卷积核参数周围存在较优参数的可能性较小，因此利用每个卷积核参数的信任度对相对应卷积核参数的更新梯度进行调整，以利用调整后的卷积核参数的更新梯度来引导神经网络的训练。

[0060] 其中，更新梯度的调整方法为：根据每个卷积核参数的信任度计算平均信任度，获取当前卷积核参数的信任度与平均信任度的信任度差值，根据信任度差值得到当前卷积核参数的调整系数，将调整系数与当前卷积核参数的更新梯度的乘积作为调整后的更新梯度。

[0061] 作为一个示例，更新梯度的调整公式为：

[0062]

[0063] 其中， 为第k个卷积核参数对应调整后的更新梯度； 为第k个卷积核参数的信任度； 为第k个卷积核参数的更新梯度； 为神经网络中卷积核参数的总数量；为平均信任度； 为第k个卷积核参数的调整系数。

[0064] 信任度越大的卷积核参数，其更新梯度应越大，因此信任度越大，对应调整系数越大，对应卷积核参数的更新梯度的调整越大，也即是调整后的更新梯度越大。

[0065] 利用上述更新梯度的调整公式对神经网络中所有卷积核参数的更新梯度进行调整，当每完成一轮训练时，先判断神经网络的损失函数是否满足收敛条件，当满足收敛条件时，停止神经网络的训练，当不满足收敛条件时，调整神经网络中每个卷积核参数的更新梯度，利用调整后的更新梯度进行下一轮训练，直到损失函数满足收敛条件，完成神经网络的训练。

[0066] 实时采集人离开室内前5min的视频序列，将该视频序列输入训练好的神经网络中，输出一个二维特征向量，其中二维特征向量中的一个数值表示人短时间回到室内的可能性指标，另一个数值表示人短时间不回到室内的可能性指标，则根据二维特征向量得到人短时间回到室内的可能性指标 。

[0067] 设置灯具的最大关闭时间间隔，将可能性指标与最大关闭时间间隔的乘积作为关闭时间间隔，也即是实时采集场景下，灯具的实际关闭时间间隔。当人在关闭时间间隔内没有返回时，在到达关闭时间间隔后直接将灯具关闭，当人在关闭时间间隔内返回时，则不需要将灯具关闭。

[0068] 优选的，本方案中设置灯具的最大关闭时间间隔为5min。

[0069] 综上所述，本发明实施例提供了一种基于大数据的智能家居节能控制方法，该方法对视频数据进行人物检测以得到连续有人的多段等长的视频序列，将带有标签的视频序列作为样本，构成神经网络的数据集；根据每个样本输入神经网络中所得到的特征图数据集合，分别根据每个特征图数据集合中每个特征图的同一位置的像素值构成像素值序列，以计算类别间隔；根据每个样本的损失值，以计算每个像素值序列对应的信息增益值，结合类别间隔和信息增益值得到每个卷积核参数的信任度，利用由信任度对卷积核参数的更新梯度进行调整而训练好的神经网络，得到灯具的关闭时间间隔。本发明保证了神经网络的训练精度和效率，使得灯具控制更加便利。

[0070] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0071] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0072] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。