计算机视觉视频图像处理在暖通空调控制信号采集领域的应用

西安建筑科技大学 李潇婧 刘一航 刘朋举 任庆昌 李安桂 杨 斌 南京邮电大学 成孝刚 霍尼韦尔(中国)有限公司 陈 杰

0 引言

计算机视觉、视频图像处理等相关领域的最新技术在建筑环境实时非接触监测及暖通空调设备控制领域得到了广泛应用，本文系统回顾国内外研究者近10年的研究成果。在文献[1]的基础上，增加被动式红外探测器(passive infrared detector，PIR)和毫米波雷达的相关内容，梳理这2种技术在非接触监测领域的研究现状，并对其在暖通空调领域的应用作出展望。同时，本文在讨论部分增加非接触监测技术在睡眠环境监测领域的应用。

建筑室内环境控制一般依据室内温湿度设计标准，以此保证大多数人的热舒适性。以长期环境监测和经验总结所确定的温湿度标准存在自身固有的局限性，基于行业标准设计的暖通空调系统不能兼顾人员热舒适和节能的要求。传感器通常被固定于某一个位置，而室内环境参数在空间分布上是不均匀的，这就导致基于环境传感器的传统测量方法不够精确。采用问卷调查的方式虽然可以直接获取人员对周围环境的反馈，但人员的正常活动受到频繁干扰。近年来，随着建筑“以人为本”概念的提出，室内环境控制更需要从人的实际需求出发，同时减少信号采集过程对人员正常工作生活的干扰。计算机视觉/视频图像处理技术的发展，为满足上述需求提供了新的技术手段。

本文先分别回顾传统测量方法和半接触式测量方法。然后介绍基于红外传感技术、欧拉视频放大技术和骨骼关键节点技术的非接触测量，讨论这些技术在按需通风、个体环境控制和睡眠环境检测方面的应用，并初步展望毫米波雷达在暖通空调系统中的应用前景。最后介绍得出的结论与未来发展方向。

在展开论述之前，对非接触测量和非侵入测量的概念进行区分。在医学领域，非侵入测量是指不需要物理刺破肌肤或通过外部孔口深入人体的测量。相对而言，热舒适研究中非侵入测量是指不干扰人员正常行为活动的测量。例如：在口腔或直肠中使用温度计和人体活动输出的电信号(如心电图、脑电图、眼电图等)，它们都是侵入式的，但从医学角度而言，它们是非侵入的。而非接触测量是指在不接触身体的情况下采集人体热舒适信息或数据。例如，使用红外摄像系统采集人脸皮肤温度是非接触且非侵入的测量方式。

1 传统测量方式(接触式测量)

传统的接触式测量包括环境参数测量、问卷调查和生理参数测量，其中问卷调查是获取人员对于环境反馈最直接的方法。然而人员需要暂停他们的正常活动，才能填写纸质或电子的调查问卷。在实验室测试时一般采用纸质的调查问卷，在现实的建筑中不方便使用。基于手机或计算机的电子调查问卷虽然可以适应环境复杂且变化的测试场合[2]，但同样需要人员持续且频繁的配合[3]。

环境参数测量是基于环境传感器对室内温度、湿度、气流风速等参数进行监测，从而判断室内热环境情况的测量方法。虽然该方法更具可操作性，但是其数据并不能直接反映人员的真实感受或生理参数。尽管可以通过设置多个不同种类的传感器测量室内环境，但是室内诸多因素均会影响到测试结果，如光照、室内家具、太阳辐射热和气流速度等[4-5]。

研究发现，测量得出的心率、脉搏、血液灌注度、皮肤温度、人体代谢率、脑电图等生理参数也可以与人体热舒适构建相应的关系[6-8]。用水银温度计测量人体发烧时的腋下体温，就是使用接触式的设备采集人体热生理信号的一个常见实例。此外，设备的安放位置和安放角度、人员的体脂率和运动状态等也会引起测量误差[9]，人员产生的异物感是该方法实际应用的主要障碍。

2 半接触式测量

与上述测量方法不同，半接触式测量是将传感器集成到可穿戴设备上。Chen等人在进行热舒适评价和热调节性能分析时采用了半接触式测量方法，具体做法是：在眼镜上装配4个红外传感器，通过传感器采集人员前脸、颧骨、鼻部和耳朵的皮肤温度并将其用于评价和分析，如图1所示[9]。在上述结果的基础上，Ghahramani等人提出了一种基于隐马尔可夫模型的学习算法来获取个人热舒适[10]。该方法虽然可以实时监测人员的热舒适，但却未考虑到人员活动强度对热舒适的影响。此外，最佳位置、距离、传感覆盖范围等因素对预测热舒适精度的影响尚不明确。

图1 红外眼镜测点示意及实验设置[9]

智能手环等腕带式可穿戴设备也可用于测量皮肤温度[11-12]。Sim等人在不同室温下采集了受试者腕部3个不同测点的皮肤温度并测量了指尖皮肤温度[13]。如图2所示，腕带可以记录人体的光电容积图(PPG)，采集得到搏动期间的信号并将其发送到智能手机上。基于此，计算得到脉搏变化率并实时预测热舒适[14]。腕带还可以对智能手机上热像仪拍摄的热图像进行偏移误差修正[15]。智能手表测量得到的皮肤温度和心率、心率变异性等数据，可以用于建立热舒适预测模型[16-17]，并将结果与专业的测量设备进行对比[18]。

图2 智能腕带记录心电图[14]

虽然基于手腕皮肤温度/心率的大多数热舒适预测模型都具有不错的精度，但是模型验证数据都是在特定热环境下从有限受试者身上获取的。此外，这些模型没有考虑到个体特征差异，如性别和适应性。

3 非接触式测量

传统的接触式测量主要包括环境参数测量、问卷调查和生理参数测量等，此类测量方式已经得到广泛应用，同时还可以与物联网、人工智能和机器学习等新兴技术相结合。小型化的传感器对使用者更友好，可以将其与手表、眼镜、腕带等可穿戴设备集成在一起，并借此弱化异物感。基于视频/图像处理来实现非接触测量的技术，可以避免可穿戴设备的异物感及对正常工作生活的干扰。目前常用的技术有红外传感技术、欧拉视频放大技术和骨骼关键节点模型。

3.1 红外传感技术

3.1.1红外成像技术

红外摄像头采集的视频和图像被广泛用于情绪和表情识别[19-22]、医学检测[23-25]、人脸识别和标记[26-29]、测谎[30-32]等方面。现在也可以用于评价人体热舒适性。红外摄像头可以用于采集人体裸露皮肤的红外图像，如手部、面部皮肤[23,33-39]。该技术适用于判断暖通空调系统是否需要调节[34](如图3所示)。红外摄像头可以获取人员面部皮肤温度。皮肤电位、手部皮肤温度、皮肤阻力、心脏频率和呼吸频率也可以通过红外成像技术进行分析[40]。

图3 人体裸露皮肤的红外图像[34]

近期，市场上出现了低成本和小型化的红外摄像头，例如智能手机上的热成像相机[41]。因为低成本红外探测器冷却不够充分，因此与高端型号相比精度并不高，研究人员提出了一种动态偏移校正技术[15]。Aryal等人比较了红外成像技术、传统生理和环境测量技术及半接触式可穿戴设备的精度，研究结果表明，生理传感器和环境传感器结合的测量方式比单独使用环境传感器的精度高3%～4%[42]。因此，在实验工况下，单独使用环境传感器是不可行的[42]。对于人员相对运动的问题，Aryal等人提出了将RGB图像和热成像仪数据结合使用的方法，图4为红外摄像头拍摄的热图像，利用RGB图像中检测到的人脸特征区域来定位红外图像中对应的人脸皮肤区域，从而提取出人脸的皮肤温度[42]。Kopaczka等人结合人脸特征检测、情感识别、面孔正面化和分析的算法对红外人脸图像进行进一步的处理[43]。

图4 热图像提取不同特征区域皮肤温度的步骤[42]

同时，运动员在室外跑步和在室内健身的红外图像也可以被拍摄分析[44]。尽管上述研究结果显示其热感觉预测准确度为65%～85%，但是在热成像中还未研究噪声的处理，因此算法和模型的鲁棒性需要进一步验证。

将热成像仪、深度传感器、彩色摄像头集成到一个平台中，采集得到的皮肤和服装温度可用于热舒适评估[45]。该平台的建立体现了3个原则：低成本(约300美元)、小型化、实时监控。以此为基础，相关研究人员提出利用机器学习算法生成预测热舒适模型，并进行了数据分析[46-48]。为了克服人员姿态和动作的影响，研究中使用了一种由低成本热成像仪和RGB-D传感器(Kinect)组成的设备[49]。但当用户存在动态姿势和运动时，红外成像技术在热舒适和热感觉预测方面的准确度将受到影响。此外，红外成像技术收集视频/图像数据还涉及隐私的问题。

3.1.2被动式红外传感器

被动式红外探测器(PIR)是被广泛用于监控的廉价传感器之一，具有体积小、功耗低、灵敏度高、探测范围大等优点。与主动式红外探测器不同，它不依靠发射辐射能量来探测物体的存在，而是通过检测物体发射或反射的红外辐射来工作[50]。人体发出的辐射能量与其他有温度的物体不同，主要集中在9～10 μm的波长内。被动式红外探测器能够吸收这种人类肉眼看不到的红外线，适用于室内人员定位[51-52]。

PIR传感器为暖通空调设备(如家用空调[53])提供与人员信息有关的电信号。这种方式不仅提高了人员热舒适，而且节省了能源。如今，部分空调产品已经可以做到根据人的行为调整运行模式，例如，如果空调在30 min内没有检测到人体运动的信号将自动关闭。但智能调节的方式也有其自身的局限，PIR传感器无法识别静止的人体。为了解决这个问题，PIR传感器常常和其他技术配合使用。例如将微波和PIR相结合，2个传感器分别负责不同的任务，只有2个传感器同时触发才可以激活报警信号[54-55]。经过调查发现，应用该技术后节能量增加，增幅可达到30%[56]。除了控制背景空调系统外，PIR传感器还可以与个体微环境控制系统相结合，从而克服个体差异性。

3.2 欧拉视频放大技术

欧拉视频放大技术是一种细微视觉运动放大技术，广泛应用于观察视频中特定区域的形态及特征[57]。该技术的原理是利用拉格朗日法将测量到的视觉运动与一组视频图像中经过修正的像素相结合，实现人肉眼察觉不到的细微运动和颜色变化的检测[58]。与拉格朗日法不同，欧拉视频放大技术的处理过程并不跟踪物体运动，而是依赖于视频金字塔和放大的时间序列处理相结合。通过给定某像素处颜色值的时间序列，放大特定时间范围内的变化。该技术可以用于结构检测，如放大喉结振动判断发声，检测心率、脉搏、肤色、血液的细微变化等[59]。来自瑞典于默奥大学和美国弗吉尼亚理工大学的2个课题组将欧拉视频放大技术应用于人体皮肤温度测量，通过测量皮肤温度反映人体热舒适状态，并向暖通空调系统的控制模块发送反馈信号。Cheng等人基于血管和皮肤颜色的细微变化，建立了皮肤颜色饱和度和皮肤温度的关系，提出了一种为暖通空调系统提供反馈信号的非接触式人体皮肤温度测量技术[60]。随着血管的扩张或收缩，人体皮肤颜色会发生细微的变化，尤其是在局部热刺激下产生的变化更为明显。虽然该变化肉眼无法察觉，但是经过图像放大处理后这种变化可以被捕捉。

由于血管密集的手背区域不会被衣服覆盖，且年轻女性受试者的皮肤对热刺激敏感，Cheng等人最终确定受试者主要为东亚女性，在45 ℃的温水中对她们的手部刺激10 min后，对录像进行分析，获得手背皮肤颜色的饱和度，同时用传感器记录她们手背的皮肤温度，从而建立了皮肤温度和皮肤颜色饱和度之间的关系[60]。

由以上研究可知，皮肤颜色饱和度与皮肤温度呈线性关系，例如当皮肤温度升高时，毛孔扩张，皮肤变红。而欧拉视频放大技术可以准确分析皮肤颜色饱和度，提取并放大红、绿、蓝(RGB)皮肤颜色信号。录制的视频利用独立分量分析(ICA)进行后处理，经过去噪声、分离心率后，可实现自动测量心率的效果。通过扩大皮肤颜色变化率，并基于特定的线性关系和ICA后处理技术，生命体征摄像机可实现精确测量脉搏和呼吸频率。采用部分基于非接触测量的个性化热舒适模型得到的东亚年轻女性皮肤温度，其绝对误差的中值为0.61～1.32 ℃[60]。结果显示，通过普通摄像头与欧拉视频放大技术相结合的非接触式测量方法，可以提取出人体皮肤温度信号。微变放大和深度学习(NIDL)算法可以结合NIDL、个体ST模型(NIPST)和iButton传感器进行交叉验证，进一步评估使用欧拉视频放大技术的可行性[61]。Cheng等人采用一种基于皮肤敏感指数(SSI)的非接触式皮肤温度测量方法，利用大数据对皮肤图像进行深度学习网络训练[62]。如图5所示，研究人员提出了一个使用商用相机和RGB视频图像技术的热舒适性评估方案[63]。在实验条件下，采用2种不同的热条件(高温30 ℃和低温20 ℃)刺激坐在计算机前工作的用户。摄像头可以连续捕捉头部和面部皮肤的图像，检测出血流量的细微变化，推断人体体温和热舒适的调节机制。人脸检测、皮肤像素分离、图像放大和检测指标计算等技术可以提取视频中人体的热舒适信息。在识别过程中，需要消除面部眉毛、胡须等无关区域的影响。还需要考虑不同光照可能产生的干扰(放大后的图像要减去原始图像，实现对可变的原始色彩强度的考虑)，并消除亮度通道，以减少各种光照的影响。

图5 欧拉视频放大技术与送风末端调节装置集成系统[63]

Jazizadeh等人最终对该方案进行了可行性评价，21名受试者处于低温(20 ℃)和高温(30 ℃)2种环境温度下，18名受试者的数据具有统计学意义，其中16名受试者的数据可得到最佳的分析结果，成功率为89%。结果表明，利用人体体温调节机制(血液灌注度变化)和欧拉视频放大算法对不同环境温度下的RGB视频图像进行分析，可以推断出热舒适状态[63]。建筑用户(尤其是办公建筑)可以使用这种非接触式平台，使用常用视频设备与个人计算机进行交互，不仅可以实现非接触式、实时、个性化的热舒适测量，还能为建筑能源管理系统提供反馈信号。然而，上述实验要求受试者在测试时保持静止，仅存在最小化光合运动的变化。随后，Jung等人提出了一个利用远距离记录的面部RGB视频图像来提取光电容积描记法(PPG)信号细微变化的方法，在分离出感兴趣区域后，将独立分量分析和最小均方(LMS)自适应滤波算法集成到一个框架中，并且在保留PPG信号幅度信息的同时，可以消除不想要的和带内伪影的信息的影响[64]。此外，Jung等人还研究了使用多普勒雷达感应系统来显示呼吸频率变化时人员热舒适的可行性，结果表明，呼吸频率变化可以作为人体热舒适调节的一个检测指标，实现对建筑暖通空调系统的智能控制[65]。

3.3 骨骼关键节点模型

人体姿态识别已经广泛应用于视频游戏、机器人和医学等不同的领域[66-67]。Toshev等人提出了一种结合卷积神经网络的骨骼关键节点模型[68-69]。与欧拉视频放大技术不同，它可以识别动态的人体，远距离捕捉人员定位信息。骨骼节点模型的应用范围更广、系统扩展性更强。一个开源软件OpenPose通过学习图像特征和图像相关空间模型[70]实现了单人或多人的人体姿态估计，并得到较高的准确度。这使得利用普通数码摄像头来评估热舒适/热不舒适相关姿态成为可能[71]。基于Kinect检测，Meier等人定义了4种热相关姿态(如图6所示)[71]。除了人体生理参数，热相关姿态也可以与热舒适建立关系。通过建立热相关姿态库，两者之间的关系将进一步得到验证。利用Kinect的姿态识别也可以检测人体代谢率。然而，Kinect受专利保护[72-73]，其实际应用不具有可扩展性和经济性。作为一种替代方案，开源平台(OpenPose)可以用于生成人体骨骼关键节点。

图6 基于Kinect的人体姿态识别[71]

Yang等人定义了12种热不舒适姿态：用手擦汗、用手扇风、抖T恤、搔头、卷起袖子、双臂交叉、双腿交叉、双手抱颈、哈气暖手、跺脚、走路、抖肩膀，同时将所定义的姿态与问卷调查结果进行了对比[72]，如图7所示。该方法与红外摄像机相比初始投资小、成本低，不需要额外费用。手机或计算机摄像头结合骨骼节点模型进行数据采集，与针对静止人群的欧拉视频放大技术不同，它还可以高精度远程采集动态人体节点[72]。

图7 基于骨骼关键节点的人体姿态识别[72]

因为单独使用姿态确定热舒适状态可能会造成系统误判，所以必须对来自不同人员的相同姿势，通过其他测量技术进行交叉验证。尽管预测人员活动和代谢率的准确度仍存在技术局限[71]，但开发出的个性化热舒适模型更好地体现了人与人之间性别、体征等方面的不同。此外，人们在感受到冷/热时，可能不会表现出预先定义的姿态。现实生活中，热不舒适姿态可能不是冷/热感觉造成的，而是其他无关因素导致的。例如，跺脚可能是因为鞋子有灰尘而不是人体感到寒冷。上述因素一定程度上限制了骨骼节点模型在现实中的应用。

4 讨论

4.1 个体环境控制

众所周知，建筑室内热环境调节不可能满足每个人的热偏好。为了实现个人的热舒适，必须建立个人热舒适模型，将个人的热状态实时发送给个人热舒适控制系统。在控制系统智能调节的作用下，满足个人的热需求。红外传感技术被认为是实时测量人体皮肤温度的有效方法之一。该技术可以提供平衡能效和个人热舒适的控制策略。随着个体环境控制系统的快速发展和技术进步，该策略在控制个人保暖或降温方面具有广泛的应用前景。

然而，红外成像技术有自身的局限性。首先，它只能测量裸露皮肤的温度，不能测量被衣服覆盖区域的温度。当需要测量被覆盖区域温度时，人员必须脱去衣服。尽管面部、手部及下肢的温度有助于预测热感觉，但这些区域仅占总皮肤面积的很小部分。基于此，准确预测整体热舒适或被覆盖部位的局部热舒适是有挑战性的。其次，红外相机的精度较低，其测量精度大多为±2 ℃，这大大降低了实时判断人员热舒适的准确性。精度较高的红外摄像机往往价格相对较高。而且红外图像的分析结果还与测试条件、角度、发射率、背景辐射源等诸多因素有关。所以，在图像采集和程序优化方面还有更多的研究需要去做。通过对用户的培训，可以控制可能影响测量精度的因素。

4.2 按需通风

实现人员定位和计数具有多种途径，如基于图像/视频技术的方法、基于温度和二氧化碳传感器的方法、基于被动红外探测器(PIR)的方法、基于射频识别(RFID)的方法和基于蓝牙的方法等[74]。基于卷积网络的人脸识别算法对人体头部、肩部的检测率达到95.2%[75]。多视觉传感器在贝叶斯算法数据融合的辅助下，可以提高感知精度[76]。上述研究集中在人员定位的技术手段上，没有将其应用在暖通空调领域。

作为一种基于视频/图像的非接触人体姿态识别系统，骨骼关键节点模型不仅可以用于识别人体热舒适/热不舒适姿态，还可以用于人体定位和估计。如图8所示，在多功能报告厅(教室/会议室)中，可以利用基于骨骼关键节点模型的人员定位系统检测房间运行模式，并控制以需求为导向的暖通空调系统。该系统可在1.5 s内完成图像采集、提取、三维重建和数据融合，实现实时人体定位和姿态识别[77]。

在以人员需求为导向的通风策略中，可以通过改变空调系统的风向、风速及风量等参数来满足人员的冷/热需求[78]。然而在视频/图像处理的非接触技术中，数据提取、分析和信号传输的速度快于机械设备(阀门、风机等)的运行速度。这种不匹配或错误的调整，阻碍了按需通风技术和非接触测量技术在实际工程中的应用。Zhai等人尝试了新技术，将节能风扇与较高的空调背景温度组合，不改变室内设定值[79]。节能风扇的调节速度与基于视频/图像的非接触传感技术相匹配，避免了空调系统调节速度过慢的限制。但房间的大小、房间形状不规则、人员的相互遮挡也是导致视频/图像技术造成误判的原因。

4.3 睡眠环境监测

人一生中用于睡眠的时间约占整个生命时长的1/3，充足的睡眠时间和良好的睡眠质量可以使人体机能得到恢复[80-82]。睡眠质量受许多因素的影响，如健康状态、情绪状态、卧具条件和周围环境[83]，目前已有大量的研究证明室内热环境对睡眠质量有显著影响。

以往研究中为评估人体睡眠热舒适情况，在实验中通常采用填写主观问卷自我评估和使用多导睡眠监测仪对受试者的生理参数进行记录监测。主观问卷是受试者睡醒后对前一天的睡眠情况进行回忆，但人的睡眠记忆通常并不准确，因此会不可避免地产生误差。尽管多导睡眠图被认为是睡眠分期和睡眠呼吸诊断事件的标准[84]，但是受试者需要佩戴许多相关仪器部件和粘贴大量用于测量的电极片，此种接触式的测量方法会对受试者产生较大的心理压力和不适感，出现较为严重的“首夜效应”。虽然在睡眠质量检测中也使用一些半接触式的测量设备，如体动记录仪和智能手环等，但同样也会干扰人员的正常睡眠。

有别于白天的生活环境，处于睡眠状态的人员无法按照自己的主观意志对室内热环境进行调节，所以就有必要对睡眠状态下的人体热舒适进行评估。现有的睡眠热舒适预测模型大多是基于人体生理参数、室内环境参数和寝具热阻等的数据驱动模型，不能被直接用于现实住宅的睡眠环境控制。而计算机视频/图像处理技术为实时监测人员睡眠热舒适提供了新的方向，如通过采集人体睡眠时的视频信息，基于骨骼关键节点模型和欧拉视频放大技术检测人体翻身频率、被子覆盖比、肢体运动、身体局部抖动、下颌运动、眼部微小抖动等信息分析睡眠质量，这也为后续睡眠热环境的智能化调控提供了依据。

4.4 毫米波雷达

毫米波一般指的是频域在30～300 GHz之间的电磁波，该类电磁波频率极高，波长可以达到毫米级别，其传播的波形趋近于直线。毫米波雷达在民用领域的汽车主动安全及辅助驾驶[85-89]、智能交通[90-91]、安检[92]、临床治疗[93]、室内定位[94]等方面得到了大量的应用。在工业、航海、气象、植保和救援等领域，液位准确测量雷达[95]、无人船盲区感知雷达[96]、水面目标探测雷达[97]、气象雷达[98]、植保无人机避障雷达[99]和山火火点定位雷达[100]发挥了至关重要的作用。

毫米波雷达能够在复杂多变的环境中正常工作，如在光线条件不足、环境中烟尘较大等视线不良的环境中仍能保持较好的检测能力。与目标检测相关的研究表明，毫米波雷达可准确记录检测对象位置、生命体征、行为(手势和动作)、数目等信息，同时具备低成本、小型化、易用、可维护等特性。在室内人员定位和跟踪[101-102]方面,毫米波雷达对人体的检测局限于外部轮廓，与摄像头视频采集技术相比，可以保护人员隐私。在生命体征检测方面，通过检测心跳和呼吸信号实时了解室内人员行为状态[101-102]。在人机交互方面，不影响人员正常工作的前提下，通过采集动作[103-104]和手势[105-106]信号控制暖通空调系统(如图9所示)。基于以上3种应用，毫米波雷达在暖通空调领域的按需通风和个体微环境控制方面有较好的前景。

在物联网领域的研究表明，传感器融合系统为楼宇自动化等系统提供了强有力的数据支撑。毫米波雷达可以提供高精度、高实时性的远距离测距信息，但其虚警率高、目标定位精度低等缺点也较为明显。摄像机可以提供比雷达更加规范的空间信息，因此可以作为视觉传感器弥补毫米波雷达的不足，同时毫米波雷达也可以弥补摄像机测距精度不足的缺点[107]。在视觉传感器给建筑装上“眼睛”的基础上，毫米波雷达给建筑装上了“耳朵”，进一步提高了感知精度，为暖通空调系统提供满足人体热舒适的控制信号。

5 总结与展望

计算机视觉/视频图像处理、红外传感领域新技术的快速发展，促进了从接触式到非接触式测量和传感方法的发展。主要研究成果和未来发展方向如下：

图9 动作和手势检测示例[104-105]

1) 配备有无需冷却型红外探测器且低成本、体积小的热成像仪，可以集成到智能手机中。冷却型红外探测器在未来可以进一步小型化。为了提高热成像仪的精度，还应开发更智能的校正方法。

2) 采用欧拉视频放大技术检测皮肤温度从弱热刺激到强热刺激的变化。视频图像处理技术的发展，进一步去除了不需要的皮肤区域，从而提高了准确性，并且避免了人员活动的影响。

3) 应用人体骨骼关键点模型进行人体热不适/热舒适姿态测试，并建立人体热不舒适/热舒适姿态库。采用交叉验证的方法测试实际的姿势是否与某些热不舒适相关。该技术可以为暖通空调控制系统提供反馈信号。

4) 基于计算机视觉的非接触技术会造成人员隐私的问题。毫米波雷达、PIR传感器等人员检测技术的发展为解决该问题带来了可能，给建筑装上了“耳朵”。保护用户隐私的同时实现了个体热舒适信息的采集。但该技术在建筑领域的应用并不完善，还需要开展更多的研究。

本文浅析了计算机视觉等领域的相关技术在暖通空调控制信号采集领域的应用及发展前景。所选取的个别案例的详细资料获取受限，因此未能进行全面评估，特别是一些详细的技术特点，例如感应频率、产生的信号噪声和过滤策略，以及与现有楼宇系统的潜在兼容性等。因此，需进一步研究特定的计算和传感过程、有效的数据采集方法，以及在考虑实际成本、鲁棒性和实用性的同时进行全面评估。