基于PWM调光的高显色性白光LED混光优化方法

提出了一种基于脉冲宽度调制(PWM)的红/绿/蓝/暖白(R/G/B/WW)四色发光二极管(LED)白光混合方法。该方法根据多基色混合白光光源相对光谱功率分布(SPD)符合线性叠加原理,采用1931 CIE-XYZ三刺激值建立混合光中各光源色坐标与贡献率的关系。在优化目标显色性能最佳时,建立混合光的光通量与占空比的函数关系,并采用R/G/B/WW四色LED进行实验验证。结果表明,R/G/B/WW LED模块可实现一般显色指数Ra在95以上、其最大相对误差为1.35%、相关色温在3000~7000 K、光通量为200~1000 lm、发光效率在170~240 lm/W范围变化的白光调节。

基于YCbCr颜色空间的Retinex低照度图像增强方法研究

针对Retinex理论的低照度图像增强算法中光照图像估计问题,提出一种基于YCbCr颜色空间的低照度图像增强方法.该方法将原始低照度图像从RGB(Red Green Blue)颜色空间转换到YCbCr颜色空间,提取该空间中Y分量构建为原始光照图像分量L1(x,y),并对L1(x,y)进行Gamma校正得到增强的光照图像分量L2(x,y),经Retinex模型得到增强图像R(x,y),采用多尺度细节增强方法对图像R(x,y)进行细节增强,得到最终增强图像Re(x,y).实验结果表明,所提方法不仅能有效提升亮度,避免亮度和色彩失真,增强了图像的细节信息并获得了更好的视觉效果,而且运行速度快.

R/G/B/W 4色LED光源不舒适眩光研究

对不同光谱分布的发光二极管(LED)引起的不舒适眩光进行了研究。设计开发了红/绿/蓝/白(R/G/B/W)4色LED光源模块,研究了该模块在3种不同背景亮度下的眩光效应,并在每种条件下进行了7等级量表主观评价。实验结果表明:在3种不同背景亮度下,R/G/B/W 4色LED光源产生了不同程度的眩光。在同一背景亮度下,LED亮度越大,主观实验评分越高,即产生更多的不舒适眩光。同时研究发现,B-LED光源不舒适眩光最强,W-LED光源不舒适眩光最弱,验证了统一眩光指数(RUGR)模型对该4色LED光源的适用性。B-LED光源RUGR计算值与主观实验不舒适眩光评分的相关性最差,W-LED光源在背景亮度Lb=19.967cd·m^-2时其相关性最好(R2=0.951)。

基于瞳孔直径的VDT视觉舒适度评价方法研究

提出了一种基于腌孔直径的视频显示终端(VDT)视觉舒适度评价方法。在3种光环境和5种VDT屏幕亮度下进行眼动实验,采集被试者瞳孔直径数据,并对每种条件下视觉舒适度进行主观评分。采用统计学分析方法,从性别、用眼习惯以及是否佩戴眼镜等方面系统研究被试者瞳孔直径变化与视觉舒适度间的对应关系。实验结果表明,与视觉舒适下的瞳孔直径相比,当因光环境较暗引起视觉不舒适时,被试者的瞳孔直径相对变化量为17.61%~24.55%,当因光环境较亮引起视觉不舒适时,被试者的瞳孔直径相对变化量为-6.12%^-12.45%,而当被试者处于视觉舒适状态下,瞳孔直径相对变化偏:为-2.14%~2.14%。这项工作对于VDT视觉健康评价标准的建立、健康光环境设计等具有重要意义。

基于红/绿/蓝/青/黄/暖白6色LED的白光光谱优化方法

提出了一种基于脉冲宽度调制(PWM)的红/绿/蓝/青/黄/暖白(R/G/B/C/Y/WW)6色发光二极管(LED)的白光光谱优化方法。该方法根据光谱叠加性原理,采用1931 CIE-XYZ三刺激值建立了G+WW,B+C,R+Y各混合光源色坐标与光通量贡献率ρG+WW(r1),ρB+C(r2),ρR+Y(r3)的函数关系,在不同光通量百分比r1,r2,r3下,通过优化遍历范围计算得到相关色温为2700,4000,5500,7000 K时合成白光的最优显色指数Ra为96.4,97.0,97.3,97.4,并采用R/G/B/C/Y/WW 6色LED进行实验验证。结果表明:R/G/B/C/Y/WW LED模块可实现相关色温在2700~7000 K范围内的白光调节。当光通量设定为500 lm时,相关色温的最大相对误差为1.96%,一般显色指数Ra最大相对误差为1.24%,发光效率可达146.81~152.40 lm·W-1。

基于变化光照下的人脸识别与年龄估计

针对人脸识别与年龄估计系统中的环境光照问题,提出了一种基于多任务卷积神经网络的变化光照下人脸识别与年龄估计的方法。所提方法提高了可变光照下人脸图像的识别率和年龄估计的准确率。采用YCbCr颜色空间的Retinex图像增强算法提高人脸识别和年龄估计精度,并进行了3种距离10种调光等级下的人脸识别与年龄估计实验。实验结果表明,与原图相比,利用改进后方法得到的人脸图像的识别率均有提升,年龄估计的平均绝对误差均有所下降。在调光等级为40%、距离为1,2,3 m时,人脸识别率分别提升了3个百分点、19个百分点、25个百分点,年龄估计的平均绝对误差分别下降了1.20、2.99、2.00。同时,在研究中发现,当未增加图像增强算法的人脸图像灰度均值在50.18以上时,人脸识别与年龄估计效果较好。当低于该值时,则需要增加图像增强算法来提高人脸识别与年龄估计的精度。在增加图像增强算法后,当人脸图像灰度均值在56.61以上时,人脸识别与年龄估计效果较好且视觉效果和图像质量均更好。