CN103903002B - 环境亮度检测方法和系统 - Google Patents

Abstract

本发明提供了一种环境亮度检测方法和系统。所述环境亮度检测方法包括：通过图像采集单元采集待测环境的第一图像，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；通过光线传感单元检测所述待测环境的第二亮度检测值；以及基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值。通过本发明使得所获得的表示当前环境的亮度水平的结果更加可靠和准确。

Description

环境亮度检测方法和系统

技术领域

本发明涉及亮度检测技术，更具体地，本发明涉及一种环境亮度检测方法和系统。

背景技术

近年来，便携式移动终端以及其它电子设备得到广泛应用，并且各种电子设备的功能逐渐强大，例如可以利用电子设备来检测和判断当前环境的明暗程度。

目前采用电子设备检测环境明暗程度或亮度水平的方法主要包括两种：一是直接使用电子设备上的光线传感器检测环境的亮度；以及二是通过图像传感器拍摄图像，并通过计算图像的平均亮度来判断当前环境的明暗程度。然而，这两种方法都存在着缺陷，它们都仅检测到部分方向或区域的环境亮度，比如光线传感器通常检测后方的亮度，而图像传感器拍摄的图像通常体现的是前方的亮度。由于环境光照往往不均匀，所以这两种方法都可能对环境的明暗程度产生误判。

发明内容

鉴于上述问题和现有技术的缺陷，本发明考虑到上述两种检测方法虽然在环境不均匀的情况下得出的结果可能不同但它们都在一定程度上反映了当前环境的亮度，而提出将两者的检测参数结合起来判断当前环境明暗程度的技术方案。

根据本发明的一个方面，提供了一种环境亮度检测方法，包括：通过图像采集单元采集待测环境的第一图像，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；通过光线传感单元检测所述待测环境的第二亮度检测值；以及基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值。

根据本发明的另一个方面，提供了一种环境亮度检测系统，包括：图像采集单元，采集待测环境的第一图像；第一检测单元，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；光线传感单元，检测所述待测环境的第二亮度检测值；以及亮度水平计算单元，基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值。

通过本发明的环境亮度检测方法和系统，能够充分利用电子设备中的图像传感器和光线传感器所采集的数据来检测当前环境亮度，从而使所获得的表示当前环境的亮度水平的结果更加可靠和准确。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单地介绍。下面描述中的附图仅仅是本发明的示例性实施例。

图1是示出根据本发明实施例的环境亮度检测方法的示例流程图。

图2是示出根据本发明实施例的预设亮度计算模型的示例流程图。

图3是示出根据本发明实施例的环境亮度检测系统的示例框图。

图4是示出根据本发明实施例的环境亮度检测系统的另一示例框图。

具体实施方式

在下文中，将参考附图详细描述本发明的优选实施例。注意，在本说明书和附图中，基本上相同的步骤和元素用相同的附图标记来表示，且对这些步骤和元素的重复解释将被省略。

下面，参照图1说明本发明的实施例的环境亮度检测方法。图1是示出根据本发明实施例的环境亮度检测方法100的流程图。

在步骤S101中，通过图像采集单元采集待测环境的第一图像，并利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值。这里的图像采集单元可以是任意电子设备的任意图像采集单元，例如手机、平板终端、笔记本电脑或台式电脑等的内置或外接摄像头，或者可以是数码照相机或摄像机等。所采集的第一图像可以是任意格式的灰度或彩色图像，例如原生（RAW）格式、JEPG（联合图象专家组）格式、TIFF（标签图像文件）格式等。利用预定规则分析所述第一图像可以根据实际应用场景而采用多种方式，例如可以采用第一图像所有像素的亮度的平均值作为第一亮度检测值、或者采用所有像素的亮度的中位数作为第一亮度值。另外，还可以使用相对复杂的分析规则，例如，可以将拍摄的图像的各个像素亮度划分为若干范围，并在所划分的范围中寻找像素点最多的范围，然后将像素点最多的范围中的像素的亮度平均值作为第一亮度检测值，比如将亮度值划分为0-63、64-127、…、192-255等范围，如果亮度值在例如64-127范围中的像素最多，则将亮度值在64-127范围中的像素的平均亮度值作为第一亮度检测值。本发明并不限定具体的分析规则，在不同的应用场景中，具体分析规则可能不同，只要能够根据第一图像得到第一亮度值即可。

在步骤S102中，通过光线传感单元检测所述待测环境的第二亮度检测值。这里的光线传感器单元可以是任意可以测量亮度值的传感器，例如，光电二极管、光电阻等，特别地，光线传感器可以是电子设备上与摄像头配合使用的测光器，但并不限于此。在本发明中，图像传感单元所获得的第一亮度测量值与光线传感单元所获得的第二亮度测量值优选是相反方向上的环境亮度，例如图像传感器获得的是前方的亮度，光线传感器获得的是后方的亮度，但不并限于此，它们可以获得相同方向上、或者相互成任意角度方向上的环境亮度。另外，这里的步骤S101和步骤S102之间没有先后顺序，它们可以同时进行，或者任一个先进行。

在步骤S103中，基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值。这里，表示亮度水平的结果值可以是仅表示待测环境是亮环境还是暗环镜的二值结果，也可以是具体表示环境的亮度程度的数值，例如数值越大表示环境越亮或越暗。在本发明的优选实施例中，所述结果值用二值结果或者概率值表示，下文中将详细描述。这里，预设的亮度计算模型是指如何根据上述第一和第二亮度检测值获得表示环境亮度水平的结果值，例如，其可以是一个公式，也可以是一个简单的判断规则。亮度计算模型可以根据具体应用场景而设定，例如，可以将所述亮度计算模型设定为：当所述第一亮度检测值和所述第二亮度检测值所表示的亮度都较低时，判定所述待测环境为暗环境，否则判定为亮环境；或者当所述第一亮度检测值和所述第二亮度检测值中的至少一个所表示的亮度较低时，判定所述待测环境为暗环境，否则判定为亮环境。当判定亮度是否较低时，可以将所述检测值与一参考值进行比较，低于所述参考值则表示亮度较低。另外，还可以使用训练样本获得所述亮度计算模型，下文将详细描述。需要说明的是，本发明并不限定亮度计算模型的具体形式，只要能通过该模型使用所述第一亮度检测值和所述第二亮度检测值得到所述结果值即在本发明的范围内。

下面参照图2说明获得上述亮度计算模型的一个优选实施例。图2是示出根据本发明实施例的预设亮度计算模型的示例流程图。在图2所述的示例方法中，通过训练样本获得所需要的亮度计算模型，这种方式获得的亮度计算模型更符合实际应用场景。

在步骤S201中，针对多个不同亮度的样本环境，获取多组测试样本，其中，每组测试样本对应于一个样本环境，并包括第一观测值和第二观测值，所述第一观测值为通过所述图像采集单元获得的对应样本环境的亮度检测值，所述第二观测值为通过所述光线传感单元检测的对应样本环境的亮度检测值。在该步骤中，用户使用与获取待测环境的亮度检测值相同的图像采集单元和光线传感单元来获取样本环境的亮度检测值，即观测值，以构成测试样本。每组测试样本对应于一个样本环境，并且每组测试样本包括分别来自图像采集单元和光线传感单元的亮度检测值。

在步骤S202中，针对每组测试样本，确定表示对应样本环境的亮度水平的对应训练值，以获得多组亮度训练样本，其中每组亮度训练样本包括一组测试样本及其对应的训练值。在该步骤中，针对每组测试样本确定对应的训练值，即对于每一个样本环境，一方面通过步骤S201获得亮度检测值，另一方面在步骤202中确定一个表示亮度水平的训练值，它们共同组成一组训练样本用于获得亮度计算模型。这里，训练值可以是仅表示亮环境或暗环境的二值，例如，1表示亮环境，0表示暗环境；或者也可以是具体表示明暗程度的多值，例如，从0-255中的任意值。另外，对于训练值的确定可以是人为的主观判断，也可以是通过其他标准设备的测量。

在步骤S203中，根据所述亮度训练样本，确定所述亮度计算模型，即，在该步骤中，利用多个亮度训练样本中的测试样本（即通过图像采集单元和光线传感单元获得的两个亮度检测值）与表示样本环境亮度水平的训练值之间的关系，确定如何根据待测环境的上述第一和第二亮度检测值来获得表示待测环境亮度水平的结果值，即确定亮度计算模型。确定亮度计算模型的具体方式，即如何利用测试样本与对应的训练值之间的关系的具体方式，可以根据实际应用场景而具体设定，例如可以利用逻辑回归（Logistic回归）算法，或训练分类器（例如SVM（支持向量机）分类器）等来设定。下文将对确定亮度计算模型的两个优选实施方式进行详细描述，需要注意的是，本发明并不限定亮度计算模型的具体实施方式，只要利用测试样本与对应的训练值之间的关系确定亮度计算模型即属于本发明的范围。

下面具体说明确定亮度计算模型以及根据该亮度计算模型计算表示所述待测环境的亮度水平的结果值的一个示例性具体实施方式。

首先，如图2中的步骤S201所述的，针对多个不同亮度的样本环境，获取多组测试样本。这里，假设有n个样本环境，并且将对应于第i个样本环境的第i组测试样本的第一观测值X₁和第二观测值X₂分别表示为X_1i和X_2i，从而可以将n组测试样本表示为{(X_1i,X_2i)|i＝1,2,…,n}。接着，如图2中的步骤S202所述，对每组测试样本确定表示对应的样本环境的亮度水平的对应训练值Y，这里，训练值Y为表示对应的观测环境是亮环境还是暗环境的二值标记，例如Y=1表示亮环境，Y=-1表示暗环境，从而对应于n组观测样本的n个标记（训练值）可以表示为{Y_i|i＝1,2,…,n}，由此，可得到包括以上n组观测样本和n个标记的n组亮度训练样本。

接着，根据所述n组亮度训练样本，确定所述亮度计算模型。在该步骤中，利用所述多组亮度训练样本，通过二元Logistic回归法计算所述训练值Y表示亮环境的概率，以得到所述亮度计算模型，该概率即为本实施例中的亮度计算模型，其可以表示为如下的Sigmoid曲线：

其中，Y表示所述训练值，P(Y＝亮|x₁，x₂)表示所述第一观测值和第二观测值分别等于x₁和x₂时Y表示亮环境的概率，并且其中的系数A、B和C通过最大似然估计法，利用所述多个样本环境的第一观测值、第二观测值及其对应的训练值来计算。此外，“Y=亮”中的“亮”在数学处理中可以用1表示。二元Logistic回归法和最大似然估计法是本领域公知的方法，这里不再详细描述。上述概率P(Y＝亮|x₁，x₂)的含义为：值越接近于1，表示环境亮度越高；越接近于0，表示环境亮度越低。

在得到上述亮度计算模型（1）式后，可以基于所述第一亮度检测值和所述第二亮度检测值，通过所述亮度计算模型（1）式，计算表示所述待测环境的亮度水平的结果值。在该实施例中，将所述第一亮度检测值和所述第二亮度检测值分别代入（1）式中的x₁和x₂，以计算所述待测环境为亮环境的概率值，其表示所述待测环境的亮度水平。该概率值越接近于1，表示待测环境的亮度越高；越接近于0，表示待测环境的亮度越低。可以直接将该概率值作为所述表示待测环境的亮度水平的结果值而输出。也可以针对该概率值进行进一步处理，例如判断所述概率值是否大于一预定值（例如50%），如果所述概率值大于所述预定值，则判定所述待测环境为亮环境，否则判定所述待测环境为暗环境。可以将上述判定结果作为所述结果值而输出，例如用1表示亮环境，用-1表示暗环境。

下面具体说明确定亮度计算模型及根据该亮度计算模型计算表示所述待测环境的亮度水平的结果值的另一具体示例性实施方式。在该实施例中，利用SVM分类器进行初步分类，再对初步分类应用回归分析，来得到亮度计算模型。

首先，与上一实施方式类似地，如图2中的步骤S201所述，针对多个不同亮度的样本环境，获取多组测试样本。这里，假设有n个样本环境，并且将对应于第i个样本环境的第i组测试样本的第一观测值X₁和第二观测值X₂分别表示为X_1i和X_2i，从而可以将n组测试样本表示为{(X_1i,X_2i)|i＝1,2,…,n}。接着，如图2中的步骤S202所述，对每组测试样本确定表示对应的样本环境的亮度水平的对应训练值Y，这里，训练值Y为表示对应的观测环境是亮环境还是暗环境的二值标记，例如Y=1表示亮环境，Y=-1表示暗环境，从而对应于n组观测样本的n个标记（训练值）可以表示为{Y_i|i＝1,2,…,n}，由此，可得到包括以上n组观测样本和n个标记的n组亮度训练样本。

接着，用所述多组亮度训练样本，即测试样本{(X_1i,X_2i)|i＝1,2,…,n}和标记{Y_i|i＝1,2,…,n}，训练SVM分类器。这里的SVM分类器可以是任意SVM分类器，其可以是线性核、多项式核、镜像基函数核、神经网络基函数核等的SVM分类器。利用样本和标记训练SVM分类器是本领域公知方法，这里不再累述。然后，将所述多组测试样本输入所述SVM分类器，以得到所述多组测试样本中的每组测试样本到所述SVM分类器的分类面的距离D。计算样本到分类面的距离的具体方法也属于本领域的公知技术，这里同样不再累述。在获得了距离D后，利用对应于所述多组测试样本的多个所述距离D和标记Y，通过二元Logistic回归方法，计算所述标记Y表示亮环境的概率，该概率即为本实施例中的亮度计算模型，其可以表示为下式：

其中，Y表示所述标记，P(Y＝亮|d)表示所述距离D为d时Y表示亮环境的概率，并且系数A和B通过最大似然估计法，利用对应于所述多组测试样本的多个距离d和标记Y来计算。与上一实施方式类似地，“Y=亮”中的“亮”在数学处理中可以用1表示。Logistic回归法和最大似然估计法是本领域公知的方法，这里不再详细描述。上述概率P(Y＝亮|d)的含义为：值越接近于1，表示环境亮度越高；越接近于0，表示环境亮度越低。

在得到上述亮度计算模型（2）式后，可以基于所述第一亮度检测值和所述第二亮度检测值，通过所述亮度计算模型（4）式，来计算表示所述待测环境的亮度水平的结果值。在该实施例中，将所述第一亮度检测值和所述第二亮度检测值所构成的待测样本输入所述SVM分类器，以得到所述待测样本到所述分类面的距离，并将所述待测样本到所述分类面的距离带入表达式（2），以计算所述待测环境为亮环境的概率值，其表示所述待测环境的亮度水平。同样地，该概率值越接近于1，表示待测环境的亮度越高；越接近于0，表示待测环境的亮度越低。可以直接将该概率值作为所述表示待测环境的亮度水平的结果值而输出。也可以针对该概率值进行进一步处理，例如判断所述概率值是否大于一预定值（例如50%），如果所述概率值大于所述预定值，则判定所述待测环境为亮环境，否则判定所述待测环境为暗环境。可以将上述判定结果作为所述结果值而输出，例如用1表示亮环境，用-1表示暗环境。

此外，在上述两个优选实施方式中，都可以在获得测试样本后确定所述亮度计算模型前，对测试样本进行预处理。例如，可以将第一观测值和第二观测值在各自的分布空间内变化到[0,1]区间上，即通过以下式（3）对所述第一观测值和第二观测值进行预处理：

其中，X₁和X₂分别是预处理前的第一观测值和第二观测值，X₁’和X₂’分别是预处理后的第一观测值和第二观测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值。在进行了以上预处理之后，利用预处理后的第一观测值和第二观测值代替预处理前的第一观测值和第二观测值确定所述亮度计算模型。

另外，在对测试样本进行过预处理的情况下，对待测环境的亮度检测值也需要进行相应的预处理，即需要通过以下式（4）对所述待测环境的第一亮度检测值和第二亮度检测值进行预处理：

其中，X₁₀和X₂₀分别是预处理前的第一亮度检测值和第二亮度检测值，X₁₀’和X₂₀’分别是预处理后的第一亮度检测值和第二亮度检测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值。在进行了以上预处理后，利用预处理后的第一亮度检测值和第二亮度检测值代替预处理前的第一亮度检测值和第二亮度检测值计算所述待测环境为亮环境的概率，以得到表示待测环境亮度水平的结果值。

下面参照图3对根据本发明实施例的环境亮度检测系统进行说明。图3示出了根据本发明的实施例的环境亮度检测系统300的示意结构框图。图3中所示的环境亮度检测系统300可以是一个单独的电子设备，例如手机、平板终端、笔记本电脑或台式电脑等；也可以是多个设备的组合，例如电脑与摄像头的组合。如图3所示，环境亮度检测系统300包括：图像采集单元301，采集待测环境的第一图像；第一检测单元302，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；光线传感单元303，检测所述待测环境的第二亮度检测值；以及亮度水平计算单元304，基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值。优选地，所述亮度计算模型为当所述第一亮度检测值和所述第二亮度检测值所表示的亮度都较低时，判定所述待测环境为暗环境，否则判定为亮环境；或者当所述第一亮度检测值和所述第二亮度检测值中的至少一个所表示的亮度较低时，判定所述待测环境为暗环境，否则判定为亮环境。环境亮度检测系统300各个单元所执行的功能与参照图1所说明的环境亮度检测方法相同，这里不再累述。

图4示出了根据本发明的另一实施例的环境亮度检测系统400的示意结构框图。图4示出的环境亮度检测系统400还包括亮度计算模型设定单元405。亮度计算模型设定单元405被配置为：针对多个不同亮度的样本环境，获取多组测试样本，其中，每组测试样本对应于一个样本环境，并包括第一观测值和第二观测值，所述第一观测值为通过所述图像采集单元获得的对应样本环境的亮度检测值，所述第二观测值为通过所述光线传感单元检测的对应样本环境的亮度检测值；针对每组测试样本，确定表示对应样本环境的亮度水平的对应训练值，以获得多组亮度训练样本，其中每组亮度训练样本包括一组测试样本及其对应的训练值；以及根据所述亮度训练样本，确定所述亮度计算模型。需要注意的是，所述亮度计算模型设定单元405不仅可以是单独的单元，也可以合并在亮度水平计算单元304中。

下面说明亮度计算模型设定单元405确定亮度计算模型以及亮度水平计算单元304根据该亮度计算模型计算表示所述待测环境的亮度水平的结果值的具体示例性实施方式。

根据一个实施方式，所述训练值为表示对应的观测环境是亮环境还是暗环境的二值标记。所述亮度计算模型设定单元405被配置为利用所述多组亮度训练样本，通过二元Logistic回归法计算所述训练值表示亮环境的概率，以得到如以上（1）式表示的亮度计算模型，其中Y表示所述训练值，P(Y=亮|x₁，x₂)表示所述第一观测值和第二观测值分别等于x₁和x₂时Y表示亮环境的概率，并且其中的系数A、B和C通过最大似然估计法利用所述多个样本环境的第一观测值、第二观测值及其对应的训练值来计算。并且，所述亮度水平计算单元304被配置为将所述第一亮度检测值和所述第二亮度检测值分别代入（1）式中的x₁和x₂，以计算所述待测环境为亮环境的概率值，其表示所述待测环境的亮度水平。

根据另一实施方式，所述训练值表示其对应的观测环境是亮环境还是暗环境的二值标记。所述亮度计算模型设定单元405被配置为：用所述多组亮度训练样本训练SVM分类器；将所述多组测试样本输入所述SVM分类器，以计算所述多组测试样本中的每组测试样本到所述SVM分类器的分类面的距离；利用对应于所述多组测试样本的多个所述距离和标记，通过二元Logistic回归法计算所述训练值表示亮环境的概率，以获得如以上（2）式表示亮度计算模型，其中，Y表示所述标记，P(Y＝亮|d)表示所述距离为d时Y表示亮环境的概率，并且系数A和B通过最大似然估计法利用对应于所述多组测试样本的多个距离d和标记Y来计算。所述亮度水平计算单元304被配置为：将所述第一亮度检测值和所述第二亮度检测值所构成的待测样本输入所述SVM分类器，以得到所述待测样本到所述分类面的距离；以及将所述待测样本到所述分类面的距离带入表达式（2），以计算所述待测环境为亮环境的概率值，其表示所述要检测的环境的亮度水平。

此外，在上述两个实施方式中，亮度计算模型设定单元405和亮度水平计算单元304也可以被配置为执行预处理。具体地，所述亮度计算模型设定单元405被配置为：通过以上（3）式对所述第一观测值和第二观测值进行预处理，其中，X₁和X₂分别是预处理前的第一观测值和第二观测值，X₁’和X₂’分别是预处理后的第一观测值和第二观测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及利用预处理后的第一观测值和第二观测值代替预处理前的第一观测值和第二观测值确定所述亮度计算模型。所述亮度水平计算单元304被配置为：通过以上（4）式对所述待测环境的第一亮度检测值和第二亮度检测值进行预处理，其中，X₁₀和X₂₀分别是预处理前的第一亮度检测值和第二亮度检测值，X₁₀’和X₂₀’分别是预处理后的第一亮度检测值和第二亮度检测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及利用预处理后的第一亮度检测值和第二亮度检测值代替预处理前的第一亮度检测值和第二亮度检测值计算所述待测环境为亮环境的概率。

此外，在上述两个实施方式中，所述亮度水平计算单元304还被配置为：判断所述概率值是否大于一预定值；以及如果所述概率值大于所述预定值，则判定所述待测环境为亮环境，否则判定所述待测环境为暗环境。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本领域技术人员应该理解，可依赖于设计需求和其它因素对本发明进行各种修改、组合、部分组合和替换，只要它们在所附权利要求书及其等价物的范围内。

Claims (14)

1.一种环境亮度检测方法，包括：

通过图像采集单元采集待测环境的第一图像，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；

通过光线传感单元检测所述待测环境的第二亮度检测值，其中，所述第二亮度测量值与所述第一亮度测量值是相反方向上的环境亮度；以及

基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值，其中，所述亮度计算模型利用逻辑回归或训练分类器来预设。

2.如权利要求1所述的环境亮度检测方法，还包括以下步骤以预设所述亮度计算模型：

针对多个不同亮度的样本环境，获取多组测试样本，其中，每组测试样本对应于一个样本环境，并包括第一观测值和第二观测值，所述第一观测值为通过所述图像采集单元获得的对应样本环境的亮度检测值，所述第二观测值为通过所述光线传感单元检测的对应样本环境的亮度检测值；

针对每组测试样本，确定表示对应样本环境的亮度水平的对应训练值，以获得多组亮度训练样本，其中每组亮度训练样本包括一组测试样本及其对应的训练值；以及

根据所述亮度训练样本，确定所述亮度计算模型。

3.如权利要求2所述的环境亮度检测方法，其中

所述训练值为表示对应的观测环境是亮环境还是暗环境的二值标记；

所述根据所述亮度训练样本，确定所述亮度计算模型包括：利用所述多组亮度训练样本，通过二元逻辑回归法计算所述训练值表示亮环境的概率，以得到所述亮度计算模型为：

其中，Y表示所述训练值，P(Y＝亮|x₁,x₂)表示所述第一观测值和第二观测值分别等于x₁和x₂时Y表示亮环境的概率，并且其中的系数A、B和C通过最大似然估计法利用所述多个样本环境的第一观测值、第二观测值及其对应的训练值来计算；并且

所述基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值包括：将所述第一亮度检测值和所述第二亮度检测值分别代入(1)式中的x₁和x₂，以计算所述待测环境为亮环境的概率值。

4.如权利要求2所述的环境亮度检测方法，其中

所述训练值表示其对应的观测环境是亮环境还是暗环境的二值标记；并且

所述根据所述亮度训练样本，获得所述亮度计算模型包括：

用所述多组亮度训练样本训练SVM分类器；

将所述多组测试样本输入所述SVM分类器，以计算所述多组测试样本中的每组测试样本到所述SVM分类器的分类面的距离；

利用对应于所述多组测试样本的多个所述距离和标记，通过二元逻辑回归法计算所述训练值表示亮环境的概率，以获得所述亮度计算模型：

其中，Y表示所述标记，P(Y＝亮|d)表示所述距离为d时Y表示亮环境的概率，并且系数A和B通过最大似然估计法利用对应于所述多组测试样本的多个距离d和标记Y来计算，并且

所述基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值包括：

将所述第一亮度检测值和所述第二亮度检测值所构成的待测样本输入所述SVM分类器，以得到所述待测样本到所述分类面的距离；

将所述待测样本到所述分类面的距离带入表达式(2)，以计算所述待测环境为亮环境的概率值。

5.如权利要求3或4所述的环境亮度检测方法，其中

所述根据所述亮度训练样本，确定所述亮度计算模型还包括：

通过以下式(3)对所述第一观测值和第二观测值进行预处理：

其中，X₁和X₂分别是预处理前的第一观测值和第二观测值，X₁’和X₂’分别是预处理后的第一观测值和第二观测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及

利用预处理后的第一观测值和第二观测值代替预处理前的第一观测值和第二观测值确定所述亮度计算模型，并且

所述基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值还包括：

通过以下式(4)对所述待测环境的第一亮度检测值和第二亮度检测值进行预处理：

其中，X₁₀和X₂₀分别是预处理前的第一亮度检测值和第二亮度检测值，X₁₀’和X₂₀’分别是预处理后的第一亮度检测值和第二亮度检测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及

利用预处理后的第一亮度检测值和第二亮度检测值代替预处理前的第一亮度检测值和第二亮度检测值计算所述待测环境为亮环境的概率。

6.如权利要求3或4所述的环境亮度检测方法，还包括：

判断所述概率值是否大于一预定值；以及

如果所述概率值大于所述预定值，则判定所述待测环境为亮环境，否则判定所述待测环境为暗环境。

7.如权利要求1所述的环境亮度检测方法，其中所述亮度计算模型还可预设为：

当所述第一亮度检测值和所述第二亮度检测值所表示的亮度都低于预定值时，判定所述待测环境为暗环境，否则判定为亮环境；或者

当所述第一亮度检测值和所述第二亮度检测值中的至少一个所表示的亮度低于预定值时，判定所述待测环境为暗环境，否则判定为亮环境。

8.一种环境亮度检测系统，包括：

图像采集单元，采集待测环境的第一图像；

第一检测单元，利用预定规则分析所述第一图像，以获得所述待测环境的第一亮度检测值；

光线传感单元，检测所述待测环境的第二亮度检测值，其中，所述光线传感单元所获得的第二亮度测量值与所述图像传感单元所获得的第一亮度测量值是相反方向上的环境亮度；以及

亮度水平计算单元，基于所述第一亮度检测值和所述第二亮度检测值，通过预设的亮度计算模型，计算表示所述待测环境的亮度水平的结果值，其中，所述亮度计算模型利用逻辑回归或训练分类器来预设。

9.如权利要求8所述的环境亮度检测系统，还包括亮度计算模型设定单元，所述亮度计算模型设定单元被配置为：

针对多个不同亮度的样本环境，获取多组测试样本，其中，每组测试样本对应于一个样本环境，并包括第一观测值和第二观测值，所述第一观测值为通过所述图像采集单元获得的对应样本环境的亮度检测值，所述第二观测值为通过所述光线传感单元检测的对应样本环境的亮度检测值；

针对每组测试样本，确定表示对应样本环境的亮度水平的对应训练值，以获得多组亮度训练样本，其中每组亮度训练样本包括一组测试样本及其对应的训练值；以及

根据所述亮度训练样本，确定所述亮度计算模型。

10.如权利要求9所述的环境亮度检测系统，其中

所述训练值为表示对应的观测环境是亮环境还是暗环境的二值标记；

所述亮度计算模型设定单元被配置为利用所述多组亮度训练样本，通过二元逻辑回归法计算所述训练值表示亮环境的概率，以得到所述亮度计算模型为：

其中，Y表示所述训练值，P(Y＝亮|x₁,x₂)表示所述第一观测值和第二观测值分别等于x₁和x₂时Y表示亮环境的概率，并且其中的系数A、B和C通过最大似然估计法利用所述多个样本环境的第一观测值、第二观测值及其对应的训练值来计算；并且

所述亮度水平计算单元被配置为将所述第一亮度检测值和所述第二亮度检测值分别代入(1)式中的x₁和x₂，以计算所述待测环境为亮环境的概率值。

11.如权利要求9所述的环境亮度检测系统，其中

所述训练值表示其对应的观测环境是亮环境还是暗环境的二值标记；并且

所述亮度计算模型设定单元被配置为：

用所述多组亮度训练样本训练SVM分类器；

将所述多组测试样本输入所述SVM分类器，以计算所述多组测试样本中的每组测试样本到所述SVM分类器的分类面的距离；

利用对应于所述多组测试样本的多个所述距离和标记，通过二元逻辑回归法计算所述训练值表示亮环境的概率，以获得所述亮度计算模型：

其中，Y表示所述标记，P(Y＝亮|d)表示所述距离为d时Y表示亮环境的概率，并且系数A和B通过最大似然估计法利用对应于所述多组测试样本的多个距离d和标记Y来计算，并且

所述亮度水平计算单元被配置为：

将所述第一亮度检测值和所述第二亮度检测值所构成的待测样本输入所述SVM分类器，以得到所述待测样本到所述分类面的距离；以及

将所述待测样本到所述分类面的距离带入表达式(2)，以计算所述待测环境为亮环境的概率值。

12.如权利要求10或11所述的环境亮度检测系统，其中

所述亮度计算模型设定单元还被配置为：

通过以下式(3)对所述第一观测值和第二观测值进行预处理：

其中，X₁和X₂分别是预处理前的第一观测值和第二观测值，X₁’和X₂’分别是预处理后的第一观测值和第二观测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及

利用预处理后的第一观测值和第二观测值代替预处理前的第一观测值和第二观测值确定所述亮度计算模型，并且

所述亮度水平计算单元被配置为：

通过以下式(4)对所述待测环境的第一亮度检测值和第二亮度检测值进行预处理：

其中，X₁₀和X₂₀分别是预处理前的第一亮度检测值和第二亮度检测值，X₁₀’和X₂₀’分别是预处理后的第一亮度检测值和第二亮度检测值，X_1min和X_1max分别是所述多组测试样本中X₁的最小值和最大值，X_2min和X_2max分别是所述多组测试样本中X₂的最小值和最大值；以及

利用预处理后的第一亮度检测值和第二亮度检测值代替预处理前的第一亮度检测值和第二亮度检测值计算所述待测环境为亮环境的概率。

13.如权利要求10或11所述的环境亮度检测系统，所述亮度水平计算单元还被配置为：

判断所述概率值是否大于一预定值；以及

如果所述概率值大于所述预定值，则判定所述待测环境为亮环境，否则判定所述待测环境为暗环境。

14.如权利要求8所述的环境亮度检测系统，其中所述亮度计算模型还可预设为：

当所述第一亮度检测值和所述第二亮度检测值所表示的亮度都低于预定值时，判定所述待测环境为暗环境，否则判定为亮环境；或者

当所述第一亮度检测值和所述第二亮度检测值中的至少一个所表示的亮度低于预定值时，判定所述待测环境为暗环境，否则判定为亮环境。