综述：居住行为对建筑能源效率的影响：检测和监控技术未来将如何发展？

《Next Energy》：Impact of occupancy behavior on building energy efficiency: What’s next in detection and monitoring technologies?

本文系统综述了建筑occupancy检测技术的最新进展，分析了传统传感器（CO?、电表、PIR）与新兴方法（Wi-Fi/蓝牙、计算机视觉、深度学习）的优缺点，指出多传感器融合和机器学习算法（如CNN、Transformer）在提升准确性和适应性的同时面临隐私、成本和实时性挑战，未来需结合隐私保护技术和成本效益分析推动规模化应用。

　　近年来，建筑物在能源消耗中占据了重要比例，研究发现，居住者的行为对能源使用和建筑性能有着显著影响。这项研究全面回顾了近年来在人员检测和监测技术方面的进展，强调了先进方法如何促进更准确、以居住者为中心的能源管理。传统基于传感器的技术，如二氧化碳浓度监测、被动红外（PIR）传感器、射频（RF）信号以及间接的智能电表数据，与更创新的基于视觉的方法结合深度学习和计算机视觉技术一起被探讨。特别关注了数据驱动方法，包括概率模型如隐马尔可夫模型（HMMs）、经典机器学习算法如支持向量机（SVMs）和K近邻（KNN），以及深度学习架构如卷积神经网络（CNNs），这些方法在实验室和现实世界中都展示了高准确性。此外，还讨论了新兴的基于变压器的融合架构和视觉语言模型（VLMs），突出了它们在捕捉复杂的时空人员模式和实现多模态、可解释的人员检测方面的潜力。尽管这些技术具有潜力，但仍有许多挑战需要克服。隐私、数据安全和用户接受度的问题必须得到解决，以确保广泛采用；还需要改进在不同环境条件下的检测可靠性。个性化和适应性成为关键主题，尤其是在多人居住的场景中，而多传感器数据融合则有望增强检测的稳定性并减少误报。最后，经济可行性考量，如安装成本和通过人员驱动的供暖、通风和空调（HVAC）优化实现的能源节约，对于大规模实施至关重要。通过综合当前方法、识别研究空白并提出未来方向，本文为研究人员和实践者提供了指导，帮助他们开发智能、以居住者为中心的建筑系统，平衡能源效率、舒适度和隐私。

在传统方法中，基于传感器的检测技术被广泛应用，例如二氧化碳传感器、智能电表和射频信号。这些技术通常能够指示居住者的存在，但它们在准确量化人员数量、位置和行为方面存在局限。例如，PIR传感器主要通过运动引起的红外辐射变化来检测居住者，可能无法区分多个移动的居住者，尤其是在他们缓慢移动、长时间静止或位于传感器检测角度和范围之外的情况下。此外，许多方法假设每个居住者对能源负荷的影响是相同的，这种假设可能不反映实际情况。影响HVAC需求的因素包括活动水平和代谢率。环境传感器，如二氧化碳浓度传感器，也因通风动态、居住者活动和传感器响应时间而经历检测变化的延迟，导致测量数据与实际居住状况之间存在滞后。

为了克服传统人员监测方法在能源管理中的局限性，一系列先进的检测技术已出现，如基于Wi-Fi和蓝牙技术的方法。这些方法利用现有基础设施被动检测居住者的移动设备，提供实时的居住者信息，而无需专门的运动传感器。虽然它们代表了一种成本效益高、非侵入性的替代传统系统，但其准确性依赖于居住者携带可检测设备。同时，基于视觉的方法正在被探索，这些方法通过摄像头和热成像提供更精确和动态的人员评估。这些技术能够识别居住者数量和分布、他们的移动行为和空间模式，从而实现智能的HVAC系统控制。例如，可以在未占用区域减少冷却，在占用密度变化时实时调整通风率，从而提高室内空气质量并增强能源效率。然而，这些先进技术带来了新的挑战，包括在动态环境中确保高检测准确性和数据可靠性，管理密集传感器部署和系统通信所带来的增加的技术复杂性和成本，以及处理人员行为的随机性和上下文依赖性，这复杂了开发稳健和可推广的预测模型。此外，高初始投资和持续维护成本仍然是采用的主要障碍，尤其是在中小型商业或住宅建筑中。与人员相关的隐私和安全问题也提出了显著的障碍，尤其是在传感器技术越来越多地捕捉敏感的居住者相关数据，如个人特征、家庭环境和行为模式的情况下。

随着动态人员检测，即实时或适应性地感知居住者存在和行为，日益受到关注，本文探讨了如何利用先进的传感器技术和数据驱动算法来有效测量和管理居住者驱动的能源消耗。它强调了近期在传感器技术、数据处理方法和算法优化方面的创新，评估了它们在建筑环境中实现准确和可扩展人员检测的潜力。此外，本文还探讨了与隐私、成本和可靠性相关的关键挑战，结合跨学科研究，为未来提高人员预测模型提供了见解。

人员检测技术的集成对于智能建筑和物联网（IoT）生态系统的发展至关重要。通过将人员检测数据与建筑管理系统相结合，可以实现更精确的HVAC、照明等建筑系统的控制，从而提高能源效率和居住者舒适度。然而，人员检测技术的广泛部署和集成仍面临诸多实际挑战。其中，一个显著的问题是设备相关的噪声，尤其是在检测居住者数量和位置时可能出现的误报。例如，宠物或非人类运动，如窗帘因风而移动，可能导致居住者检测的不可靠性，尤其是在住宅环境中。通过使用先进的传感器，如时间飞行（ToF）传感器，可以部分解决这些问题，它们能够主动测量距离，减少对环境温度变化的干扰，并降低隐私问题。然而，传感器密度、有限的分辨率以及在拥挤场景中的准确性仍然是需要进一步研究的领域。

此外，基于视觉的人员检测方法在建筑环境中越来越受到重视，主要得益于深度学习和计算机视觉技术的快速发展。这些方法能够提供高分辨率、实时的人员数据，无需居住者佩戴设备或安装侵入性的传感器网络。计算机视觉算法、深度学习架构和边缘计算能力的进步显著提高了基于视觉的人员检测的准确性和效率，使其适用于智能建筑管理和能源优化系统。这些基于视觉的技术主要分为两种类型：基于场景的计数方法（SCM）和基于线的计数方法（LCM）。SCM方法通过分析摄像头捕获的图像或视频数据来检测和计数居住者，识别人体或头部。然而，SCM方法可能会受到背景物体类似人体头部或身体的干扰，导致误报。此外，这些方法在大型或形状不规则的空间中可能会因摄像头视场限制而出现覆盖问题。相比之下，LCM方法通过监测特定的入口和出口点，如门廊，来估计房间内的居住者数量。然而，当多人同时通过监控入口时，LCM方法可能会产生错误，导致需要定期手动校正。

为了克服这些限制，一些融合方法已被开发，包括单视觉融合和双视觉融合技术。单视觉融合方法通过技术如帧差分、光流分析和对象跟踪来提高检测准确性，主要用于SCM。然而，单视觉融合方法无法完全克服诸如遮挡和累计计数错误等固有局限。相比之下，双视觉融合方法结合SCM和LCM来优化计数结果，有效缓解累计误差和不规则估计。尽管它们在实现高准确性方面具有潜力，但双视觉融合方法往往导致不稳定的估计结果，限制了它们在室内人员检测中的广泛应用。

基于视觉的人员检测方法具有显著的优势和广阔的应用前景。它们能够有效解决传统PIR传感器的局限性，尤其是在检测最小或静态运动时准确性较低的问题。近年来的研究强调了基于视觉的方法在未来可能取代PIR传感器进行人员监测的潜力，特别是在能够可靠识别静态居住者的情况下。此外，基于视觉的方法可以同时提供多种人员相关参数，包括居住者存在、数量、位置和活动水平，从而在建筑管理中提供更广泛的用途。然而，实际应用中基于视觉的人员检测仍面临一些显著的挑战。例如，遮挡问题，当个体重叠或摄像头镜头被遮挡时，可能导致误报或计数错误。隐私问题也是关键限制，尤其是在视频分析和监控技术中。基于视觉的系统能够检测个体或面部特征，这可能引发身份识别、跟踪个人位置和推断敏感社会或心理信息的风险，特别是在与其他数据集整合时。如果没有在物联网设备和相关数据存储解决方案中纳入强大的安全措施，居住者的个人和敏感数据仍然面临未经授权的访问或滥用的风险。

此外，基于视觉的人员检测方法通常依赖于深度学习技术来实现更高的准确性和鲁棒性。然而，这些方法往往伴随着高昂的计算成本，包括训练和部署过程中的计算资源需求。训练阶段通常需要高性能的GPU或基于云的基础设施，这可能会带来高昂的成本和能源消耗。在资源受限的环境中，这些计算需求可能成为广泛部署的障碍。因此，未来的研究应致力于开发轻量级、鲁棒性和可推广的混合架构，以在实际限制和多样化部署场景中维持高性能。

基于视觉的人员检测方法的初步评估表明，单次拍摄对象检测模型（如YOLOv10s和YOLOv10l）与视觉语言模型（VLMs）相比，通常在人员计数方面提供准确且一致的跟踪。然而，YOLOv10l在某些情况下可能会出现过估计。VLMs，如Gemini 1.5 Pro、Gemini 2.5 Pro和GPT-4o（视觉），在快速变化的居住者数量时显示出轻微的不一致。GPT-4o通常倾向于过估计居住者数量，尤其是在特定时间点之后，这表明在区分静态居住者和轻微运动方面存在挑战。尽管这些评估主要展示了VLMs在人员计数方面的性能，但这些模型可以潜在地执行更复杂的任务，如识别居住者活动、互动和空间分布，从而为基于人员的能源管理提供更丰富的洞察。

总体而言，基于视觉的人员检测方法在建筑环境中提供了独特的优势，能够更精确地检测居住者存在、数量、位置和活动水平，这超越了传统PIR传感器的局限性。然而，其应用仍面临一些挑战，包括计算成本、数据隐私和用户接受度。通过结合先进的隐私保护技术，如联邦学习、本地处理和数据匿名化，可以有效解决这些问题，从而实现安全且高效的部署。此外，基于视觉的检测方法的性能改进需要进一步的研究，特别是在应对遮挡、环境干扰和复杂人员行为方面。

在探讨人员检测方法时，还应考虑未来的技术趋势和应用场景。例如，多传感器融合技术能够通过整合不同类型的传感器数据，如CO?传感器、运动传感器和基于视觉的方法，提高检测的鲁棒性和适应性。这不仅可以增强检测的准确性，还可以减少误报，提高系统的整体可靠性。同时，随着人工智能技术的发展，如基于变压器的架构、大型语言模型（LLMs）和视觉语言模型（VLMs），这些模型能够捕捉复杂的时空人员模式，实现多模态、可解释的人员检测。这些方法为建筑环境中的人员检测提供了新的可能性，特别是在需要高可靠性、透明度或数据有限的场景中，它们能够与传统方法相结合，提供更全面的解决方案。

此外，随着传感器网络的普及，确保居住者对数据收集实践的舒适度变得尤为重要。透明度、同意和数据保护协议对于建立信任和获得更广泛的社会支持至关重要。未来的研究应致力于开发更加个性化和适应性的检测算法，使系统能够学习个体或群体的行为模式，从而实现更精确的人员检测模型。这将有助于提高能源管理的效率和居住者的舒适度，同时确保数据的安全性和隐私保护。

在人员检测和监控技术的发展过程中，还需关注能源节约和可持续性。通过优化HVAC、照明等建筑系统的控制策略，可以有效减少不必要的能源浪费，提高建筑的能源效率。然而，这些优化策略需要基于准确的人员检测数据，而如何确保这些数据的可靠性和实时性是当前研究的重点。此外，还需解决传感器部署和系统通信带来的技术复杂性和成本问题，以实现大规模的推广和应用。

总之，人员检测技术在提升建筑能源效率和居住者福祉方面发挥了重要作用。虽然传统方法仍然在某些领域具有应用价值，但基于视觉和深度学习的先进方法正在迅速发展，为人员检测提供了更高的准确性和适应性。未来的研究应关注如何克服现有技术的局限性，包括提高检测的稳定性、减少误报、确保隐私保护和降低部署成本。通过这些努力，可以推动人员检测技术向智能化和情境感知方向发展，为建筑环境中的能源管理和人员舒适度提供更有效的解决方案。