1.一种办公区的灯光控制方法，其特征在于，包括：

将当前楼层的热图像样本集合中的多张热图像样本作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；通过调整机器学习模型的参数，使得机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致；所述机器学习模型包括多个与不同时间段相对应的子机器学习模型，通过采集不同时间段的当前楼层的实时热图像样本集合作为机器学习模型的训练样本输入，针对每个时间段所对应的子机器学习模型，将该时间段的当前楼层的热图像样本集合中的多张热图像样本作为该子机器学习模型的样本输入，以对该子机器学习模型进行训练；通过调整该子机器学习模型的参数，使得该子机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致；

对当前楼层进行区域划分，使每个区域中至少含有一个摄像头，获取当前楼层的实时热图像，将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；根据所述人员的当前位置，对应控制当前楼层不同区域的灯光；当前楼层的实时热图像是通过设置于当前楼层的热成像仪所获取的该楼层的实时热图像画面；

每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

2.根据权利要求1所述的灯光控制方法，其特征在于，在对当前楼层进行区域划分，使每个区域中至少含有一个摄像头之后，还包括：对每一摄像头以及每一区域分别进行编号；

分别将每一摄像头的编号与该摄像头所属区域的编号对应存储。

3.根据权利要求1所述的灯光控制方法，其特征在于，还包括：

根据当前楼层不同区域的实时影像的人脸识别结果，分别获取当前楼层每一区域的人员的数量；

根据当前楼层每一区域的所述人员的数量，通过查询人员数量与灯光亮度对应关系表分别控制当前楼层每一区域的灯光亮度。

4.一种办公区的灯光控制装置，其特征在于，包括：

训练模块，用于将当前楼层的热图像样本集合中的多张热图像样本作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每张热图像样本具有有人或者没有人的对应标识；通过调整机器学习模型的参数，使得机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致；所述机器学习模型包括多个与不同时间段相对应的子机器学习模型，通过采集不同时间段的当前楼层的实时热图像样本集合作为机器学习模型的训练样本输入，针对每个时间段所对应的子机器学习模型，将该时间段的当前楼层的热图像样本集合中的多张热图像样本作为该子机器学习模型的样本输入，以对该子机器学习模型进行训练；通过调整该子机器学习模型的参数，使得该子机器学习模型针对每张热图像样本的输出与该热图像样本的对应标识一致；

第一获取模块，用于获取当前楼层的实时热图像；当前楼层的实时热图像是通过设置于当前楼层的热成像仪所获取的该楼层的实时热图像画面；

判断模块，用于将所述实时热图像输入预先训练完成的机器学习模型中，由该机器学习模型输出当前楼层是否有人的判断结果；

第二获取模块，用于在所述判断结果为当前楼层有人的情况下，获取当前楼层每一区域的实时影像；

第三获取模块，用于对当前楼层每一区域的实时影像进行人脸识别，获取人员的当前位置；

第一控制模块，用于根据所述人员的当前位置，对应控制当前楼层不同区域的灯光；

提取模块，被配置为：每隔预定时间，从与人员的当前位置相对应的区域的实时影像中提取静态帧；

计算模块，被配置为：根据每一静态帧的人脸识别结果，分别计算每一静态帧中的人脸在实时影像中的中心点坐标；

运动趋势获取模块，被配置为：在相邻时刻的两张静态帧中，以上一时刻的静态帧中的人脸的中心点坐标为起点，以下一时刻的静态帧中的该人脸的中心点坐标为终点，得出该人员的当前运动趋势；

第二控制模块，被配置为：根据所述人员的当前运动趋势，控制与该当前运动趋势相对应的区域的灯光。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑3中任一项所述的办公区的灯光控制方法。

6.一种电子设备，其特征在于，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来实现如权利要求1‑3中任一项所述的办公区的灯光控制方法。