CN101256687A - 基于径向基神经网络的红外光电客流采集装置及方法 - Google Patents
基于径向基神经网络的红外光电客流采集装置及方法 Download PDFInfo
- Publication number
- CN101256687A CN101256687A CNA2008100525254A CN200810052525A CN101256687A CN 101256687 A CN101256687 A CN 101256687A CN A2008100525254 A CNA2008100525254 A CN A2008100525254A CN 200810052525 A CN200810052525 A CN 200810052525A CN 101256687 A CN101256687 A CN 101256687A
- Authority
- CN
- China
- Prior art keywords
- data
- passenger flow
- infrared
- identification
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于径向基神经网络的红外光电客流采集装置及方法,将红外光电检测技术和径向基神经网络算法相结合,建立了一个基于RBF神经网络的客流计数系统,用于公共场所的客流采集。将4组对射式红外光电传感器置于商场出入口两侧位于脚腕高度的位置,通过开关量接口卡与计算机相连接,将顾客通过红外感应区对传感器遮挡产生的变化信号存入计算机内的基地址。采用有效的数据存储结构对基地址内数据进行存储,并对其进行预处理、分割、特征提取等一系列的处理,将结果作为径向基神经网络的输入,从而对连续通过该红外感应区的客流人数给予准确识别。该方法提高了实时客流计数的准确率,并能够识别多人并排的情况,误差率较低。
Description
技术领域
本发明涉及自动检测技术,特别是一种基于径向基神经网络的红外光电客流采集装置及方法,将红外光电检测技术和径向基神经网络算法相结合,建立了一个基于RBF神经网络的客流计数系统,用于公共场所的客流采集。
背景技术
客流数据对于依赖客流的行业意义重大。对于盈利性的行业,客流的数量和驻留习惯直接决定了营销决策的制定;对于非盈利性的行业,统计客流的数量本身就等于执行安全防卫工作,确保了统计区域的安全。随着统计分析技术和计算机技术的不断发展,客流统计已开始进入自动化阶段,要求能够提供即时、可靠的客流量信息。
中国专利CN200610129636公开了一种基于人体模型的红外光电客流统计装置,包括红外光电发射器阵列和光电接收器阵列、控制/判断单元,两个阵列的发射器和接收器之间具有一一对应的关系;所述控制/判断单元由微处理器及其外围电路构成,控制所述红外光电发射器阵列发射信号,并对通过光电接收器阵列所采集到的信号进行处理,根据人体模型学算法区分人与物体,判决是否有人通过,根据各排光电接收阵列接收红外光的顺序,判断人体通过方向;当多人同时通过时,判决通过人的个数。该装置对硬件设备需求量较大,所涉及的人体模型学算法,是根据人体形状进行判断的,算法复杂,缺乏智能化的思想,因此容易出现误判。
中国专利CN 200510060288公开了一种基于立体视觉的公交客流统计方法,该方法利用处理器对立体视觉装置获取的双目图像进行立体视觉处理,得到场景中的各点到摄像机之间的距离,然后在距离上设置阀值,得到距离摄像机某一距离范围内的场景中的所有点,通过对这些点去噪、拟和,再结合单目图像的特征识别方法,将那些近似组成圆的场景中的点的集合作为人的头部,从而实现了人头部的检测,再将人头部检测的结果的位置、半径、灰度信息交由跟踪算法实施跟踪,便可以判断出客流的运动方向,从而完成客流信息统计。该专利申请,在硬件上,需要采用摄像机等设备,成本较高,在软件上,仅仅对图像提取了人体头部信息,位置、半径、灰度信息交由跟踪算法实施,从而判断客流的运动方向,此种判断方法对摄像机、跟踪算法精确性的依赖程度很高,从技术上难以实施,难以达到较高的分辨率。
可行的客流采集方法要求有较低的设备成本,且能够对较大量的连续客流进行计数,但现有的客流采集装置和方法都不能满足上述要求,目前也未见有此类较成熟的技术。
发明内容
本发明目的在于提供一种基于径向基神经网络的红外光电客流采集装置及方法,可以克服已有技术的不足。将红外光电检测技术和径向基神经网络算法相结合,建立了一个基于RBF神经网络的客流计数系统,用于公共场所的客流采集;成本低、实时客流计数准确率高、误差率较低。本发明是一种具有理论和实际意义的红外光电客流采集装置和客流统计方法。
本发明提供的基于径向基神经网络的红外光电客流采集装置包括:
红外对射光电传感器、开关量接口卡和计算机。
其中红外线对射光电传感器将根据顾客的行走遮挡产生变化信号,所述的红外光电管为四组。
开关量接口卡,将红外光电传感器产生的信号传给与其相连的计算机中,作为RBF神经网络识别系统的输入。
计算机负责径向基神经网络的训练、数据的预处理以及客流人数分类识别和输出。
所述的红外光电管的发射端与接受端之间对射安装在同一条直线上,其中的任意一条发射端的红外光电管不影响其他的接收端。当有物体通过时,光线被遮挡,接收端指示灯亮,并输出一个高电平脉冲;当没有物体通过时,输出一个低电平脉冲。
红外光电传感器的发射端发射红外波长信号,当红外线被遮挡时,接收端指示灯亮,并产生信号1,当红外线不被遮挡时,接收端指示灯不亮,产生信号0。这样便可以通过开关量接口卡将采集0-1序列传给相连的计算机,接口卡直接连接到计算机的主板插槽上。通过设置接口卡上面的开关设置可以确定保存的计算机地址。这时,每当客流经过,红外传感设备产生相应的信号,基地址里储存了0,1数据。
本发明提供的一种基于径向基神经网络的红外光电客流的采集方法包括的步骤:
由光电管遮挡产生信号对走过红外光电区的顾客进行采集计数,开关量接口卡将红外光电传感器产生的信号传给与其相连的计算机,采用RBF神经网络模式识别方法,处理采集客流数据,进行训练、分类识别,完成计数功能;
所述的训练过程包括数据获取、预处理、特征提取、训练网络参数设定、客流神经网络分类器的设计;
所述的分类识别是将已经训练好的网络作为基础,对特征提取后的数据进行处理,包括数据获取、预处理、数据分割、特征提取、客流神经网络分类器识别、统计人数。
本发明提供的一种基于径向基神经网络的红外光电客流的采集方法包括的步骤:
1)选择4组对射式红外光电管发射端与接受端在同一条直线上,置于公共场所进出口两侧,通过顾客行走通过该区域时对红外光电管的遮挡,来产生变化信号;
2)通过开关量接口卡,对红外光电管产生的变化信号进行扫描采集,并传输给计算机,存入基地址;
3)对基地址中的数据进行扫描,当数据发生变化时进行采样,包括存储变化的数据和变化发生的时刻;
4)将上述采集到的变化信号进行处理,提取其最大特征,作为RBF神经网络训练及神经网络识别系统的输入;
(1)数据预处理
第一步,去噪过程:采用阈值的方法进行去除数据中的无效数据,设定变化持续过程小于0.06ms视为噪音去除,并将其对应的状态值变为0;
第二步,归一化处理:将第一个光电管状态跳变开始,即为0时刻,用其它各状态对应的时间减去这个初始时间得出相对时间;
(2)数据分割
首先搜索每根红外光电管,寻找“1”第一次出现的位置,作为数据的分割起点,从这里开始,各组光电管以相同的步长进行检查,发现到在持续时间Δt内如果所有光电管均为“0”状态的时候视为分割点,进行数据分割操作,设定Δt为0.06s,分割完后的数据组没有数据的状态项补0;
(3)特征提取
将上述处理后的波形特征最大化的提取出来,其特征主要有波形相对时间、脉冲宽度、脉冲时间间隔,其中脉冲宽度是状态1的持续时间;脉冲时间间隔是两个状态1之间的状态所持续的时间;
5)设计客流神经网络分类器,将特征提取后的数据输入神经网络,训练网络参数,将已经训练好的网络作为基础,对特征提取后的数据进行客流神经网络分类器的识别、获取人数。
所述的特征提取后的矩阵为下面所示:
所述的客流神经网络分类器的识别、获取的设定为:
(1)客流输入层的选择根据实际的问题选定,红外客流统计里面的输入层就是数据特征提取后的矩阵;
(2)客流输出是分组识别后的每组的并行的人数,包括一人通过的情况,根据有导师的识别,最多并行人数为6,用3位输出;在识别的时候每位大于0.5的时候输出为1,小于0.5的时候输出为0,通过3位的输出表示1人、2人、3人、4人、5人和6人;
(3)隐含层选择隐含层采用径向基函数作为激励函数,该径向基函数为高斯函数(Gauss)。
本发明可以克服现有客流采集系统存在的一些问题,相对以往的客流采集装置以及统计方法而言具有显著进步,本发明是一种具有理论和实际意义的红外光电客流采集装置和客流统计方法。包括:
(1)识别率高:通过采取适当的分割方法,提高了分割的效果,实现了对连续客流的识别。并根据脉冲的特点,设计特殊的特征提取方法,最大程度细化表征脉冲,试验结果证明这种特征参数提取可以进行分类器设计的输入。通过神经网络的训练和学习过程能够准确地识别并行人少的情况,另外对于多人并行的情况也提高了识别率。
(2)抗干扰性强:通过预处理过程中的去噪处理,可以有效的去除传感器本身产生的噪音、传感器安装中产生的噪音、电磁波产生的噪音等,从而提高系统的抗干扰能力。
(3)实时性好:由于红外感应设备的反应速度快,同时微处理器的运算速度快,所以能够实时记录并反映快速通过的客流量,用于公共场所的客流采集,实时客流计数准确率高、误差率较低。
(4)成本低:本发明采用的红外装置成本低、所需设备量小且对硬件设备要求较低。
附图说明
图1本发明基于径向基神经网络的红外光电客流采集装置连接框图。
图2本发明的RBF神经网络训练过程单元框图。
图3本发明的RBF神经网络分类识别过程单元框图。
图4本发明的数据获取流程图。
图5本发明的数据预处理流程图。
图6本发明的客流数据分割流程图。
图7本发明的客流数据特征提取流程图。
具体实施方式
本发明结合附图详细说明如下:
本发明主要分为两部分内容:客流数据的采集和客流数据的处理及识别。
图1中给出了客流数据采集的硬件设备连接图,主要由红外光电传感器和开关量接口卡组成。该系统将四组红外对射型光电传感器,安装在商场门口或出入口位于脚腕高度的两侧,对顾客进行数据采集。其高度设置在小腿部,距离地面大约28cm。为了区分重叠区域,提高扫描的准确度和便于识别区分度,本发明采用平行排列四组红外光电装置计数,根据小腿部的直径来设置间距,经统计小腿部直径在13cm~18cm之间,间距越大越有利于区分重叠部分,但考虑到过大的距离会影响到安装的不便,所以设置红外线间距为25cm。其中还要保持红外光电管的发射端与接受端在同一条直线上,其中的任意一条发射端的红外光电管不影响其他的接收端。红外光电传感器的发射端发射红外波长信号,当红外线被遮挡时,接收端指示灯亮,并产生信号1,当红外线不被遮挡时,接收端指示灯不亮,产生信号0。这样便可以通过开关量接口卡将采集0-1序列传给相连的计算机,接口卡直接连接到计算机的主板插槽上。通过设置接口卡上面的开关设置可以确定保存的计算机地址。这时,每当客流经过,红外传感设备产生相应的信号,基地址里储存了0,1数据。这就是要处理的毛数据。基地址中接收数据是瞬间的,可以看成与光电开关的状态变化是同步的。
本发明对所采集的客流数据进行处理及识别过程主要是通过两个部分来完成的。
第一部分(如图2所示)RBF网络训练过程(学习过程),包括数据获取、预处理、特征提取、训练网络参数设定、客流神经网络分类器的设计。
第二部分(如图3所示)RBF网络分类识别过程(决策过程),他是将已经训练好的网络(训练过程如图2)作为基础,对于特征提取后的数据进行处理。包括数据获取、预处理、数据分割、特征提取、客流神经网络分类器识别、得出人数。
上述两部分中数据处理的具体过程如下(其中两部分的获取、预处理和特征提取过程一致):
1)客流数据获取,如图4所示。将数据从基地址中取出,保存到电脑的数据库中。为了减少数据冗余,本系统中是当数据发生变化时进行采样,即当由状态0变化为状态1,或由状态1变化为状态0时,进行数据保存。将数据的变化存入state[]中,变化发生的时刻存入time[]中。
2)对于存入的数据进行预处理,如图5所示。
第一步,去噪过程。采用阈值的方法进行去除,在预处理过程中设定变化持续过程小于0.06m视为噪音,需要去除。并将其对应的state[]中的值变为0。
第二步,归一化处理。归一化处理就是按照采集样本的相对时间。首先进行时间间隔不发生变化的数据平移,将时间数据的初始化为0,其它各个状态变化对应的时间都是相对于初始时刻的相对时间。做法就是将第一个光点状态跳变开始,即为0时刻,其它各状态对应的时间减去这个初始时间得出相对时间。
3)对预处理后的数据进行分割,如图6所示。
由于顾客连续不断的进入商场,客流样本数据量较大,而且数据长度不等。根据数据分割的定义将数据集合划分成若干个互不交叠区域的集合。数据交叉在这里的定义就是顾客与顾客之间同时遮挡一根或者几根光电管。这时每个人的数据无法单纯的提取出来。数据是一个互相连续、互相影响的情况。相反,数据不交叉就是指数据在连续的同时也存在空隙,可以使得数据能够分段处理,互不影响的前提下进行。客流数据交叉的情况实际上就是并行的存在,保证不破坏并行数据的完整性的情况下将数据分割。分割的目标就是将数据分割成为不交叉的数据。
本发明采用阀值分割中所谓的“斜线分割法”将数据进行分割。
这种方法能够分割没有竖直分割“空隙”的连续客流数据集,其分割原则如下:试验设定4根光电管为等间距,那么对于某一个人来说通过4组红外线的时间是相当的。这个设定按照人基本匀速的条件下设定的。这样每个人通过4个光电管波形上的表现为宽度相当,这样可以时间差分的方式解决这种有空隙的问题。还应确定人流没有重叠的现象发生,就是每组数据都是独立的,互不影响,这样分割的数据才有价值。首先搜索每根红外光电管,寻找“1”第一次出现的位置,作为数据的分割起点。从这里开始,4组光电管以相同的步长进行检查。发现到在持续时间Δt内如果4根光电管均为“0”状态的时候视为分割点,进行数据分割操作。在试验过程的统计中设定,Δt为0.06秒有比较好的效果。分割完后的数据组没有数据的状态项补0。
4)特征提取过程,如图7所示。
特征提取主要针对0-1序列所形成的波形来进行的,在多人并行的情况下,从视觉上感觉有可能不同的多人并行会产生相同的模式。这些模式的脉冲个数、宽窄脉冲的排列、脉冲的顺序都是惊人的相似。但是并不是没有区别的,看上去会略过那些顺序次序以及其他的信息。但这些可以被经图2过程训练好的神经网络发觉,并且根据网络的已有经验进行数据分类。
根据数据的特点,可以看出,数据是由有序的4组光电管的高低脉冲排列。对其特征进行最大化的提取得出的有用的信息为:波形相对时间、脉冲宽度、脉冲之间的时间间隔。提取后的矩阵为下面所示。
在图2中,RBF神经网络训练过程中的网络设计过程如下:
1)输入层的设计
输入层的选择根据实际的问题选定,红外客流统计里面的输入层就是数据特征提取后的矩阵,所以输入层的节点数为80。
2)输出层的设计
客流输出的要求就是分组识别后的每组的并行的人数,当然也可能为一人通过的情况。这里根据有导师的识别,最多并行人数为6。用3位输出。输出的表示对应为表如下。
输出值设定,在识别的时候每位大于0.5的时候输出为1,小于0.5的时候输出为0。通过3位的输出表示1人、2人、3人、4人、5人和6人的情况。
3)隐含层选择
隐含层采用径向基函数作为激励函数,该径向基函数为高斯函数(Gauss)。
按图3中的识别过程对以下5个特征提取后的样本数据进行处理,识别结果如下:
Claims (6)
1、一种基于径向基神经网络的红外光电客流采集装置,其特征在于它包括:
红外对射光电传感器、开关量接口卡和计算机;
其中红外线对射光电传感器将根据顾客的行走遮挡产生变化信号,所述的红外对射光电管为4组;
开关量接口卡,将红外光电传感器产生的信号传给与其相连的计算机中,作为RBF神经网络识别系统的输入;
计算机负责径向基神经网络的训练、数据的预处理以及客流人数分类识别和输出。
2、按照权利要求1所述的客流采集装置,其特征在于所述的红外光电管的发射端与接受端之间对射安装在同一条直线上,其中的任意一条发射端的红外光电管不影响其他的接收端。
3、一种基于径向基神经网络的红外光电客流的采集方法,其特征在于包括的步骤:
由光电管遮挡产生信号对走过红外光电区的顾客进行采集计数,开关量接口卡将红外光电传感器产生的信号传给与其相连的计算机,采用RBF神经网络模式识别方法,处理采集客流数据,进行训练、分类识别,完成计数功能;
所述的训练过程包括数据获取、预处理、特征提取、训练网络参数设定、客流神经网络分类器的设计;
所述的分类识别是将已经训练好的网络作为基础,对特征提取后的数据进行处理,包括数据获取、预处理、数据分割、特征提取、客流神经网络分类器识别、统计人数。
4、一种基于径向基神经网络的红外光电客流的采集方法,其特征在于包括的步骤:
1)选择4组对射式红外光电管发射端与接受端在同一条直线上,置于公共场所进出口两侧,通过顾客行走通过该区域时对红外光电管的遮挡,来产生变化信号;
2)通过开关量接口卡,对红外光电管产生的变化信号进行扫描采集,并传输给计算机,存入基地址;
3)对基地址中的数据进行扫描,当数据发生变化时进行采样,包括存储变化的数据和变化发生的时刻;
4)将上述采集到的变化信号进行处理,提取其最大特征,作为RBF神经网络训练及神经网络识别系统的输入;
(1)数据预处理
第一步,去噪过程:采用阈值的方法进行去除数据中的无效数据,设定变化持续过程小于0.06ms视为噪音去除,并将其对应的状态值变为0;
第二步,归一化处理:将第一个光电管状态跳变开始,即为0时刻,用其它各状态对应的时间减去这个初始时间得出相对时间;
(2)数据分割
首先搜索每根红外光电管,寻找“1”第一次出现的位置,作为数据的分割起点,从这里开始,各组光电管以相同的步长进行检查,发现到在持续时间Δt内如果所有光电管均为“0”状态的时候视为分割点,进行数据分割操作,设定Δt为0.06s,分割完后的数据组没有数据的状态项补0;
(3)特征提取
将上述处理后的波形特征最大化的提取出来,其特征主要有波形相对时间、脉冲宽度、脉冲时间间隔,其中脉冲宽度,是状态1的持续时间;脉冲时间间隔,是两个状态1之间的状态所持续的时间;
5)设计客流神经网络分类器,将特征提取后的数据输入神经网络,训练网络参数,将已经训练好的网络作为基础,对特征提取后的数据进行客流神经网络分类器的识别、获取人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100525254A CN101256687A (zh) | 2008-03-26 | 2008-03-26 | 基于径向基神经网络的红外光电客流采集装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100525254A CN101256687A (zh) | 2008-03-26 | 2008-03-26 | 基于径向基神经网络的红外光电客流采集装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101256687A true CN101256687A (zh) | 2008-09-03 |
Family
ID=39891483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100525254A Pending CN101256687A (zh) | 2008-03-26 | 2008-03-26 | 基于径向基神经网络的红外光电客流采集装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101256687A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184587A (zh) * | 2011-06-01 | 2011-09-14 | 洞头县亿纬自动化设备厂 | 光幕式客流计数器 |
CN102903187A (zh) * | 2012-10-18 | 2013-01-30 | 河南汉威电子股份有限公司 | 投币式自助设备 |
CN103218863A (zh) * | 2013-03-20 | 2013-07-24 | 山东大学 | 一种基于模式识别的无障碍通道机双向检测方法 |
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
CN107358166A (zh) * | 2017-06-16 | 2017-11-17 | 华南理工大学 | 一种扶梯口客流拥堵检测装置及其客流拥堵程度判别方法 |
CN109360311A (zh) * | 2018-10-12 | 2019-02-19 | 常熟理工学院 | 一种公共交通工具拥挤程度测量方法 |
CN109733078A (zh) * | 2019-02-28 | 2019-05-10 | 绍兴章控智能科技有限公司 | 采用指纹识别的智能印章 |
CN111115050A (zh) * | 2020-01-06 | 2020-05-08 | 惠州拓邦电气技术有限公司 | 垃圾投扔次数的统计方法、装置、垃圾桶及存储介质 |
-
2008
- 2008-03-26 CN CNA2008100525254A patent/CN101256687A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184587A (zh) * | 2011-06-01 | 2011-09-14 | 洞头县亿纬自动化设备厂 | 光幕式客流计数器 |
CN102903187A (zh) * | 2012-10-18 | 2013-01-30 | 河南汉威电子股份有限公司 | 投币式自助设备 |
CN103218863A (zh) * | 2013-03-20 | 2013-07-24 | 山东大学 | 一种基于模式识别的无障碍通道机双向检测方法 |
CN103218863B (zh) * | 2013-03-20 | 2015-10-28 | 山东大学 | 一种基于模式识别的无障碍通道机双向检测方法 |
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
CN104729965B (zh) * | 2015-01-28 | 2017-05-10 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
CN107358166A (zh) * | 2017-06-16 | 2017-11-17 | 华南理工大学 | 一种扶梯口客流拥堵检测装置及其客流拥堵程度判别方法 |
CN107358166B (zh) * | 2017-06-16 | 2023-05-26 | 华南理工大学 | 一种扶梯口客流拥堵检测装置及其客流拥堵程度判别方法 |
CN109360311A (zh) * | 2018-10-12 | 2019-02-19 | 常熟理工学院 | 一种公共交通工具拥挤程度测量方法 |
CN109733078A (zh) * | 2019-02-28 | 2019-05-10 | 绍兴章控智能科技有限公司 | 采用指纹识别的智能印章 |
CN111115050A (zh) * | 2020-01-06 | 2020-05-08 | 惠州拓邦电气技术有限公司 | 垃圾投扔次数的统计方法、装置、垃圾桶及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101256687A (zh) | 基于径向基神经网络的红外光电客流采集装置及方法 | |
EP3460765B1 (en) | Banknote management method and system | |
CN102521565B (zh) | 低分辨率视频的服装识别方法及系统 | |
CN103279735B (zh) | 一种金融票据识别模块中积灰检测方法及系统 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN102419819B (zh) | 人脸图像识别方法和系统 | |
CN104346858B (zh) | 一种基于磁图像的纸币面值识别方法与装置 | |
CN110473178A (zh) | 一种基于多光源融合的外观缺陷检测方法及系统 | |
CN108055501A (zh) | 一种目标检测及跟踪的视频监控系统及方法 | |
KR100826878B1 (ko) | 손 모양을 인식하는 방법 및 이를 위한 장치 | |
CN103377509B (zh) | 介质验证器和对缺损进行分类的方法 | |
CN101241599A (zh) | 红外线列探测器成像中基于列的弱小目标检测方法 | |
CN104091388A (zh) | 一种基于磁图像的纸币鉴伪方法及装置 | |
TW200915202A (en) | System and method of image-based space detection | |
CN102005078A (zh) | 一种纸币、票券识别方法和装置 | |
CN101499129A (zh) | 远距离虹膜识别系统及方法 | |
KR20110076989A (ko) | 아이템 식별 방법 및 시스템 | |
CN106326860A (zh) | 基于视觉的手势识别方法 | |
CN103366154A (zh) | 可重配置的畅通路径检测系统 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN106570510A (zh) | 一种超市商品识别方法 | |
CN105447956A (zh) | 一种拼接纸币的检测方法 | |
CN1971628A (zh) | 基于人体模型的红外光电客流统计装置及方法 | |
CN110188606A (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
CN108596084A (zh) | 一种充电桩自动识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080903 |