CN103310787A - 一种用于楼宇安防的异常声音快速检方法 - Google Patents

一种用于楼宇安防的异常声音快速检方法 Download PDF

Info

Publication number
CN103310787A
CN103310787A CN201210058279XA CN201210058279A CN103310787A CN 103310787 A CN103310787 A CN 103310787A CN 201210058279X A CN201210058279X A CN 201210058279XA CN 201210058279 A CN201210058279 A CN 201210058279A CN 103310787 A CN103310787 A CN 103310787A
Authority
CN
China
Prior art keywords
sound
rapid
data
signal
zero crossing
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
Application number
CN201210058279XA
Other languages
English (en)
Inventor
王斌
曹坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing University
Original Assignee
Jiaxing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing University filed Critical Jiaxing University
Priority to CN201210058279XA priority Critical patent/CN103310787A/zh
Publication of CN103310787A publication Critical patent/CN103310787A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种用于楼宇安防的异常声音快速检方法，包括声音信号的特征快速提取、异常声音模版设计和快速判定的方法。本方法以楼宇建筑环境内的异常声音为对象，其特征在于：该方法由语音信号特征快速提取、异常声音的动态构建和异常声音的快速判断组成；该方法的核心：声音信号的每一个切片数据时间段为一个数据特征提取周期，在信号采集的同时，利用本发明设计的方法进行特征数据的迭代计算，采样完毕则完成数据特征提取。本发明无需对采样数据进行存储，特征提取速度快，提楼宇安防的可靠性。

Description

一种用于楼宇安防的异常声音快速检方法
技术领域
本发明涉及一种用于楼宇安防的异常声音快速检方法。具体应用在智能楼宇的安防领域，以提高异常声音检测的处理速度。 
背景技术
[0002] 目前，安防监控系统，多是以视频监控与报警联动为代表的治安防控体系，几乎沦为一种提供事后取证录像的工具。在这种安防监控系统中，一般采用传统的系统配置模式: 即集中式地建设监控中心，将视频数据上传至集中式设置的视频服务器，并在该集中节点进行数据存储; 在视频采集点上，一般采用视频采集器，控制多路视频摄像头。该视频采集器采用宽带线路，或是采用无线网卡，在带宽不足的情况下，可能会采用多路无线线路捆绑的方式连接公众互联网，与同样连接在互联网上的视频监控中心进行数据传输。但这种监控系统，都具有一些固有的局限性:对于安全威胁的响应速度关系到一个安全系统的整体性能。传统的电视监控系统通常都由安全工作人员对安全威胁作出响应和处理，这对于处理一般性的、实时响应要求较低的安全威胁来说已经足够。但是很多情况下，在威胁发生时，需要安全系统的多个功能部分，甚至多个安全相关的部门在最短的时间内协调配合，共同处理危机。这时候，监控系统的响应速度将直接关系到用户的人身或财产的损失情况。 
利用声音、视频等信息对场景进行多模态自动判断是安防领域的发展趋势。声音处理方法目前偏重于人的语音识别，主要包括身份识别和内容识别，对于情感识别只有少量研究。本发明异常声音识别主要针对典型室内危险情况，如呼救、争吵和其他异常情况的声音数据进行快速检测，这种检测是在线实时的。相当于后台处理的初步筛选。 
发明内容
本发明是针对楼宇室内环境异常声音快速检测的要求，设计了一种在线实时检测方法。 
本发明的技术核心是：声音信号的每一个切片数据时间段为一个数据特征提取周期，在信号采集的同时，利用本发明设计的方法进行特征数据的迭代计算，采样完毕则完成数据特征提取。 
本文中的特定信号是具有明显特征，便于提取和进一步分析的信号，定义如下。 
定义1 某特定信号 可以展开为马克劳林级数
Figure DEST_PATH_RE-DEST_PATH_IMAGE002
阶多项式， 
Figure DEST_PATH_RE-DEST_PATH_IMAGE003
(1)
若
Figure DEST_PATH_RE-DEST_PATH_IMAGE004
具有
Figure DEST_PATH_RE-644745DEST_PATH_IMAGE002
个根
Figure DEST_PATH_RE-DEST_PATH_IMAGE005
，则称
Figure DEST_PATH_RE-236263DEST_PATH_IMAGE001
为目标信号。记
Figure DEST_PATH_RE-DEST_PATH_IMAGE006
。
定义2 设要识别的信号称为源信号，记为
Figure DEST_PATH_RE-DEST_PATH_IMAGE007
。 
定义3   设
Figure DEST_PATH_RE-DEST_PATH_IMAGE008
为的
Figure DEST_PATH_RE-664971DEST_PATH_IMAGE002
个根，若，且
Figure DEST_PATH_RE-DEST_PATH_IMAGE011
使得
Figure DEST_PATH_RE-DEST_PATH_IMAGE012
，则称
Figure DEST_PATH_RE-972324DEST_PATH_IMAGE007
为
Figure DEST_PATH_RE-752061DEST_PATH_IMAGE001
的样本信号。 
定义4   设
Figure DEST_PATH_RE-DEST_PATH_IMAGE013
为
Figure DEST_PATH_RE-678429DEST_PATH_IMAGE004
的根的序列，若
Figure DEST_PATH_RE-DEST_PATH_IMAGE014
，其中，(
Figure DEST_PATH_RE-DEST_PATH_IMAGE016
)，则称
Figure DEST_PATH_RE-DEST_PATH_IMAGE017
为
Figure DEST_PATH_RE-899326DEST_PATH_IMAGE001
的零根差集。 
定义5 设区间
Figure DEST_PATH_RE-DEST_PATH_IMAGE018
由数 (
Figure DEST_PATH_RE-DEST_PATH_IMAGE020
) 划分成个子区间
Figure DEST_PATH_RE-DEST_PATH_IMAGE022
，满足
Figure DEST_PATH_RE-DEST_PATH_IMAGE023
，的条件，对于每一个子区间用函数
Figure DEST_PATH_RE-DEST_PATH_IMAGE025
来表示该区间的特征值， 
           
Figure DEST_PATH_RE-DEST_PATH_IMAGE026
         (2)
则称
Figure DEST_PATH_RE-439897DEST_PATH_IMAGE025
为该区间的特征值函数。子区间
Figure DEST_PATH_RE-DEST_PATH_IMAGE027
在
Figure DEST_PATH_RE-113455DEST_PATH_IMAGE018
区间中位置称为区间序，用
Figure DEST_PATH_RE-DEST_PATH_IMAGE028
来表示。
定义6 由
Figure DEST_PATH_RE-843514DEST_PATH_IMAGE001
的零根差集
Figure DEST_PATH_RE-512393DEST_PATH_IMAGE017
在区间
Figure DEST_PATH_RE-505756DEST_PATH_IMAGE018
子区间上的特征值组成的向量
Figure DEST_PATH_RE-DEST_PATH_IMAGE029
，称为
Figure DEST_PATH_RE-915878DEST_PATH_IMAGE001
的零根差特征。 
为了研究特征量的物理意义，特做以下情况的分析。设
Figure DEST_PATH_RE-918469DEST_PATH_IMAGE001
的周期为
Figure DEST_PATH_RE-DEST_PATH_IMAGE030
，那么
Figure DEST_PATH_RE-973013DEST_PATH_IMAGE004
的根可以表示
Figure DEST_PATH_RE-DEST_PATH_IMAGE031
，则
Figure DEST_PATH_RE-DEST_PATH_IMAGE032
，那么，
Figure DEST_PATH_RE-543803DEST_PATH_IMAGE029
中有
Figure DEST_PATH_RE-DEST_PATH_IMAGE033
, , 
Figure DEST_PATH_RE-DEST_PATH_IMAGE035
,
Figure DEST_PATH_RE-DEST_PATH_IMAGE036
。 
定理1  若
Figure DEST_PATH_RE-316587DEST_PATH_IMAGE001
为单一频率的周期信号，其零根差特征集中只能有一个子区间上的特征值非0，其他的为0。 
推理1若
Figure DEST_PATH_RE-513082DEST_PATH_IMAGE001
为单一频率的周期信号，其零根差特征集的非0值对应的子区间序越小，
Figure DEST_PATH_RE-890973DEST_PATH_IMAGE001
对应的频率越高。 
推理2若其零根差特征集中有大于1个子区间上的特征值非0，那么一定不是单一频率信号。 
定义7 若子区间
Figure DEST_PATH_RE-486220DEST_PATH_IMAGE027
的范围为
Figure DEST_PATH_RE-DEST_PATH_IMAGE037
，那么，称为子区间
Figure DEST_PATH_RE-237138DEST_PATH_IMAGE027
对应的中心频率。 
定理2 若
Figure DEST_PATH_RE-469536DEST_PATH_IMAGE001
有两个非0的零根差特征，那么
Figure DEST_PATH_RE-241183DEST_PATH_IMAGE001
包含的信号频率大部分介于小区间序区间的中心频率和大区间序区间的中心频率之间。 
推理3若
Figure DEST_PATH_RE-722980DEST_PATH_IMAGE001
有多个非0的零根差特征，那么
Figure DEST_PATH_RE-605485DEST_PATH_IMAGE001
包含的信号频率大部分介于小区间序区间的中心频率和大区间序区间的中心频率之间。 
定理3 对于目标信号
Figure DEST_PATH_RE-957969DEST_PATH_IMAGE001
，其样本信号
Figure DEST_PATH_RE-556310DEST_PATH_IMAGE007
的特征值一定相同。 
推理4若信号
Figure DEST_PATH_RE-994244DEST_PATH_IMAGE007
与目标信号
Figure DEST_PATH_RE-149282DEST_PATH_IMAGE001
的特征值不同，那么
Figure DEST_PATH_RE-356273DEST_PATH_IMAGE007
一定不是
Figure DEST_PATH_RE-469722DEST_PATH_IMAGE001
的样本函数。 
因此，零根差特征部分反映了在某段时间内的频率特征。 
若在一段时间内，某信号表示为 
Figure DEST_PATH_RE-DEST_PATH_IMAGE040
         (3)
式中
Figure DEST_PATH_RE-DEST_PATH_IMAGE041
，其对应的零根差特征为
Figure DEST_PATH_RE-DEST_PATH_IMAGE042
，那么对于
Figure DEST_PATH_RE-806211DEST_PATH_IMAGE039
就由零根差特征矩阵
Figure DEST_PATH_RE-DEST_PATH_IMAGE043
Figure DEST_PATH_RE-DEST_PATH_IMAGE044
          (4)
Figure DEST_PATH_RE-539812DEST_PATH_IMAGE043
部分反映了信号
Figure DEST_PATH_RE-558584DEST_PATH_IMAGE039
在时间段
Figure DEST_PATH_RE-DEST_PATH_IMAGE045
内的频谱特征，称为类频谱特征矩阵。
推理5 对于目标信号
Figure DEST_PATH_RE-502269DEST_PATH_IMAGE001
，其样本信号
Figure DEST_PATH_RE-530268DEST_PATH_IMAGE039
的类频谱特征矩阵一定相同。 
识别判据 
定义8  若信号
Figure DEST_PATH_RE-711851DEST_PATH_IMAGE001
与信号
Figure DEST_PATH_RE-834614DEST_PATH_IMAGE007
根差特征值相同，那么在特定的情况下，存在一个固定的概率值
Figure DEST_PATH_RE-DEST_PATH_IMAGE046
，表征是
Figure DEST_PATH_RE-34968DEST_PATH_IMAGE001
样本信号的概率，那么
Figure DEST_PATH_RE-867795DEST_PATH_IMAGE046
称为样本信号概率。
若信号与信号
Figure DEST_PATH_RE-615488DEST_PATH_IMAGE039
在
Figure DEST_PATH_RE-391814DEST_PATH_IMAGE041
每一段上的根差特征值相同，样本信号概率分别是
Figure DEST_PATH_RE-DEST_PATH_IMAGE047
，那么
Figure DEST_PATH_RE-547989DEST_PATH_IMAGE039
是
Figure DEST_PATH_RE-345044DEST_PATH_IMAGE001
样本信号的概率为 
Figure DEST_PATH_RE-DEST_PATH_IMAGE048
             (5)
若
Figure DEST_PATH_RE-DEST_PATH_IMAGE049
足够大，且
Figure DEST_PATH_RE-DEST_PATH_IMAGE050
，那么
Figure DEST_PATH_RE-DEST_PATH_IMAGE051
接近1。
定义9  对于
Figure DEST_PATH_RE-140830DEST_PATH_IMAGE001
若存在一个分段数
Figure DEST_PATH_RE-48743DEST_PATH_IMAGE049
足够大的信号
Figure DEST_PATH_RE-590583DEST_PATH_IMAGE039
，有相同的类频谱特征矩阵
Figure DEST_PATH_RE-558539DEST_PATH_IMAGE043
，那么
Figure DEST_PATH_RE-654671DEST_PATH_IMAGE039
是
Figure DEST_PATH_RE-366275DEST_PATH_IMAGE001
的样本信号的概率
Figure DEST_PATH_RE-637988DEST_PATH_IMAGE051
接近1，则称类频谱特征矩阵
Figure DEST_PATH_RE-776845DEST_PATH_IMAGE043
为
Figure DEST_PATH_RE-360273DEST_PATH_IMAGE039
到
Figure DEST_PATH_RE-406726DEST_PATH_IMAGE001
的
Figure DEST_PATH_RE-126421DEST_PATH_IMAGE051
概率判据。   
在工程实际中，由于存在采样误差，放大电路温漂等影响直接使用判据会造成漏判，因此还需要对类频谱特征矩阵作归一化和容错处理。
对于
Figure DEST_PATH_RE-436179DEST_PATH_IMAGE029
，点乘为常数
Figure DEST_PATH_RE-DEST_PATH_IMAGE053
，使得
Figure DEST_PATH_RE-DEST_PATH_IMAGE054
，
Figure DEST_PATH_RE-DEST_PATH_IMAGE055
为常数，以减少放大电路温漂对识别的影响。那么若
Figure DEST_PATH_RE-DEST_PATH_IMAGE056
满足 
Figure DEST_PATH_RE-DEST_PATH_IMAGE057
       (6)
则认为信号
Figure DEST_PATH_RE-693854DEST_PATH_IMAGE007
为
Figure DEST_PATH_RE-153785DEST_PATH_IMAGE001
的样本信号。式中
Figure DEST_PATH_RE-DEST_PATH_IMAGE058
为负容错矩阵和
Figure DEST_PATH_RE-DEST_PATH_IMAGE059
为正容错矩阵，分别表示为。
Figure DEST_PATH_RE-DEST_PATH_IMAGE060
， 
Figure DEST_PATH_RE-DEST_PATH_IMAGE061
       (7)
Figure DEST_PATH_RE-DEST_PATH_IMAGE062
，
Figure DEST_PATH_RE-DEST_PATH_IMAGE063
      (8)
算法设计
对于
Figure DEST_PATH_RE-524724DEST_PATH_IMAGE001
，若采样的频率为，算法处理
Figure DEST_PATH_RE-661176DEST_PATH_IMAGE049
段连续的时间信号，每段的时间长度均为，每段的采样点数为，那么算法的在线处理流程为：
STEP 1:新数据
Figure DEST_PATH_RE-DEST_PATH_IMAGE067
是否为过零点数据，满足以下任意条件,
                   (1)
Figure DEST_PATH_RE-DEST_PATH_IMAGE068
且
Figure DEST_PATH_RE-DEST_PATH_IMAGE069
                   (2)且
Figure DEST_PATH_RE-DEST_PATH_IMAGE071
                    (3)且
Figure DEST_PATH_RE-DEST_PATH_IMAGE073
如果不满足则结束，等待下一个数据.
STEP 2:计算与上一个过零点时间的根差
Figure DEST_PATH_RE-688038DEST_PATH_IMAGE015
。
使用
Figure DEST_PATH_RE-279556DEST_PATH_IMAGE025
函数，计算零根差特征，并记入根差值特征矩阵
Figure DEST_PATH_RE-973843DEST_PATH_IMAGE056
STEP 4:判断
Figure DEST_PATH_RE-DEST_PATH_IMAGE074
，如果是则
Figure DEST_PATH_RE-DEST_PATH_IMAGE075
=0，准备计算下一段。
判断
Figure DEST_PATH_RE-DEST_PATH_IMAGE076
，如果是则把新生成的
Figure DEST_PATH_RE-77934DEST_PATH_IMAGE056
与目标信号的根差值特征矩阵
Figure DEST_PATH_RE-DEST_PATH_IMAGE077
按照识别判据判断，输出结果. 等待下一个识别周期。 
对于新的采样数据首先判断是否是过零点，如果是则计算零根差，并且更新根差值特征矩阵。如果处理完段连续的时间信号，则利用容错矩阵来判断所得的根差值特征矩阵与目标信号的根差值特征矩阵的范围，最后判定是否为目标信号。 
附图说明
   图1本发明方法应用的实物图； 
   图2是本方法分析的报警声音的图谱；
   图3是本方法分析的破玻声音的图谱。
具体实施方式
在8位CPU系统应用传统的算法对于8K的采样频率是无法实时在线处理的，因此本文应用有序零根差算法设计了特种声音在线识别装置，实物图如图1所示。单片机采用51系列的STC12C5616AD。通过驻极体电容式传声器把变成点参数，通过音频电路放大器把信号变为0~5V的电压信号，STC12C5616AD自带12位AD，变成数字信号。STC12C5616AD使用11.0592M晶振，采样频率8K，8位采样精度。 
在本算法中，首先建立目标信号的
Figure DEST_PATH_RE-827398DEST_PATH_IMAGE051
概率判据
Figure DEST_PATH_RE-94431DEST_PATH_IMAGE077
。利用采集数据做出类频谱图。 
从图2中可以看出报警声音的频率特征值主要表现在
Figure DEST_PATH_RE-618003DEST_PATH_IMAGE081
和
Figure DEST_PATH_RE-DEST_PATH_IMAGE082
，
Figure DEST_PATH_RE-611366DEST_PATH_IMAGE081
的数据范围在100-140，
Figure DEST_PATH_RE-896854DEST_PATH_IMAGE082
的数据范围在10-40，其他都为0。从图3中可以看出玻璃破碎的声音主要表现在、
Figure DEST_PATH_RE-157251DEST_PATH_IMAGE082
和
Figure DEST_PATH_RE-993620DEST_PATH_IMAGE083
。从而建立目标特征矩阵。使用C51编写识别程序。编写占用内部RAM 94.2字节外部RAM共63字节，程序大小2704字节。采样后零根差特征值的计算时间为92us，满足实现8K采样频率的实时处理要求，归一化类频谱特征矩阵计算和判断的时间为4.9ms满足音频信号监控要求。

Claims (4)

1.一种声音信号的特征快速提取方法，其特征是：对声音信号过零值进行相邻做差，对相邻差值进行分类，以各类相邻差值的数量为该段声音的特征。
2.根据权利要求1所述的声音信号过零点相邻差值,其特征是声音信号当前过零点时间，减去前一个过零点时间的值。
3.根据权利要求1所述的过零点相邻差值分类，其特征是按照几种典型危险情况声音的频率划分过零点的分类区间。
4.根据权利要求1所述的声音特征，其特征是一段时间内不同区间的过零相邻差值的数量组成的特征向量。
CN201210058279XA 2012-03-07 2012-03-07 一种用于楼宇安防的异常声音快速检方法 Pending CN103310787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210058279XA CN103310787A (zh) 2012-03-07 2012-03-07 一种用于楼宇安防的异常声音快速检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210058279XA CN103310787A (zh) 2012-03-07 2012-03-07 一种用于楼宇安防的异常声音快速检方法

Publications (1)

Publication Number Publication Date
CN103310787A true CN103310787A (zh) 2013-09-18

Family

ID=49135930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210058279XA Pending CN103310787A (zh) 2012-03-07 2012-03-07 一种用于楼宇安防的异常声音快速检方法

Country Status (1)

Country Link
CN (1) CN103310787A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251861A (zh) * 2016-08-05 2016-12-21 重庆大学 一种基于场景建模的公共场所异常声音检测方法
CN111276158A (zh) * 2020-01-22 2020-06-12 嘉兴学院 一种基于语谱图纹理特征的音频场景识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1716380A (zh) * 2005-07-26 2006-01-04 浙江大学 基于决策树和说话人改变检测的音频分割方法
WO2009155569A1 (en) * 2008-06-20 2009-12-23 Qualcomm Incorporated Coding of transitional speech frames for low-bit-rate applications
CN101740038A (zh) * 2008-11-04 2010-06-16 索尼株式会社 声音处理装置、声音处理方法及程序
US20110246205A1 (en) * 2010-04-02 2011-10-06 Freescale Semiconductor , Inc Method for detecting audio signal transient and time-scale modification based on same
CN102222500A (zh) * 2011-05-11 2011-10-19 北京航空航天大学 结合情感点的汉语语音情感提取及建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1716380A (zh) * 2005-07-26 2006-01-04 浙江大学 基于决策树和说话人改变检测的音频分割方法
WO2009155569A1 (en) * 2008-06-20 2009-12-23 Qualcomm Incorporated Coding of transitional speech frames for low-bit-rate applications
CN101740038A (zh) * 2008-11-04 2010-06-16 索尼株式会社 声音处理装置、声音处理方法及程序
US20110246205A1 (en) * 2010-04-02 2011-10-06 Freescale Semiconductor , Inc Method for detecting audio signal transient and time-scale modification based on same
CN102222500A (zh) * 2011-05-11 2011-10-19 北京航空航天大学 结合情感点的汉语语音情感提取及建模方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251861A (zh) * 2016-08-05 2016-12-21 重庆大学 一种基于场景建模的公共场所异常声音检测方法
CN106251861B (zh) * 2016-08-05 2019-04-23 重庆大学 一种基于场景建模的公共场所异常声音检测方法
CN111276158A (zh) * 2020-01-22 2020-06-12 嘉兴学院 一种基于语谱图纹理特征的音频场景识别方法

Similar Documents

Publication Publication Date Title
CN105022835B (zh) 一种群智感知大数据公共安全识别方法及系统
CN109299683B (zh) 一种基于人脸识别和行为大数据的安防评估系统
Carletti et al. Audio surveillance using a bag of aural words classifier
CN106846803B (zh) 基于音频的交通事件检测装置及方法
CN101494049B (zh) 一种用于音频监控系统中的音频特征参数的提取方法
CN110570880B (zh) 一种鼾声信号识别方法
CN110287552B (zh) 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN103295584B (zh) 音声数据检测装置、音声监控系统及其方法
CN103310200B (zh) 人脸识别方法
CN105261152B (zh) 基于聚类分析的空中交通管制员疲劳检测方法、装置和系统
EP2907121B1 (en) Real-time traffic detection
CN109190950B (zh) 一种电表和水表档案贯通的用能异常识别方法
WO2021051608A1 (zh) 一种基于深度学习的声纹识别方法、装置及设备
CN109300483A (zh) 一种智能化音频异音检测方法
CN110827432B (zh) 一种基于人脸识别的课堂考勤方法及系统
CN109993044A (zh) 电信诈骗识别系统、方法、装置、电子设备及存储介质
CN109447199A (zh) 一种基于脚步信息的多模态罪犯识别方法及系统
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN105138886A (zh) 机器人生物体征识别系统
Zhao et al. Event classification for living environment surveillance using audio sensor networks
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测系统
CN103310787A (zh) 一种用于楼宇安防的异常声音快速检方法
CN113947796A (zh) 一种基于身份识别的人体温度趋势检测方法及装置
CN103177264A (zh) 基于视觉词典全局拓扑表达的图像分类方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130918