CN106529596A - 一种基于可穿戴设备的室内、室外场景识别方法 - Google Patents
一种基于可穿戴设备的室内、室外场景识别方法 Download PDFInfo
- Publication number
- CN106529596A CN106529596A CN201610997259.7A CN201610997259A CN106529596A CN 106529596 A CN106529596 A CN 106529596A CN 201610997259 A CN201610997259 A CN 201610997259A CN 106529596 A CN106529596 A CN 106529596A
- Authority
- CN
- China
- Prior art keywords
- environment information
- indoor
- point
- outdoor
- time series
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于可穿戴设备的室内、室外场景识别方法,包含以下步骤:S1、对室外自动站点测量的第一环境信息数据及可穿戴设备采集的第二环境信息数据进行时序数据融合处理,得到多维环境信息时间序列;S2、对多维环境信息时间序列进行环境时间序列滤波处理,得到场景变化的边界点;S3、对每个维度的环境信息分别执行步骤S1和步骤S2,得到多维边界点集合;S4、根据多维边界点集合,对可穿戴设备采集的第二环境信息数据进行室内外相似性检测,得到第二环境信息数据的位置场景信息。本发明简单有效,在无需人工标记的前提下,运用较小的算法复杂度识别可穿戴设备环境测量的场景信息,为基于场景应用提供重要信息。
Description
技术领域
本发明涉及一种无监督的室内、室外场景识别方法,具体涉及一种通过融合不同来源的环境信息数据,在无人工标记数据的情况下探测出数据源场景信息的方法。
背景技术
场景信息的挖掘能够为上层的应用提供重要的环境信息。例如在通信过程中,设备需要在良好的环境中工作。设备的故障率和环境有着密切的关系。然而,设备站内与站外、线路整体区域和局部区域的环境有所差异,精准定位差异意味着知道环境的信息越准确,有利于提高运维的效率。现有技术中的环境测量方法是通过固定站测得,这种固定站体积大、成本高、对部署地的要求较高。因此,固定环境测量站点的部署数量有限,局部地区数据缺失,提供信息不足。
场景信息是上层应用的基础,只有对场景信息进行区分才能更好的使得基于场景信息的应用发挥其价值。在实际的生活环境中,人们对温度、湿度、光照强度等较为敏感。人们获取环境信息的来源主要通过权威部门发布的天气信息。这种信息体现的是某个较大区域的环境信息,然而由于其缺少局部的数据,使得它对于局部的信息其无法作精准的预测。
现有技术中对环境数据的区分主要有三种。第一种,通过对特定区域的历史环境在室内或者室外进行测量,指标主要包括光线强度、基站信号强度、磁场强度。由于室内外光线强度、基站信号强度和磁场强度(室内的家用电器较多,室内磁场感应较强)不同,通过检测这三种信号的强度,当信号超出某个阈值则认为是在室内。例如,在正常日照情况下室内光照强度大于室外光照强度,室内磁场强度高于室外磁场强度,而基站信号较弱。通过找出室内、室外这三种信号的强度边界以此作为室内、室外场景的边界。当新的测量点没有落在室内的边界内,则认为数据采集点的磁场强度为室外,反之为室内。这种方法的扩展性有限,当测量的位置和环境发生变化,则传感器边界将需要通过实验重新界定。第二种方法是通过半监督的机器学习的方法,直接对数据进行室内、室外场景的分类。该方法首先对数据进行聚类,然后采用人工方法对少量的数据进行标注,最后采用贝叶斯分类和决策树分类对数据进行场景区分。该方法在建模的过程中,对参数较为敏感,当环境发生剧烈变化,模型的精度将受到影响。因此,在环境恶劣多变的环境中该方法有其局限性。另外,一种通过GPS信号、室内的温、湿度以及Web天气信息等来判断室内、室外场景。当设备,如手机等,探测不到GPS信号则认为其可能在室内,反之则认为其在室外。然后,通过直接对比室内和室外的温、湿度与环境的差异,当这种差异超过传感器的误差,则认为是数据点在室内,反之则认为数据点在室外。该方法主要采用规则的方法,严重依赖传感器的测量误差,利用室内、室外环境的差异是否超出该测量范围进行场景的分类。该方法对传感器的测量误差较为敏感。在实际的应用过程中需要对每批传感器的误差范围进行参数记录,单一的应用实际的判断有所差别,不利于规模化部署。
发明内容
本发明的目的在于提供一种基于可穿戴设备的室内、室外场景识别方法,简单有效,在无需人工标记的前提下,运用较小的算法复杂度识别可穿戴设备环境测量的场景信息,为基于场景应用提供重要信息。
为了达到上述目的,本发明通过以下技术方案实现:一种基于可穿戴设备的室内、室外场景识别方法,其特点是,包含以下步骤:
S1、对室外自动站点测量的第一环境信息数据及可穿戴设备采集的第二环境信息数据进行时序数据融合处理,得到多维环境信息时间序列;
S2、对多维环境信息时间序列进行环境时间序列滤波处理,得到场景变化的边界点;
S3、对每个维度的环境信息分别执行步骤S1和步骤S2,得到多维边界点集合;
S4、根据多维边界点集合,对可穿戴设备采集的第二环境信息数据进行室内外相似性检测,得到第二环境信息数据的位置场景信息。
所述的步骤S1包含:
对室外自动站点测量的第一环境信息数据和可穿戴设备的采集的第二环境信息数据进行序列化处理,得到第一环境信息时间序列和第二环境信息时间序列,并且第一环境信息时间序列和第二环境信息时间序列具有相同时间标签;
将第一环境信息时间序列与第二环境信息时间序列相减取绝对值,得到融合后的多维环境信息时间序列。
所述的步骤S2包含:
差分化处理:对多维环境信息时间序列求其二阶差分,从而得到多维差分时间序列;
平滑加权处理:利用宽度为L的滑动窗对多维差分时间序列求取方差得到方差序列;
加权高通滤波:对方差序列作指数加权并赋予系数k,然后求取均值,将该均值作为方差序列的滤波阈值,超出滤波阈值的点认为原始的时间序列变化剧烈,将这些点作为边界检测的输入点。
所述的步骤S3包含:
对于每个维度的时间序列,进行时间序列的滤波处理;
经滤波处理后的时间序列看作边界点的集合,如果有m维的时间序列,则每个时间序列的边界点均可构成一个边界点的集合。
所述的维度m由测量环境的指标、时间信息和测量点的地理位置信息决定。
所述的步骤S3还包含:对每个维度相同时间点的集合,如果某个时间点对应的所有维度的数据均与之维度对应的边界点集合中,那么该点被认为是边界点,对于连续出现的边界点,取该连续序列段的第一个点。
所述的步骤S4中,进行室内外相似性检测之前还包含:对时序数据进行分段,根据检查的边界点对时序的数列进行分段,每一段中具有相同的环境场景信息。
所述的步骤S4中,进行室内外相似性检测的步骤中包含:对于被切分长度为n的第二环境信息时间序列和第一环境信息时间序列之间的距离由两者每个点之间绝对值的平均决定。
所述的步骤S4中,进行室内外相似性检测的步骤中还包含:第二环境信息时间序列与第一环境信息时间序列的相似标准由所有未分段的第二环境信息时间序列和第一环境信息时间序列之间的距离的期望决定。
所述的步骤S4中,进行室内外相似性检测的步骤中还包含:当分段的第二环境信息时间序列和第一环境信息时间序列之间的距离小于该期望则表明两者相似,该时段的第二环境信息数据是在室外采集;反之,则在室内采集。
本发明一种基于可穿戴设备的室内、室外场景识别方法与现有技术相比具有以下优点:通过对可穿戴设备传感器数据流进行处理,对采集的数据点的场景进行区分;通过提取可穿戴设备数据在室内、室外场景切换的特征,对可穿戴设备数据流进行分段处理以减少计算量,接着将分段后的数据与室外环境数据比对,提取出于室外环境;相对于现有技术的方法,可穿戴设备体积小、成本低,能实时将数据采集到云端进行分析,利于大规模数据采集和实时信息反馈,在对信息分析过程中需要对场景进行区分,这样才能将不同场景下的环境信息更精确地展示出来;通过数据融合的方式,避免人工对数据进行标记分类;该识别方法简单易操作,容易实施;通过对数据进行分段处理,使得计算量减少同时又能保证准确率。
附图说明
图1为本发明一种基于可穿戴设备的室内、室外场景识别方法的流程图;
图2A及图2B为步骤一中,时序数据的融合处理的示意图;
图3A及图3B为步骤二中,环境时间序列滤波处理的示意图;
图4为步骤三中,多维度时序数列边界点检测的示意图;
图5为步骤四中,室内外相似性检测的示意图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
由于室内空间密闭性较好,且室内电器较多,室内环境受电器等室内设备等因素的影响,内部环境变化相比室外更为明显。而室外空间开阔,在较短的时间内,其局部地区的环境变化较小。这种变化的趋势通过探测室内、室外环境指标在场景切换时的变化而获取。通过分析历史的环境信息,获取场景切换时变化的边界,从而对室内、室外场景进行识别。在实际的操作过程中,测量指标均带有时间标记,将带标记的测量指标进行归一化处理,得到时间序列。通过分析时间序列在场景发生变化的剧烈程度判读是否有场景的切换,从而找出所有的场景切换的边界点。边界点将时间序列分割成不同的场景片段,将这些场景片段与外部的环境信息进行对比,找出两者的相似性。通过两者的相似性识别信息片段的场景。
本发明对室内、室外场景具有一定的假定,包括:室内场景相对室外场景在空间上更为密闭、室外场景在较短时间内在局部地区的环境稳定、传感器能够真实测量到环境信息。通过对可穿戴设备获取的数据与外部环境数据源进行相似度的匹配,从而获取室内室外的环境信息。在本方法中我们指定带连续时间标签的可穿戴设备的数据为时序数列。例如,ti时刻时的温度为则时间序列可以表示为其中i=1,2,...n,n为时序数列的长度。
采用可穿戴设备可以弥补缺少局部数据的不足,但可穿戴设备由于其移动性引入了不同的环境信息,这不利于局部地区数据的获取。如果不对场景信息加以区分,其可能带来错误环境的预估,这将运维的工作产生不利的影响。例如,对某个维护站内的温度高达45度,严重影响某设备的使用,而室外的温度为为20摄氏度左右。如果不对场景区分,盲目的融合,将外部的环境中和了出故障的局部地区的环境,从未使得负责人员未能对事故进行排查。在这一方面,场景的区分保证了数据的较高质量,从而使得分析结果更为准确。
如图1所示,一种基于可穿戴设备的室内、室外场景识别方法,其特征在于,包含以下步骤:
S1、对室外自动站点测量的第一环境信息数据(一般由权威机构发布)及可穿戴设备采集的第二环境信息数据进行时序数据融合处理,得到多维环境信息时间序列。
对室外自动站点测量的第一环境信息数据和可穿戴设备的采集的第二环境信息数据进行序列化处理,得到第一环境信息时间序列和第二环境信息时间序列,并且第一环境信息时间序列和第二环境信息时间序列具有相同时间标签(第一环境信息时间序列和第二环境信息时间序列按照时间点对齐);
将第一环境信息时间序列与第二环境信息时间序列相减取绝对值(这样,原来的两个不同的第一环境信息数据、第二环境信息数据被转化为差值化的时间序列),得到融合后的多维环境信息时间序列。
S2、对多维环境信息时间序列进行环境时间序列滤波处理,得到场景变化的边界点。
差分化处理:对多维环境信息时间序列求其二阶差分,从而得到多维差分时间序列,二阶差分序列反映了原始数据的波动状况,根据波动的剧烈程度计算原始序列在室内、室外场景切换时的分界点;
平滑加权处理:利用宽度为L的滑动窗对多维差分时间序列求取方差得到方差序列,其中L根据实际情况设定;
加权高通滤波:对方差序列作指数加权并赋予系数k,然后求取均值,将该均值作为方差序列的滤波阈值,超出滤波阈值的点认为原始的时间序列变化剧烈,将这些点作为边界检测的输入点。
S3、对每个维度的环境信息分别执行步骤S1和步骤S2,得到多维边界点集合(每个维度的边界点集合中均带有时间信息)。
对于每个维度的时间序列,进行时间序列的滤波处理;
经滤波处理后的时间序列看作边界点的集合,如果有m维的时间序列,则每个时间序列的边界点均可构成一个边界点的集合;其中,所述的维度m由测量环境的指标、时间信息和测量点的地理位置信息决定。
对每个维度相同时间点的集合,如果某个时间点对应的所有维度的数据均与之维度对应的边界点集合中,那么该点被认为是边界点,对于连续出现的边界点,取该连续序列段的第一个点。
S4、根据多维边界点集合,对可穿戴设备采集的第二环境信息数据进行室内外相似性检测,得到第二环境信息数据的位置场景信息。
进行室内外相似性检测之前还包含:对时序数据进行分段,根据检查的边界点对时序的数列进行分段,每一段中具有相同的环境场景信息。
进行室内外相似性检测的步骤中包含:
对于被切分长度为n的第二环境信息时间序列和第一环境信息时间序列之间的距离由两者每个点之间绝对值的平均决定;
第二环境信息时间序列与第一环境信息时间序列的相似标准由所有未分段的第二环境信息时间序列和第一环境信息时间序列之间的距离的期望决定。
当分段的第二环境信息时间序列和第一环境信息时间序列之间的距离小于该期望则表明两者相似,该时段的第二环境信息数据是在室外采集;反之,则在室内采集。
具体应用:
步骤一、如图2A及图2B中所示,将带有时间标签的传感器温度数据和室外温度数据作序列化处理,并将序列化的数据按照时间点对齐,得到如图2A所示。计算每个时间点传感器数据和室外环境的数据差值,将其转化为绝对值差值化的时间序列,如图2B所示。
步骤二、如图3A及3B所示,对步骤一中得到的差值化数据中的每个点求二阶差分,得到图3A中的差分序列。接着对差分序列作滑动平均处理。此处用于平滑处理的窗口宽度为300秒。同时,利用指数函数的性质,对平滑后的序列作指数加权处理,得到图3B中加权序列。在本实施例中取全局加权指数的平均值最为边界点取值。由图3B可知,边界点集中在横轴1937至1979之间。
步骤三、如图4所示,对其他维度的数据作同样如步骤一和步骤2的处理,得到多维的边界点的集合。如果对于某个时间点的在每个维度上均在边界点集合中,则可确定该点为区分传感器序列的边界点。对于时间上连续的边界点,取第一个边界点为最终的边界点。在本试试例中,取横坐标值为1937的时间点作为边界点。
步骤四、根据步骤三所获取的边界点,将传感器数值时间序列分割成若干段。求每段传感器时间序列与室外环境的结合距离。当几何距离小于某个数值时,则认为该序列与外部的环境具有相同场景信息。在本实施例中,根据该方法得到的室内、室外场景的识别如图5所示,右侧的部分为室外环境信息。
通过数据融合的方式,避免人工对数据进行标记分类;该识别方法简单易操作,容易实施;通过对数据进行分段处理,使得计算量减少同时又能保证准确率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于可穿戴设备的室内、室外场景识别方法,其特征在于,包含以下步骤:
S1、对室外自动站点测量的第一环境信息数据及可穿戴设备采集的第二环境信息数据进行时序数据融合处理,得到多维环境信息时间序列;
S2、对多维环境信息时间序列进行环境时间序列滤波处理,得到场景变化的边界点;
S3、对每个维度的环境信息分别执行步骤S1和步骤S2,得到多维边界点集合;
S4、根据多维边界点集合,对可穿戴设备采集的第二环境信息数据进行室内外相似性检测,得到第二环境信息数据的位置场景信息。
2.如权利要求1所述的室内、室外场景识别方法,其特征在于,所述的步骤S1包含:
对室外自动站点测量的第一环境信息数据和可穿戴设备的采集的第二环境信息数据进行序列化处理,得到第一环境信息时间序列和第二环境信息时间序列,并且第一环境信息时间序列和第二环境信息时间序列具有相同时间标签;
将第一环境信息时间序列与第二环境信息时间序列相减取绝对值,得到融合后的多维环境信息时间序列。
3.如权利要求1所述的室内、室外场景识别方法,其特征在于,所述的步骤S2包含:
差分化处理:对多维环境信息时间序列求其二阶差分,从而得到多维差分时间序列;
平滑加权处理:利用宽度为L的滑动窗对多维差分时间序列求取方差得到方差序列;
加权高通滤波:对方差序列作指数加权并赋予系数k,然后求取均值,将该均值作为方差序列的滤波阈值,超出滤波阈值的点认为原始的时间序列变化剧烈,将这些点作为边界检测的输入点。
4.如权利要求1所述的室内、室外场景识别方法,其特征在于,所述的步骤S3包含:
对于每个维度的时间序列,进行时间序列的滤波处理;
经滤波处理后的时间序列看作边界点的集合,如果有m维的时间序列,则每个时间序列的边界点均可构成一个边界点的集合。
5.如权利要求4所述的室内、室外场景识别方法,其特征在于,所述的维度m由测量环境的指标、时间信息和测量点的地理位置信息决定。
6.如权利要求4所述的室内、室外场景识别方法,其特征在于,所述的步骤S3还包含:对每个维度相同时间点的集合,如果某个时间点对应的所有维度的数据均与之维度对应的边界点集合中,那么该点被认为是边界点,对于连续出现的边界点,取该连续序列段的第一个点。
7.如权利要求2所述的室内、室外场景识别方法,其特征在于,所述的步骤S4中,进行室内外相似性检测之前还包含:对时序数据进行分段,根据检查的边界点对时序的数列进行分段,每一段中具有相同的环境场景信息。
8.如权利要求7所述的室内、室外场景识别方法,其特征在于,所述的步骤S4中,进行室内外相似性检测的步骤中包含:对于被切分长度为n的第二环境信息时间序列和第一环境信息时间序列之间的距离由两者每个点之间绝对值的平均决定。
9.如权利要求7所述的室内、室外场景识别方法,其特征在于,所述的步骤S4中,进行室内外相似性检测的步骤中还包含:第二环境信息时间序列与第一环境信息时间序列的相似标准由所有未分段的第二环境信息时间序列和第一环境信息时间序列之间的距离的期望决定。
10.如权利要求7所述的室内、室外场景识别方法,其特征在于,所述的步骤S4中,进行室内外相似性检测的步骤中还包含:当分段的第二环境信息时间序列和第一环境信息时间序列之间的距离小于该期望则表明两者相似,该时段的第二环境信息数据是在室外采集;反之,则在室内采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997259.7A CN106529596B (zh) | 2016-11-11 | 2016-11-11 | 一种基于可穿戴设备的室内、室外场景识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997259.7A CN106529596B (zh) | 2016-11-11 | 2016-11-11 | 一种基于可穿戴设备的室内、室外场景识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529596A true CN106529596A (zh) | 2017-03-22 |
CN106529596B CN106529596B (zh) | 2019-09-06 |
Family
ID=58351250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610997259.7A Active CN106529596B (zh) | 2016-11-11 | 2016-11-11 | 一种基于可穿戴设备的室内、室外场景识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529596B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034177A (zh) * | 2018-05-24 | 2018-12-18 | 东南大学 | 一种移动智能终端室内外识别方法 |
CN109871641A (zh) * | 2019-03-07 | 2019-06-11 | 浙江工业大学 | 一种基于多维传感信息时间序列的室内外场景识别的方法 |
CN110472644A (zh) * | 2018-05-09 | 2019-11-19 | 北京智慧图科技有限责任公司 | 一种室内外及建筑物的判断方法 |
CN110954922A (zh) * | 2018-09-27 | 2020-04-03 | 千寻位置网络有限公司 | Gnss动态路测的场景自动识别方法及装置 |
CN112099368A (zh) * | 2020-09-25 | 2020-12-18 | 歌尔科技有限公司 | 一种电器设备控制方法、系统及可穿戴设备 |
CN112285755A (zh) * | 2020-11-04 | 2021-01-29 | 桂林慧谷人工智能产业技术研究院 | 一种寻失无缝定位系统及定位方法 |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
CN113824461A (zh) * | 2021-08-04 | 2021-12-21 | 惠州Tcl云创科技有限公司 | 一种基于智能手表的定位方法、系统及移动终端 |
CN114241749A (zh) * | 2021-11-26 | 2022-03-25 | 深圳市戴升智能科技有限公司 | 一种基于时间序列的视频信标数据关联方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197672A (zh) * | 2012-01-05 | 2013-07-10 | 苏州宝时得电动工具有限公司 | 边界信号识别方法及其边界系统 |
WO2015026874A1 (en) * | 2013-08-19 | 2015-02-26 | Nant Holdings Ip, Llc | Metric based recognition, systems and methods |
CN104457751A (zh) * | 2014-11-19 | 2015-03-25 | 中国科学院计算技术研究所 | 室内外场景识别方法及系统 |
CN105138923A (zh) * | 2015-08-11 | 2015-12-09 | 苏州大学 | 一种保护隐私的时间序列相似度计算方法 |
EP3029600A1 (en) * | 2014-12-01 | 2016-06-08 | Axis AB | Thermal image object detection |
-
2016
- 2016-11-11 CN CN201610997259.7A patent/CN106529596B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197672A (zh) * | 2012-01-05 | 2013-07-10 | 苏州宝时得电动工具有限公司 | 边界信号识别方法及其边界系统 |
WO2015026874A1 (en) * | 2013-08-19 | 2015-02-26 | Nant Holdings Ip, Llc | Metric based recognition, systems and methods |
CN104457751A (zh) * | 2014-11-19 | 2015-03-25 | 中国科学院计算技术研究所 | 室内外场景识别方法及系统 |
EP3029600A1 (en) * | 2014-12-01 | 2016-06-08 | Axis AB | Thermal image object detection |
CN105138923A (zh) * | 2015-08-11 | 2015-12-09 | 苏州大学 | 一种保护隐私的时间序列相似度计算方法 |
Non-Patent Citations (4)
Title |
---|
MO LI 等: "IODetector: A Generic Service for Indoor/Outdoor Detection", 《12 PROCEEDINGS OF THE 10TH ACM CONFERENCE ON EMBEDDED NETWORK SENSOR SYSTEMS》 * |
SVIATOSLAV EDELEV 等: "Knowledge-Assisted Location-Adaptive Technique for Indoor-Outdoor Detection in E-Learning", 《2015 IEEE INTERNATIONAL CONFERENCE ON PERVASIVE COMPUTING AND COMMUNICATION WORKSHOPS》 * |
张军: "基于时间序列相似性的数据挖掘方法研究", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》 * |
詹艳艳 等: "基于斜率提取边缘点的时间序列分段线性表示方法", 《计算机科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472644A (zh) * | 2018-05-09 | 2019-11-19 | 北京智慧图科技有限责任公司 | 一种室内外及建筑物的判断方法 |
CN109034177A (zh) * | 2018-05-24 | 2018-12-18 | 东南大学 | 一种移动智能终端室内外识别方法 |
CN109034177B (zh) * | 2018-05-24 | 2022-07-29 | 东南大学 | 一种移动智能终端室内外识别方法 |
CN110954922A (zh) * | 2018-09-27 | 2020-04-03 | 千寻位置网络有限公司 | Gnss动态路测的场景自动识别方法及装置 |
CN110954922B (zh) * | 2018-09-27 | 2021-08-24 | 千寻位置网络有限公司 | Gnss动态路测的场景自动识别方法及装置 |
CN109871641A (zh) * | 2019-03-07 | 2019-06-11 | 浙江工业大学 | 一种基于多维传感信息时间序列的室内外场景识别的方法 |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
CN112099368A (zh) * | 2020-09-25 | 2020-12-18 | 歌尔科技有限公司 | 一种电器设备控制方法、系统及可穿戴设备 |
CN112285755A (zh) * | 2020-11-04 | 2021-01-29 | 桂林慧谷人工智能产业技术研究院 | 一种寻失无缝定位系统及定位方法 |
CN113824461A (zh) * | 2021-08-04 | 2021-12-21 | 惠州Tcl云创科技有限公司 | 一种基于智能手表的定位方法、系统及移动终端 |
CN114241749A (zh) * | 2021-11-26 | 2022-03-25 | 深圳市戴升智能科技有限公司 | 一种基于时间序列的视频信标数据关联方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106529596B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529596A (zh) | 一种基于可穿戴设备的室内、室外场景识别方法 | |
CN108871332A (zh) | 一种基于XGBoost的RFID室内定位系统及方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN109977813A (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN110059556A (zh) | 一种基于深度学习的变电站开关分合状态检测方法 | |
CN109785361A (zh) | 基于cnn与mog的变电站异物入侵检测系统 | |
CN107241696B (zh) | 基于信道状态信息的多径效应辨别方法和距离估计方法 | |
CN108154159A (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
CN106952289A (zh) | 结合深度视频分析的WiFi目标定位方法 | |
CN109805936B (zh) | 基于地面振动信号的人体摔倒检测系统 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN112733711A (zh) | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 | |
Shi et al. | A method to detect earthquake-collapsed buildings from high-resolution satellite images | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
Sridharan et al. | Inferring micro-activities using wearable sensing for ADL recognition of home-care patients | |
Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data | |
CN109697453A (zh) | 基于多模融合的半监督场景分类识别方法、系统及装置 | |
Xie et al. | A deep-learning-based fusion approach for global cyclone detection using multiple remote sensing data | |
JP5318664B2 (ja) | 対象物検知装置 | |
CN107643544B (zh) | 一种自动检测金属的方法 | |
CN109472223A (zh) | 一种人脸识别方法和装置 | |
CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 | |
CN115810161A (zh) | 一种变电站火灾识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |