CN109101884B - 一种脉冲阵列预测方法 - Google Patents
一种脉冲阵列预测方法 Download PDFInfo
- Publication number
- CN109101884B CN109101884B CN201810750230.8A CN201810750230A CN109101884B CN 109101884 B CN109101884 B CN 109101884B CN 201810750230 A CN201810750230 A CN 201810750230A CN 109101884 B CN109101884 B CN 109101884B
- Authority
- CN
- China
- Prior art keywords
- pulse
- pulse sequence
- current
- positions
- time
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种脉冲阵列的预测方法,包括如下步骤:对检测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;当信号累积强度值超过发放阈值时,输出一个脉冲信号;将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列;针对所述脉冲阵列,分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他位置、时刻或时间段的脉冲序列来预测当前位置、时刻或时间段的脉冲序列。该方法可用于脉冲数据编码与运动分析,是仿生视网膜传感器应用在计算机视觉分析的重要技术支撑,具有良好的应用前景。
Description
技术领域
本发明涉及信息处理技术领域,特别涉及一种脉冲阵列预测方法。
背景技术
基于传统图像传感器的机器视觉算法,在智能安防、智能交通等许多领域得到了广泛应用。然而传统的图像传感器由于其自身的设计理念,已经越来越不能满足于当前的视觉任务需求。这些传感器通常以帧为单位,按照预设的固定频率对场景进行完整采样。这种基于固定帧率的采样,不能反映场景的动态变化,容易对当前场景过采样或欠采样,导致视频数据冗余大、时域分辨率低、高速运动下易模糊等问题。与此相比,脉冲阵列信号传感器采取了一种更为高效的采样方式,通过模拟生物视网膜的多层神经网络结构,能够根据场景变化做自适应地视觉采样,具有低数据冗余、低功耗、高鲁棒性、高时间分辨率等优势。因此,脉冲阵列信号传感器及其采集的脉冲阵列信号在机器视觉,特别是智能监控、运动分析、自动驾驶等,具有广阔的前景。
脉冲是一种类似生物神经元之间信息传递的时空信号,脉冲的获取方法包括:采集监测区域中各局部空间位置的时空信号,并对时空信号按照时间进行累积,得到信号强度值;通过滤波器对信号累积强度值进行变换,在变换结果超过特定阈值时输出脉冲信号;将局部空间位置对应的脉冲信号按照时间先后排列成二值序列,得到表达局部空间位置信号及其变化过程的脉冲序列;将所有局部空间位置的脉冲序列按照空间位置相互关系排列成脉冲序列阵列,作为对监测区域的动态时空信号的表达。
脉冲阵列信号在存储和传输应用中存在压缩的需求,在脉冲阵列信号中,不论是出于信号保真还是视觉分析的目的,每个脉冲对应的重要性不同,某些脉冲携带了场景的动态变化信息,而某些脉冲可能仅仅由于传感器噪声所致,因此对重要性各异的脉冲引入针对性的失真,可以极大提升压缩效率。
发明内容
本发明探索一种针对脉冲阵列的预测方法,主要用于脉冲阵列的编码、分析、存储、传输等领域,是仿生视网膜传感器应用在计算机视觉分析的重要技术支撑,具有良好的应用前景。
本发明的目的是通过以下技术方案实现的。
一种脉冲阵列预测方法,包括如下步骤:
对检测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;
当信号累积强度值超过发放阈值时,输出一个脉冲信号;
将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列,每个时刻的脉冲发放情况构成该时刻的脉冲平面;
针对所述脉冲阵列,分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他位置、时刻或时间段的脉冲序列来预测当前位置、时刻或时间段的脉冲序列。
优选地,上述技术方案中,利用其他位置、时刻或时间段的脉冲序列来预测当前位置、时刻或时间段的脉冲序列采用如下任意一种方法实现:
1)通过相邻位置的脉冲序列来预测当前位置的脉冲序列;
2)通过前序脉冲序列来预测当前脉冲序列;
3)通过后续脉冲序列来预测当前脉冲序列;
4)通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列;
5)通过其他时刻的脉冲平面预测当前时刻的脉冲平面。
优选地,上述技术方案中,所述通过相邻位置的脉冲序列来预测当前位置的脉冲序列中,所选取的空间邻域包括以当前位置为中心的多边形区域、圆、椭圆或不规则区域。
优选地,上述技术方案中,所述通过前序脉冲序列来预测当前脉冲序列中,所选取的前序脉冲序列包括当前位置的前序脉冲序列、相邻位置的前序脉冲序列。
优选地,上述技术方案中,所述通过前序脉冲序列来预测当前脉冲序列中,所选取的时间段为当前脉冲序列起始时刻之前以任意历史时刻为起点的时间段。
优选地,上述技术方案中,所述通过后序脉冲序列来预测当前脉冲序列中,所选取的后序脉冲序列包括当前位置的后序脉冲序列、相邻位置的后序脉冲序列。
优选地,上述技术方案中,所述通过后序脉冲序列来预测当前脉冲序列中,所选取的时间段为当前脉冲序列起始时刻之后以任意历史时刻为起点的时间段。
优选地,上述技术方案中,所述通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列中,包括时间优先和地址优先的预测模式:
1)时间优先:将当前一系列位置的脉冲序列按照时间排列,与其他一系列位置的脉冲进行比较,选择时间相近的脉冲来预测当前脉冲;
2)地址优先:将当前一系列位置的脉冲序列和其他一系列位置的脉冲序列分别在空间地址平面上投影,统计每个位置上脉冲的个数,用对应位置的脉冲个数来预测当前位置的脉冲个数。
优选地,上述技术方案中,所述通过其他时刻的脉冲平面预测当前时刻的脉冲平面中,所选取的脉冲平面包括当前时刻的前序或后序时刻的脉冲平面。
优选地,上述技术方案中,将预测结果与当前脉冲序列之间进行相似性度量,作为选用预测结果的决策依据,所述相似性度量包括脉冲发放率比较、高斯核函数方法、汉明距离求和中的至少之一。
本发明通过对监测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;一旦信号累积强度值超过发放阈值,输出一个脉冲信号;将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列,每个时刻的脉冲发放情况构成该时刻的脉冲平面;针对脉冲阵列,通过分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他脉冲序列或脉冲平面来预测当前脉冲序列或脉冲平面。
本发明的优点在于:针对所述脉冲阵列,分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他脉冲序列来预测当前脉冲序列,由此可将其用于脉冲数据编码与运动分析,是仿生视网膜传感器应用在计算机视觉分析的重要技术支撑,具有良好的应用前景。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1示出了本发明的脉冲阵列预测方法的流程图。
附图2示出了本发明实施例一所述的脉冲阵列预测方法示意图。
附图3示出了本发明实施例二所述的脉冲阵列预测方法示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
脉冲阵列信号是由脉冲序列信号按照空间位置相互关系排列而成;所述脉冲序列信号是由脉冲信号按照发放时间先后排列成序列而成。所述脉冲信号是所述脉冲阵列信号的基本组成单元,其由两个维度的信息刻画:时空维度与特征维度。所述脉冲信号的时空维度由空间位置与发放时刻组成。所述空间位置表达了所述脉冲信号的发放空间坐标,包括但不限于平面二维坐标、立体三维坐标等。所述发放时刻表达了所述脉冲信号的准确发放时间。所述特征维度表达了所述脉冲信号在其时空维度下的场景光线强度的信息特性,其表达方式包括但不限于光线强度绝对值、光线强度相对变化值以及光线强度视觉特征等。
脉冲的获取方法包括:采集监测区域中各局部空间位置的时空信号,并对时空信号按照时间进行累积,得到信号强度值;通过滤波器对信号累积强度值进行变换,在变换结果超过特定阈值时输出脉冲信号;将局部空间位置对应的脉冲信号按照时间先后排列成二值序列,得到表达局部空间位置信号及其变化过程的脉冲序列;将所有局部空间位置的脉冲序列按照空间位置相互关系排列成脉冲序列阵列,作为对监测区域的动态时空信号的表达。
附图1所示为本发明的脉冲阵列预测方法的流程图。如图所示,提出一种脉冲阵列的预测方法,包括:对检测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;当信号累积强度值超过发放阈值,输出一个脉冲信号;将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列,每个时刻的脉冲发放情况构成该时刻的脉冲平面;针对所述脉冲阵列,分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他脉冲序列来预测当前脉冲序列。
具体地,利用其他脉冲序列来预测当前脉冲序列具体包括:
1)通过相邻位置的脉冲序列来预测当前位置的脉冲序列;
2)通过前序脉冲序列来预测当前脉冲序列;
3)通过后续脉冲序列来预测当前脉冲序列;
4)通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列;
5)通过其他时刻的脉冲平面预测当前时刻的脉冲平面。
其中,通过相邻位置的脉冲序列来预测当前位置的脉冲序列,所选取的空间邻域包括但不限于以当前位置为中心的多边形区域、圆、椭圆或不规则区域。
通过前序脉冲序列来预测当前脉冲序列,所选取的前序脉冲序列包括但不限于当前位置的前序脉冲序列、相邻位置的前序脉冲序列。所选取的时间段为当前脉冲序列起始时刻之前以任意历史时刻为起点的时间段。
通过后续脉冲序列来预测当前脉冲序列,所选取的后序脉冲序列包括但不限于当前位置的后序脉冲序列、相邻位置的后序脉冲序列。所选取的时间段为当前脉冲序列起始时刻之后以任意历史时刻为起点的时间段。
通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列,包括但不限于时间优先和地址优先的预测模式:
1)时间优先:将当前一系列位置的脉冲序列按照时间排列,与其他一系列位置的脉冲进行比较,选择时间相近的脉冲来预测当前脉冲;
2)地址优先:将当前一系列位置的脉冲序列和其他一系列位置的脉冲序列分别在空间地址平面上投影,统计每个位置上脉冲的个数,用对应位置的脉冲个数来预测当前位置的脉冲个数。
其中按照时间排列包括但不限于按照时间先后顺序、时间倒序等进行排列。
通过其他时刻的脉冲平面预测当前时刻的脉冲平面,所选取的脉冲平面包括但不限于当前时刻的前序或后序时刻的脉冲平面。
下面通过具体的实施例对其中的部分预测方法进行示例说明。
实施例一
该实施例具体通过相邻位置的脉冲序列来预测当前位置的脉冲序列。
首先对监测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;一旦信号累积强度值超过发放阈值,输出一个脉冲信号;将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列。
上述过程如附图2所示,在x、y、t组成的三维坐标系中,A、B、C三个位置各有一个脉冲序列,分别记为SA={a1,a2,…,am},SB={b1,b2,…,bn}和SC={c1,c2,…,ck}。
在该实施例中,通过相邻位置的脉冲序列来预测当前脉冲序列,对于附图2中的B位置的脉冲序列,使用A和C的脉冲序列来预测相邻位置B的脉冲序列,则有:
SB=wA·SA+wC·SC
其中wA和wC为权重系数。
由此通过与B位置相邻的A和C位置的脉冲序列预测B位置的脉冲序列。
实施例二
附图3描述了本发明中提出的另一种实施方案,该实施例通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列。如附图3所示,利用其他一系列位置的脉冲序列(即图中左上坐标为(10,10,200)的脉冲立方体)来预测当前一系列位置的脉冲序列(即图中左上坐标为(10,10,400)的脉冲立方体),通过对所有脉冲做空间xy平面上的投影,可统计得到每个位置上的脉冲个数,利用前者预测后者,得到预测残差。
对于通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列,将所得到的多个预测结果之间进行加权运算成为最终的预测结果。其中,脉冲距离包括但不限于:欧几里得距离、曼哈顿距离等。
得到脉冲阵列预测结果后,将预测结果与当前脉冲序列之间进行相似性度量,作为选用预测结果的决策依据。
不同脉冲序列之间的相似性度量包括但不限于脉冲发放率比较、高斯核函数方法、汉明距离求和法等。
以上是对本发明所提供的一种脉冲阵列的预测方法进行详细介绍,本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种脉冲阵列的预测方法,其特征在于,包括如下步骤:
对检测区域内的各个空间位置的信号进行采集,同时对每个空间位置的信号进行累积,得到信号累积强度值;
当信号累积强度值超过发放阈值时,输出一个脉冲信号;
将每个空间位置对应的脉冲信号按照时间先后排列成二值序列,所有空间位置对应的二值序列构成脉冲阵列;
针对所述脉冲阵列,分析不同位置、不同时间段的脉冲序列之间的相似性,利用其他位置、时刻或时间段的脉冲序列来预测当前位置、时刻或时间段的脉冲序列;
其中,所述利用其他位置、时刻或时间段的脉冲序列来预测当前位置、时刻或时间段的脉冲序列采用如下任意一种方法实现:
1)通过相邻位置的脉冲序列来预测当前位置的脉冲序列;
2)通过前序脉冲序列来预测当前脉冲序列;
3)通过后续脉冲序列来预测当前脉冲序列;
4)通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列;
5)通过其他时刻的脉冲平面预测当前时刻的脉冲平面。
2.如权利要求1所述的预测方法,其特征在于:所述通过相邻位置的脉冲序列来预测当前位置的脉冲序列中,所选取的空间邻域包括以当前位置为中心的多边形区域、圆、椭圆或不规则区域。
3.如权利要求1所述的预测方法,其特征在于:所述通过前序脉冲序列来预测当前脉冲序列中,所选取的前序脉冲序列包括当前位置的前序脉冲序列、相邻位置的前序脉冲序列。
4.如权利要求1所述的预测方法,其特征在于:所述通过前序脉冲序列来预测当前脉冲序列中,所选取的时间段为当前脉冲序列起始时刻之前以任意历史时刻为起点的时间段。
5.如权利要求1所述的预测方法,其特征在于:所述通过后序脉冲序列来预测当前脉冲序列中,所选取的后序脉冲序列包括当前位置的后序脉冲序列、相邻位置的后序脉冲序列。
6.如权利要求1所述的预测方法,其特征在于:所述通过后序脉冲序列来预测当前脉冲序列中,所选取的时间段为当前脉冲序列起始时刻之后以任意历史时刻为起点的时间段。
7.如权利要求1所述的预测方法,其特征在于:所述通过其他一系列位置的脉冲序列来预测当前一系列位置的脉冲序列中,包括时间优先和地址优先的预测模式:
1)时间优先:将当前一系列位置的脉冲序列按照时间排列,与其他一系列位置的脉冲进行比较,选择时间相近的脉冲来预测当前脉冲;
2)地址优先:将当前一系列位置的脉冲序列和其他一系列位置的脉冲序列分别在空间地址平面上投影,统计每个位置上脉冲的个数,用对应位置的脉冲个数来预测当前位置的脉冲个数。
8.如权利要求1所述的预测方法,其特征在于:所述通过其他时刻的脉冲平面预测当前时刻的脉冲平面中,所选取的脉冲平面包括当前时刻的前序或后序时刻的脉冲平面。
9.如权利要求1所述的预测方法,其特征在于:将预测结果与当前脉冲序列之间进行相似性度量,作为选用预测结果的决策依据,其中,所述相似性度量包括脉冲发放率比较、高斯核函数方法、汉明距离求和中的至少之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750230.8A CN109101884B (zh) | 2018-07-10 | 2018-07-10 | 一种脉冲阵列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750230.8A CN109101884B (zh) | 2018-07-10 | 2018-07-10 | 一种脉冲阵列预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101884A CN109101884A (zh) | 2018-12-28 |
CN109101884B true CN109101884B (zh) | 2021-05-04 |
Family
ID=64846066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810750230.8A Active CN109101884B (zh) | 2018-07-10 | 2018-07-10 | 一种脉冲阵列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101884B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831672B (zh) * | 2019-01-09 | 2020-10-27 | 北京大学 | 一种时空脉冲阵列的运动估计方法、电子设备及存储介质 |
CN110430340B (zh) * | 2019-06-28 | 2020-08-25 | 北京大学 | 一种脉冲阵列信号的降噪方法与系统 |
CN111756352B (zh) * | 2020-05-18 | 2022-08-19 | 北京大学 | 脉冲阵列时域滤波方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4128664B2 (ja) * | 1998-08-19 | 2008-07-30 | 日本電信電話株式会社 | 時系列データ変換を用いたトラヒック予測方法及びその装置 |
DE102010034053A1 (de) * | 2010-08-11 | 2012-02-16 | Artemis Capital Asset Management Gmbh | Verfahren zur musterbasierten Vorhersage von Zeitreihen des Finanzmarktes und verwandter Bereiche |
RU2559709C2 (ru) * | 2011-02-16 | 2015-08-10 | Ниппон Телеграф Энд Телефон Корпорейшн | Способ кодирования, способ декодирования, кодер, декодер, программа и носитель записи |
CN103729528B (zh) * | 2012-10-15 | 2017-06-16 | 富士通株式会社 | 对序列进行处理的装置和方法 |
CN104053024B (zh) * | 2014-06-19 | 2017-02-01 | 华东师范大学 | 一种基于少量数据的短期视频点播量预测系统 |
CN105046321B (zh) * | 2015-06-25 | 2018-01-19 | 河海大学 | 一种基于相似性搜索的组合模型预测水位的方法 |
CN105681787B (zh) * | 2016-01-22 | 2019-01-18 | 北京大学 | 对时空信号进行编码的方法和装置 |
CN105913664B (zh) * | 2016-06-29 | 2018-06-12 | 广州浩瑞尔信息科技有限公司 | 一种交通流量监控预测系统 |
CN107896308B (zh) * | 2017-10-27 | 2020-08-18 | 天津大学 | 脉冲阵列式仿视网膜图像传感器 |
-
2018
- 2018-07-10 CN CN201810750230.8A patent/CN109101884B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109101884A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073933B (zh) | 一种目标检测方法及装置 | |
CN109101884B (zh) | 一种脉冲阵列预测方法 | |
CN108182670B (zh) | 一种事件图像的分辨率增强方法及系统 | |
CN104205169B (zh) | 基于异步光传感器估计光流的方法 | |
CN108734107B (zh) | 一种基于人脸的多目标跟踪方法及系统 | |
CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
CN111027398A (zh) | 行车记录仪视频遮挡检测方法 | |
CN113112521B (zh) | 一种基于脉冲阵列的运动检测方法 | |
CN109068024B (zh) | 一种对时空信号进行滤波的方法 | |
CN113396423A (zh) | 处理来自基于事件的传感器的信息的方法 | |
CN111583265A (zh) | 基于编解码器结构实现钓鱼行为检测处理的方法及相应的语义分割网络系统 | |
CN113011399B (zh) | 基于生成协同判别网络的视频异常事件检测方法及系统 | |
CN111626198A (zh) | 自动驾驶场景下基于Body Pix的行人运动检测方法 | |
Zeng et al. | Extended scale invariant local binary pattern for background subtraction | |
CN110111358B (zh) | 一种基于多层时序滤波的目标跟踪方法 | |
CN109241952B (zh) | 拥挤场景下人物计数方法及装置 | |
CN110753228A (zh) | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 | |
CN113743306A (zh) | 一种基于slowfast双帧速率的实时智能视频监控异常行为分析方法 | |
Fang et al. | An attention-based U-Net network for anomaly detection in crowded scenes | |
CN110430340B (zh) | 一种脉冲阵列信号的降噪方法与系统 | |
Yang et al. | Moving-object-aware anomaly detection in surveillance videos | |
CN114429597A (zh) | 基于神经网络的在石油化工行业的初期火灾智能识别系统 | |
Wzorek et al. | Pedestrian detection with high-resolution event camera | |
David et al. | Automatic background subtraction in a sparse representation framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220126 Address after: 100084 b501b-2, 5th floor, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing Patentee after: Pulse vision (Beijing) Technology Co.,Ltd. Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee before: Peking University |