CN111243237A - 溺水监测方法、设备、装置及存储介质 - Google Patents
溺水监测方法、设备、装置及存储介质 Download PDFInfo
- Publication number
- CN111243237A CN111243237A CN202010049555.0A CN202010049555A CN111243237A CN 111243237 A CN111243237 A CN 111243237A CN 202010049555 A CN202010049555 A CN 202010049555A CN 111243237 A CN111243237 A CN 111243237A
- Authority
- CN
- China
- Prior art keywords
- drowning
- multiple frames
- continuous
- echo signals
- sample image
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
- G08B21/084—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water by monitoring physical movement characteristics of the water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请涉及一种溺水监测方法、设备、装置及存储介质,所述方法包括:采集毫米波雷达的多帧连续回波信号;对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。本申请用以解决无法准确监测用户洗澡时的溺水问题。
Description
技术领域
本申请涉及智能设备领域,尤其涉及一种溺水监测方法、设备、装置及存储介质。
背景技术
随着社会的发展,工作强度的增加,人们的压力也越来越大。所以晚上下班回家后泡个热水澡不失为一个好的减压解乏方法。但是浴缸不仅是一个放松身体的地方,同时也是一个危险的地方,根据统计每年的溺水事故中有9.4%发生在浴缸中。而发生溺水的原因多是由于人们在洗澡时,涂满沐浴露或肥皂后全身湿滑,难以坐立,并且在惊慌的情况下,双手无法抓到有效的支撑物造成的溺水。尤其是对于婴幼儿,在没有家长看护或看护不周的情况下,更容易造成溺水。
目前市场上利用红外传感器、压力传感器和水位波动传感器通信等方法预防用户溺水。但是由于人洗澡时,在热水中可能导致红外监测不准确。另一方面,利用水位波动传感器监测时很可能由于人动作较大造成水位波动而触发传感器,从而引发误触的情况。
发明内容
本申请提供了一种溺水监测方法、设备、装置及存储介质,用以解决无法准确监测用户洗澡时的溺水问题。
第一方面,本申请提供了一种溺水监测方法,所述方法包括:
采集毫米波雷达的多帧连续回波信号;
对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;
将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;
根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
可选地,根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水,包括:
统计所述溺水识别结果为溺水的图像数量占所述多帧连续图像总数的比例,根据所述比例判断所述目标用户是否溺水。
可选地,根据所述比例判断所述目标用户是否溺水,包括:
当所述比例大于预设阈值时,判断所述目标用户溺水;
当所述比例不大于所述预设阈值时,判断所述目标用户非溺水。
可选地,对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像,包括:
对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的点云数据,其中,所述点云数据包括所述目标用户的距离、方位角和多普勒速度;
将所述多帧连续回波信号对应的点云数据进行聚类分析,获得所述多帧连续回波信号对应的多帧连续图像。
可选地,判断所述目标用户溺水之后,还包括:
播放报警语音,和/或,向预先配置的其他用户推送报警消息。
可选地,所述毫米波雷达需安装在能够监测到所述目标用户全身的位置。
第二方面,本申请提供了一种溺水监测设备,包括:毫米波雷达和处理器;
所述毫米波雷达采集多帧连续回波信号;
所述处理器用于对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
可选地,还包括:通信模块;
所述通信模块用于向预先配置的其他用户推送报警消息。
第三方面,本申请提供了一种溺水监测装置,包括:
采集模块,用于采集毫米波雷达的多帧连续回波信号;
第一获得模块,用于对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;
第二获得模块,用于将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;
判断模块,用于根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
第四方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述的溺水监测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过采集毫米波雷达的多帧连续回波信号,对该多帧连续信号进行处理,获得该多帧连续回波信号对应的图像的方式监测用户,防止了用户隐私的泄露。采用毫米波雷达相对于采用红外传感器不会因为水温温度较高而影响监测;另外,毫米波雷达相对于水位波动传感器也不会因为用户的动作幅度较大造成水位波动而出现误触的状况,所以采用毫米波雷达的方式更具准确性。进一步地,通过将获得的多帧连续图像输入到预设模型中,通过预设模型获得该多帧连续中每帧图像对应的溺水识别结果,并根据该溺水识别结果判断该用户是否溺水,实现了用户溺水的智能识别,提高了识别准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中溺水监测方法流程示意图;
图2为本申请实施例中溺水监测设备结构示意图;
图3为本申请实施例中溺水监测装置结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种溺水监测方法,该监测方法用于监测用户在浴缸洗浴时是否溺水。该监测方法可以应用于智能设备,例如,手机、电脑、平板等;另外,该监测方法也可以集成在硬件器件中。如图1所示,该方法的具体实现步骤如下:
步骤101,采集毫米波雷达的多帧连续回波信号。
一个具体实施例中,该毫米波雷达需安装在能够监测到目标用户全身的位置。在目标用户从洗澡开始到洗澡结束的整个过程中,通过毫米波雷达不断的发射信号,并不断采集多帧连续回波信号。
步骤102,对多帧连续回波信号进行处理,获得多帧连续回波信号对应的多帧连续图像。
一个具体实施例中,对采集的多帧连续回波信号进行处理,获得该多帧连续回波信号对应的点云数据,其中,该点云数据包括:目标用户的距离、方位角和多普勒速度。进一步地,将该点云数据进行聚类分析,获得该多帧连续回波信号对应的多帧连续图像。
步骤103,将多帧连续图像输入预设模型中,获得多帧连续图像中每帧图像各自对应的溺水识别结果,其中,预设模型为采用预设样本图像集合进行训练得到,预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像。
一个具体实施实施例中,该预设模型可以是卷积神经网络模型(ConvolutionalNeural Networks,简称CNN),通过深度学习大量的溺水样本和非溺水样本得到。通过将多帧连续图像输入CNN模型中,该CNN模型通过学习输入的多帧连续图像,得到每帧图像各自对应的溺水识别结果。
步骤104,根据每帧图像各自对应的溺水识别结果,判断目标用户是否溺水。
一个具体实施例中,统计CNN模型学习后得到的溺水识别结果为溺水的图片数量,并计算该识别结果为溺水的图片数量占多帧连续图像总数量的比例。当该比例大于预设阈值时,判断目标用户为溺水,此时,播放报警语音,和/或向预先配置的其他用户推送报警消息,例如,短信推送、电话求助推送等。当该比例不大于预设阈值时,判断目标用户为非溺水,该毫米波雷达继续监测。
具体地,通过以下例子来说明每帧图像的溺水判断过程:
以xt-1,xt,xt+1三帧图像为例,假设判定溺水的阈值为0.5。将三帧的毫米波雷达信号形成的图像输入CNN模型进行学习,如果xt-1判断结果为溺水、xt判断结果为非溺水、xt+1判断结果为非溺水,计算该识别结果为溺水的图片数量占多帧连续图像总数量的比例为1/3=0.3。其中,0.3不大于0.6,所以判定为非溺水。当然,溺水的阈值和一次输入多少帧连续图像用户可以根据自身情况和爱好进行调整。进一步地,当判定结果为非溺水后,以此类推,顺延至xt,xt+1,xt+2三帧信号进行判定。
本申请实施例提供的该方法,通过采集毫米波雷达的多帧连续回波信号,对该多帧连续信号进行处理,获得该多帧连续回波信号对应的图像的方式监测用户,防止了用户隐私的泄露。采用毫米波雷达相对于采用红外传感器不会因为水温温度较高而影响监测;另外,毫米波雷达相对于水位波动传感器也不会因为用户的动作幅度较大造成水位波动而出现误触的状况,所以采用毫米波雷达的方式更具准确性。进一步地,通过将获得的多帧连续图像输入到预设模型中,通过预设模型获得该多帧连续中每帧图像对应的溺水识别结果,并根据该溺水识别结果判断该用户是否溺水,实现了用户溺水的智能识别,提高了识别准确率。另外,用户可以根据自身情况和爱好调整预设阈值,方便了用户根据自身需要判断是否报警,更符合用户的实际需要。
基于同一构思,本申请实施例中提供了一种溺水监测设备,如图2所示,该电子设备主要包括:毫米波雷达201和处理器202。其中,毫米波雷达201用于采集多帧连续回波信号,处理器202用于对多帧连续回波信号进行处理,获得多帧连续回波信号对应的多帧连续图像;将多帧连续图像输入预设模型中,获得多帧连续图像中每帧图像各自对应的溺水识别结果,其中,预设模型为采用预设样本图像集合进行训练得到,预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;根据每帧图像各自对应的溺水识别结果,判断目标用户是否溺水。
一个具体实施例中,该溺水监测设备还包括:通信模块,用于向预先配置的其他用户推送报警消息,例如,短信推送、电话求助推送等。其中,该毫米波雷达201和处理器202可以集成在一个硬件设备上,该溺水监测设备可以安装在浴缸上或者浴室的任意位置,但是安装位置必须以能够监测到目标用户全身为准。当然,该毫米波雷达201和处理器202也可以分别集成在不同的硬件设备上,处理器202可以安装在任意位置,毫米波雷达201以能够监测到目标用户全身的安装位置为准。另外,该通信模块可以与毫米波雷达201和处理器202一块集成在一个硬件设备上,也可以与毫米波雷达201和处理器202分别集成在不同的硬件设备上。
其中,上述的处理器202可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于同一构思,本申请实施例中还提供了一种溺水监测装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图3所示,该装置主要包括:
采集模块301,用于采集毫米波雷达的多帧连续回波信号;
第一获得模块302,用于对多帧连续回波信号进行处理,获得多帧连续回波信号对应的多帧连续图像;
第二获得模块303,用于将多帧连续图像输入预设模型中,获得多帧连续图像中每帧图像各自对应的溺水识别结果,其中,预设模型为采用预设样本图像集合进行训练得到,预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;
判断模块304,用于根据每帧图像各自对应的溺水识别结果,判断目标用户是否溺水。
具体地,第一获得模块302用于:对多帧连续回波信号进行处理,获得多帧连续回波信号对应的点云数据,其中,点云数据包括所述目标用户的距离、方位角和多普勒速度。将多帧连续回波信号对应的点云数据进行聚类分析,获得多帧连续回波信号对应的多帧连续图像。
具体地,判断模块304用于:统计溺水识别结果为溺水的图像数量占多帧连续图像总数的比例,根据比例判断所述目标用户是否溺水。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的溺水监测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种溺水监测方法,其特征在于,所述方法包括:
采集毫米波雷达的多帧连续回波信号;
对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;
将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;
根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
2.根据权利要求1所述的溺水监测方法,其特征在于,根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水,包括:
统计所述溺水识别结果为溺水的图像数量占所述多帧连续图像总数的比例,根据所述比例判断所述目标用户是否溺水。
3.根据权利要求2所述的溺水监测方法,其特征在于,根据所述比例判断所述目标用户是否溺水,包括:
当所述比例大于预设阈值时,判断所述目标用户溺水;
当所述比例不大于所述预设阈值时,判断所述目标用户非溺水。
4.根据权利要求3所述的溺水监测方法,其特征在于,对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像,包括:
对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的点云数据,其中,所述点云数据包括所述目标用户的距离、方位角和多普勒速度;
将所述多帧连续回波信号对应的点云数据进行聚类分析,获得所述多帧连续回波信号对应的多帧连续图像。
5.根据权利要求3-4任一项所述的溺水监测方法,其特征在于,判断所述目标用户溺水之后,还包括:
播放报警语音,和/或,向预先配置的其他用户推送报警消息。
6.根据权利要求5所述的溺水监测方法,其特征在于,所述毫米波雷达需安装在能够监测到所述目标用户全身的位置。
7.一种溺水监测设备,其特征在于,包括:毫米波雷达和处理器;
所述毫米波雷达采集多帧连续回波信号;
所述处理器用于对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
8.根据权利要求7所述的溺水监测设备,其特征在于,还包括:通信模块;
所述通信模块用于向预先配置的其他用户推送报警消息。
9.一种溺水监测装置,其特征在于,包括:
采集模块,用于采集毫米波雷达的多帧连续回波信号;
第一获得模块,用于对所述多帧连续回波信号进行处理,获得所述多帧连续回波信号对应的多帧连续图像;
第二获得模块,用于将所述多帧连续图像输入预设模型中,获得所述多帧连续图像中每帧图像各自对应的溺水识别结果,其中,所述预设模型为采用预设样本图像集合进行训练得到,所述预设样本图像集合中包括标记为溺水的样本图像和标记为非溺水的样本图像;
判断模块,用于根据所述每帧图像各自对应的溺水识别结果,判断所述目标用户是否溺水。
10.一种计算机可读存储介质,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权利要求1-6任一项所述的溺水监测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049555.0A CN111243237A (zh) | 2020-01-16 | 2020-01-16 | 溺水监测方法、设备、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049555.0A CN111243237A (zh) | 2020-01-16 | 2020-01-16 | 溺水监测方法、设备、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111243237A true CN111243237A (zh) | 2020-06-05 |
Family
ID=70877207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010049555.0A Pending CN111243237A (zh) | 2020-01-16 | 2020-01-16 | 溺水监测方法、设备、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243237A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780145A (zh) * | 2021-09-06 | 2021-12-10 | 苏州贝康智能制造有限公司 | 精子形态检测方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2897947A1 (fr) * | 1992-04-24 | 2007-08-31 | Thomson Csf | Procede de detection de cibles lentes noyees dans un fouillis de sol |
CN103217676A (zh) * | 2013-05-06 | 2013-07-24 | 西安电子科技大学 | 基于双谱去噪的噪声背景下雷达目标识别方法 |
CN103413114A (zh) * | 2013-05-17 | 2013-11-27 | 浙江大学 | 一种基于支持向量机的溺水行为检测方法 |
CN104316914A (zh) * | 2014-11-03 | 2015-01-28 | 西安电子科技大学 | 依赖形状参数的雷达目标自适应检测方法 |
CN105093219A (zh) * | 2015-07-13 | 2015-11-25 | 芜湖航飞科技股份有限公司 | 一种连续波雷达穿墙探测系统 |
CN108519623A (zh) * | 2018-04-13 | 2018-09-11 | 北博(厦门)智能科技有限公司 | 基于毫米波雷达的异物探测系统 |
CN108663686A (zh) * | 2018-04-17 | 2018-10-16 | 中国计量大学 | 一种基于激光雷达的游泳池溺水监控装置及方法 |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
CN110261867A (zh) * | 2018-03-12 | 2019-09-20 | 松下知识产权经营株式会社 | 跟踪装置和跟踪方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110414396A (zh) * | 2019-07-19 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于深度学习的无人艇感知融合算法 |
-
2020
- 2020-01-16 CN CN202010049555.0A patent/CN111243237A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2897947A1 (fr) * | 1992-04-24 | 2007-08-31 | Thomson Csf | Procede de detection de cibles lentes noyees dans un fouillis de sol |
CN103217676A (zh) * | 2013-05-06 | 2013-07-24 | 西安电子科技大学 | 基于双谱去噪的噪声背景下雷达目标识别方法 |
CN103413114A (zh) * | 2013-05-17 | 2013-11-27 | 浙江大学 | 一种基于支持向量机的溺水行为检测方法 |
CN104316914A (zh) * | 2014-11-03 | 2015-01-28 | 西安电子科技大学 | 依赖形状参数的雷达目标自适应检测方法 |
CN105093219A (zh) * | 2015-07-13 | 2015-11-25 | 芜湖航飞科技股份有限公司 | 一种连续波雷达穿墙探测系统 |
CN110261867A (zh) * | 2018-03-12 | 2019-09-20 | 松下知识产权经营株式会社 | 跟踪装置和跟踪方法 |
CN108519623A (zh) * | 2018-04-13 | 2018-09-11 | 北博(厦门)智能科技有限公司 | 基于毫米波雷达的异物探测系统 |
CN108663686A (zh) * | 2018-04-17 | 2018-10-16 | 中国计量大学 | 一种基于激光雷达的游泳池溺水监控装置及方法 |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110414396A (zh) * | 2019-07-19 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于深度学习的无人艇感知融合算法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780145A (zh) * | 2021-09-06 | 2021-12-10 | 苏州贝康智能制造有限公司 | 精子形态检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheffena | Fall detection using smartphone audio features | |
EP3806089A1 (en) | Mixed speech recognition method and apparatus, and computer readable storage medium | |
Su et al. | Doppler radar fall activity detection using the wavelet transform | |
US10152877B2 (en) | Systems and methods for adaptive detection of audio alarms | |
WO2016053530A1 (en) | Providing an indication of the suitability of speech recognition | |
US9128111B2 (en) | Monitoring velocity and dwell trends from wireless sensor | |
WO2020210773A1 (en) | Emergency event detection and response system | |
CN111243237A (zh) | 溺水监测方法、设备、装置及存储介质 | |
US20180040222A1 (en) | Activity monitor | |
Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
US20180064373A1 (en) | Detecting falls and near falls by ultrasound | |
CN111685731B (zh) | 睡眠数据处理方法、装置、设备及存储介质 | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及系统 | |
Castellana et al. | Cepstral Peak Prominence Smoothed distribution as discriminator of vocal health in sustained vowel | |
Zieger et al. | Acoustic based surveillance system for intrusion detection | |
Matsuguma et al. | Bathroom accident detection with 79GHz-band millimeter wave sensor | |
CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
CN113671489B (zh) | 状态提醒方法及装置、电子设备和计算机可读存储介质 | |
Kashima et al. | Bathroom movements monitoring UWB sensor with feature extraction algorithm | |
CN110101398A (zh) | 一种检测情绪的方法和系统 | |
CN111214236A (zh) | 监护方法、装置、设备及存储介质 | |
Kalantarian et al. | A smartwatch-based system for audio-based monitoring of dietary habits | |
Algobail et al. | Energy-efficient scheme for target recognition and localization in wireless acoustic sensor networks | |
CN118011387A (zh) | 跌倒检测方法、装置、热水器及计算机存储介质 | |
Vuegen | Contactless acoustic based indoor monitoring systems: a study on different acoustic models and learning strategies |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |