CN111523513A - 通过大数据筛选进行人员入户安全验证的工作方法 - Google Patents
通过大数据筛选进行人员入户安全验证的工作方法 Download PDFInfo
- Publication number
- CN111523513A CN111523513A CN202010387076.XA CN202010387076A CN111523513A CN 111523513 A CN111523513 A CN 111523513A CN 202010387076 A CN202010387076 A CN 202010387076A CN 111523513 A CN111523513 A CN 111523513A
- Authority
- CN
- China
- Prior art keywords
- image
- moving
- user
- frame
- floor
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000001035 drying Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000001815 facial effect Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000036760 body temperature Effects 0.000 description 90
- 230000006399 behavior Effects 0.000 description 34
- 238000012549 training Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Elevator Control (AREA)
Abstract
本发明提出了一种通过大数据筛选进行人员入户安全验证的工作方法，包括：S1，在入户小区范围内采集图像数据，分别归类为移动图像数据和面部图像数据；S2，对移动图像和面部图像进行筛选去燥，提取出去燥后的移动特征帧图像和面部特征帧图像；S3，设置图像筛选条件，通过半监督最大值优化方法的设置条件，对图像进行输出。提高人员安全认证的精度，降低误判率，实现大数据图像环境下的图像过滤效果。
Description
技术领域
本发明涉及大数据挖掘领域，尤其涉及一种通过大数据筛选进行人员入户安全验证的工作方法。
背景技术
现实生活中人们在入户小区地下车库进出，但是由于人员或者车辆进入视频采集设备时，无法判断是否是本小区的人员或者车辆时，安全巡查人员又无法进行有效的监督，这就带来了安全性风险，而且现有技术中采用的视频图像采集需要监控室工作人员人工检测，费时费力，这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过大数据筛选进行人员入户安全验证的工作方法。
为了实现本发明的上述目的，本发明提供了一种通过大数据筛选进行人员入户安全验证的工作方法，包括如下步骤：
S1，在入户小区范围内采集图像数据，分别归类为移动图像数据和面部图像数据；
S2，对移动图像和面部图像进行筛选去燥，提取出去燥后的移动特征帧图像和面部特征帧图像；
S3，设置图像筛选条件，通过半监督最大值优化方法的设置条件，对图像进行输出。
优选的，所述S1包括：
对移动图像和面部图像进行筛选和去燥处理，在相似性判断中，基于灰度变换的特征因子，进行特征提取，精确捕捉图像的特征，为提高相似性判断结果的准确性，对用户图像进行收集，全部图像p＝{p(i,j)|i∈M,j∈N}，i为用户移动图像集M中的移动特征帧图像，j为用户面部图像集N中的面部特征帧图像，形成图像特征集合p(i,j)，其中面部特征帧变化为一定尺寸的搜索窗内的所有像素；
通过灰度变换提取公式分别对移动图像和面部图像进行提取
其中，
式中，h为图像噪声调节参数，用于控制图像噪声的衰减程度，决定图像噪声滤波程度；μ为图像校正参数，h(i)是移动特征帧图像i的特征函数，h(j)是面部特征帧图像j的特征函数，移动图像获取速度判断阈值Ki和捕捉移动图像判断阈值Li的取值取决于图像帧的像素值，m为移动特征帧图像采集值，面部图像获取速度判断阈值Oj和捕捉面部图像判断阈值Pj的取值取决于图像帧的像素值，n为移动特征帧图像采集值，
为移动特征帧预测模型，通过获取移动特征帧视觉角度θi的随机分量
与
之积进行移动图像参数校正，其中bi为移动特征帧的权重，
为面部特征帧预测模型，通过获取面部特征帧视觉角度θj的随机分量
与
之积进行面部图像参数校正，其中bj为移动特征帧的权重，其中α为图像动态变化分量，Bi为获取移动图像的权重，Bj为获取移动图像的权重，Ci为移动特征帧每一时间点的噪声，Cj为面部特征帧每一时间点的噪声，Ci和Cj取值范围[-1,1]，值越大，表示去噪后图像失真越小。
代表卷积运算。
优选的，所述S2包括：
经过降噪处理之后的移动特征帧图像和面部特征帧图像提取之后，进行图像筛选操作，设置筛选中间值均值
同时计算折中输出值：
上述两个筛选中间值均值和这种输出值的条件都是用于筛选过程使用，其中则一使用也能够输出结果，只是筛选精度会降低，
Pi,j是移动特征帧和面部特征帧的筛选图像值，其中，E是移动特征帧和面部特征帧姿态类别的数目，调节系数λ分别对移动特征帧视觉角度θi的移动特征帧姿态
和面部特征帧视觉角度θj的面部特征帧姿态
进行调节，D是得出的移动特征帧和面部特征帧的姿态分类函数，在Savg中，
是经过图像学习得到的移动特征帧姿态中心图像，对应的移动特征帧类别为wi，
是经过图像学习得到的面部特征帧姿态中心图像，对应的面部特征帧类别为wj，
和
的更新以i和j的递增而进行增量学习；
优选的，所述S3包括：
经过筛选之后，基于半监督的最大值优化方法，获取准确的移动特征帧或者面部特征帧，对面部检测中帽子、眼镜、鼻贴、口罩、耳环等遮挡或者影响识别判断的因素进行去燥，
其中，求解最大似然估计函数Umax，获取移动特征帧时长βi和面部特征帧时长βj计算隐藏变量F(βi|βj)的后验概率，在公式中，Savg的值是利用log计算移动特征帧图像类别Φi和面板特征帧图像类别Φj所占比率，进行图像获取最大值优化调整，形成期望最大化步骤，求解最大目标函数表达式的最大似然估计。正是利用了期望最大化算法对其进行优化。最终的优化求解的最终目标就是求解最大似然估计函数，利用距离度量学习得到移动特征帧时长βi和面部特征帧时长βj；因此在该步骤中重新估计得到的logΦi值和logΦj值，从而实时调整获取的图像质量并优化输出结果。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过特征数据采集设备对图像进行采集之后，经过特征数据提取，删选出移动图像和用户图像，分别对移动图像和用户面部图像进行去燥和提取，按照半监督优化方法能够完成对图像的筛选和结果输出，从而提高人员安全认证的精度，降低误判率，实现大数据图像环境下的图像过滤效果，提高人员和车辆的入户安全性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明所述的特征数据采集设备包括：指纹采集或者头像采集以及身高采集设备。
如图1所示，本发明公开一种智能电梯进行入户识别云端判断用户需求的工作方法，包括如下步骤：
S1，电梯设置特征数据采集设备进行用户图像收集，获取某一用户的多特征数据之后，对于该用户进入电梯口附近处通过特征数据采集设备进行判断；
S2，根据多特征数据筛选之后，电梯为用户推荐指定楼层数据。
所述S1包括：
S1-1，通过特征数据采集设备预测该用户的图像信息，当用户到达特征数据采集设备的识别区域后，根据预设的用户身份信息进行匹配操作；
获取用户的多特征数据包括：
通过特征数据采集设备获取用户面部数据，以及用户指纹数据，用户IC卡数据，或者用户的虹膜数据；
人员或者车辆进入小区监控系统后，在获取图像数据过程中，对移动图像或面部图像进行纹理判断，将用户面部图像进行收集之后，会存在无法判断用户面部图像或者面部图像不清晰等问题，这需要进行数据归类分析进行预判断；
首先，对移动图像和面部图像进行筛选和去燥处理，在相似性判断中，基于灰度变换的特征因子，进行特征提取，精确捕捉图像的特征，为提高相似性判断结果的准确性，对用户图像进行收集，全部图像p＝{p(i,j)|i∈M,j∈N}，i为用户移动图像集M中的移动特征帧图像，j为用户面部图像集N中的面部特征帧图像，形成图像特征集合p(i,j)，其中面部特征帧变化为一定尺寸的搜索窗内的所有像素；
通过灰度变换提取公式分别对移动图像和面部图像进行提取
其中，
式中，h为图像噪声调节参数，用于控制图像噪声的衰减程度，决定图像噪声滤波程度；μ为图像校正参数，h(i)是移动特征帧图像i的特征函数，h(j)是面部特征帧图像j的特征函数，移动图像获取速度判断阈值Ki和捕捉移动图像判断阈值Li的取值取决于图像帧的像素值，m为移动特征帧图像采集值，面部图像获取速度判断阈值Oj和捕捉面部图像判断阈值Pj的取值取决于图像帧的像素值，n为移动特征帧图像采集值，
为移动特征帧预测模型，通过获取移动特征帧视觉角度θi的随机分量
与
之积进行移动图像参数校正，其中bi为移动特征帧的权重，
为面部特征帧预测模型，通过获取面部特征帧视觉角度θj的随机分量
与
之积进行面部图像参数校正，其中bj为移动特征帧的权重，其中α为图像动态变化分量，Bi为获取移动图像的权重，Bj为获取移动图像的权重，Ci为移动特征帧每一时间点的噪声，Cj为面部特征帧每一时间点的噪声，Ci和Cj取值范围[-1,1]，值越大，表示去噪后图像失真越小。
代表卷积运算。
其次，经过降噪处理之后的移动特征帧图像和面部特征帧图像提取之后，进行图像筛选操作，设置筛选中间值均值
同时计算折中输出值：
上述两个筛选中间值均值和这种输出值的条件都是用于筛选过程使用，其中则一使用也能够输出结果，只是筛选精度会降低，
Pi,j是移动特征帧和面部特征帧的筛选图像值，其中，E是移动特征帧和面部特征帧姿态类别的数目，调节系数λ分别对移动特征帧视觉角度θi的移动特征帧姿态
和面部特征帧视觉角度θj的面部特征帧姿态
进行调节，D是得出的移动特征帧和面部特征帧的姿态分类函数，在Savg中，
是经过图像学习得到的移动特征帧姿态中心图像，对应的移动特征帧类别为wi，
是经过图像学习得到的面部特征帧姿态中心图像，对应的面部特征帧类别为wj，
和
的更新以i和j的递增而进行增量学习；
最后，经过筛选之后，基于半监督的最大值优化方法，获取准确的移动特征帧或者面部特征帧，对面部检测中帽子、眼镜、鼻贴、口罩、耳环等遮挡或者影响识别判断的因素进行去燥，
其中，求解最大似然估计函数Umax，获取移动特征帧时长βi和面部特征帧时长βj计算隐藏变量F(βi|βj)的后验概率，在公式中，Savg的值是利用log计算移动特征帧图像类别Φi和面板特征帧图像类别Φj所占比率，进行图像获取最大值优化调整，形成期望最大化步骤，求解最大目标函数表达式的最大似然估计。正是利用了期望最大化算法对其进行优化。最终的优化求解的最终目标就是求解最大似然估计函数，利用距离度量学习得到移动特征帧时长βi和面部特征帧时长βj；因此在该步骤中重新估计得到的logΦi值和logΦj值，从而实时调整获取的图像质量并优化输出结果。
S1-2，此时电梯根据不同楼层用户需求排队的优先级别将电梯停靠在最先发出请求的楼层，如果特征数据采集设备中用户身份信息匹配成功，从数据集中调用该用户的楼层选择历史数据，根据历史数据为用户直接选择到达楼层；
S1-3，如果特征数据采集设备中用户身份信息匹配失败，无法获取用户身份信息，则不执行电梯到达该用户的楼层的指令。
比如摄像头或者IC卡、指纹机等特征数据采集设备获取的用户身份信息之后，对用户进行信息收集，如果为新用户则不执行智能匹配行为，如果为数据库中存储的客户，则执行信息匹配操作。
其中面部图像获取过程中，对少年面部图像进行收集，形成少年图像集合，对中年面部图像进行收集，形成中年图像集合，对老年面部图像进行收集，形成老年图像集合，对于移动图像数据进行收集，形成车辆数据集合，从面部图像提取面部特征帧图像，从移动图像提取移动特征帧图像，
所述S2包括：
S2-1，采集的用户身份信息通过网络传输到云端进行数据收集，获取的海量该用户出入电梯的时间段、时间点以及通往的楼层数据；
特征数据采集设备包括：第一采集节点为地下车库、第二采集节点为轿厢内部，第三采集节点为一层或者地面层；
用户体温信息，第一温度阈值为小于37℃；
第二温度阈值为大于等于37℃或者超过安全温度；
设置第一时间节点为1:30AM-9:30AM；
设置第二时间节点为9:30AM-2:30PM；
设置第三时间节点为2:30PM-6:30PM；
设置第四时间节点为6:30PM-1:30AM；
设置第一楼层控制指令为地下车库层，或者负一层；
设置第二楼层控制指令为用户居家层，或者用户亲友层；
设置第三楼层控制指令为一层、或者地面层；
A、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第一采集节点，如果在第一采集节点，则判断是否在第一时间节点，如果在第一时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，第一采集节点获取用户信息后，才执行第二采集节点用户信息分析，如果第一采集节点和第三采集节点未发现用户，则继续判断第二采集节点是否有用户信息，如果有用户信息，执行B；
B、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第二采集节点，如果在第二采集节点，则判断是否在第一时间节点，如果在第一时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或者负一层其中使用频次多的楼层，无需手动干预。执行电梯轿厢按键关闭指令，关闭轿厢，执行C；
C、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第一时间节点，如果在第一时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行D；
D、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第一时间节点，如果在第一时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或负一层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行E；
当特征数据采集设备采集用户数据后，如果用户远离电梯轿厢方向，则不进行体温数据测量，当用户为进入电梯轿厢方向时，如果在第二温度阈值，则关闭轿厢按键系统，待用户经过二次核验无异常后，启动轿厢按键系统然后执行A；
其中A-D步骤，因为在第一时间节点，能够在上午上班期间对用户需求做出准确判断，快速完成电梯楼层指引，并优先执行B和D步骤；
E、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第一采集节点，如果在第一采集节点，则判断是否在第二时间节点，如果在第二时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，第一采集节点获取用户信息后，才执行第二采集节点用户信息分析，如果第一采集节点和第三采集节点未发现用户，则继续判断第二采集节点是否有用户信息，如果有用户信息，执行F；
F、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第二采集节点，如果在第二采集节点，则判断是否在第二时间节点，如果在第二时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或者负一层其中使用频次多的楼层，无需手动干预。执行电梯轿厢按键关闭指令，关闭轿厢，执行G；
G、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第二时间节点，如果在第二时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行H；
H、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第二时间节点，如果在第二时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或负一层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行I；
当特征数据采集设备采集用户数据后，如果用户远离电梯轿厢方向，则不进行体温数据测量，当用户为进入电梯轿厢方向时，如果在第二温度阈值，则关闭轿厢按键系统，待用户经过二次核验无异常后，启动轿厢按键系统然后执行E；
其中E-H步骤，因为在第二时间节点，能够在中午休息期间对用户需求做出准确判断，快速完成电梯楼层指引，并优先执行E和G步骤；
I；当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第一采集节点，如果在第一采集节点，则判断是否在第三时间节点，如果在第三时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，第一采集节点获取用户信息后，才执行第二采集节点用户信息分析，如果第一采集节点和第三采集节点未发现用户，则继续判断第二采集节点是否有用户信息，如果有用户信息，执行J；
J、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第二采集节点，如果在第二采集节点，则判断是否在第三时间节点，如果在第三时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或者负一层其中使用频次多的楼层，无需手动干预。执行电梯轿厢按键关闭指令，关闭轿厢，执行K；
K、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第三时间节点，如果在第三时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行L；
L、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第一时间节点，如果在第一时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或负一层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行M；
当特征数据采集设备采集用户数据后，如果用户远离电梯轿厢方向，则不进行体温数据测量，当用户为进入电梯轿厢方向时，如果在第二温度阈值，则关闭轿厢按键系统，待用户经过二次核验无异常后，启动轿厢按键系统然后执行I；
其中I-L步骤，因为在第三时间节点，能够在中午上班期间对用户需求做出准确判断，快速完成电梯楼层指引，并优先执行J和L步骤；
M、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第一采集节点，如果在第一采集节点，则判断是否在第四时间节点，如果在第四时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，第一采集节点获取用户信息后，才执行第二采集节点用户信息分析，如果第一采集节点和第三采集节点未发现用户，则继续判断第二采集节点是否有用户信息，如果有用户信息，执行N；
N、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第二采集节点，如果在第二采集节点，则判断是否在第四时间节点，如果在第四时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或者负一层其中使用频次多的楼层，无需手动干预。执行电梯轿厢按键关闭指令，关闭轿厢，执行O；
O、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第四时间节点，如果在第四时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第二楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第二楼层控制指令，在实际操作中，第二楼层控制指令会指向用户居家层也可能指向用户亲友层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选用户居家层或者用户亲友层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢，执行P；
P、当特征数据采集设备采集用户数据后，对用户行为进行分析，当判断用户为进入电梯轿厢方向时，通过红外测温仪获取用户体温数据，如果在第一温度阈值，则判断是否在第三采集节点，如果在第三采集节点，则判断是否在第四时间节点，如果在第四时间节点则分析用户的历史楼层指令数据，如果历史楼层指令数据为第一楼层控制指令，则执行电梯轿厢按键确认楼层指令，进行按键控制，进入电梯轿厢后，如果用户选择按键时，则通过手动进行修改，如果没有错误，则执行第一楼层控制指令，在实际操作中，第一楼层控制指令会指向地下车库层或指向负一层，但是经过若干次的用户选择，根据用户行为习惯训练之后，会优选地下车库层或负一层其中使用频次多的楼层，无需手动干预。此时判断是否在第二采集节点，如果在第二采集节点，则执行电梯轿厢按键关闭指令，关闭轿厢；
当特征数据采集设备采集用户数据后，如果用户远离电梯轿厢方向，则不进行体温数据测量，当用户为进入电梯轿厢方向时，如果在第二温度阈值，则关闭轿厢按键系统，待用户经过二次核验无异常后，启动轿厢按键系统然后执行M；
其中M-P步骤，因为在第四时间节点，能够在下午下班期间对用户需求做出准确判断，快速完成电梯楼层指引，并优先执行M和O步骤；
S2-2，将收集的数据进行行为习惯分析，通过智能终端进行选择下次乘坐电梯采取手动或者自动进行楼层选择。
上述控制方法虽然不能完全代替用户手动按键的动作，但是已经为用户提供了很大的方便，快速进行按键选择。
本发明有益效果为：该方法保证了在无接触的环境下，对电梯进行控制，使电梯运行更加智能和高效，防止电梯按键频繁使用而造成的磨损，也为行动不便的特殊群体开辟了一种电梯控制方式。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种通过大数据筛选进行人员入户安全验证的工作方法，其特征在于，包括：
S1，在入户小区范围内采集图像数据，分别归类为移动图像数据和面部图像数据；
S2，对移动图像和面部图像进行筛选去燥，提取出去燥后的移动特征帧图像和面部特征帧图像；
S3，设置图像筛选条件，通过半监督最大值优化方法的设置条件，对图像进行输出。
2.根据权利要求1所述的通过大数据筛选进行人员入户安全验证的工作方法，其特征在于，所述S1包括：
对移动图像和面部图像进行筛选和去燥处理，在相似性判断中，基于灰度变换的特征因子，进行特征提取，精确捕捉图像的特征，为提高相似性判断结果的准确性，对用户图像进行收集，全部图像p＝{p(i,j)|i∈M,j∈N}，i为用户移动图像集M中的移动特征帧图像，j为用户面部图像集N中的面部特征帧图像，形成图像特征集合p(i,j)，其中面部特征帧变化为一定尺寸的搜索窗内的所有像素；
通过灰度变换提取公式分别对移动图像和面部图像进行提取
其中，
式中，h为图像噪声调节参数，用于控制图像噪声的衰减程度，决定图像噪声滤波程度；μ为图像校正参数，h(i)是移动特征帧图像i的特征函数，h(j)是面部特征帧图像j的特征函数，移动图像获取速度判断阈值Ki和捕捉移动图像判断阈值Li的取值取决于图像帧的像素值，m为移动特征帧图像采集值，面部图像获取速度判断阈值Oj和捕捉面部图像判断阈值Pj的取值取决于图像帧的像素值，n为移动特征帧图像采集值，
为移动特征帧预测模型，通过获取移动特征帧视觉角度θi的随机分量
与
之积进行移动图像参数校正，其中bi为移动特征帧的权重，
为面部特征帧预测模型，通过获取面部特征帧视觉角度θj的随机分量
与
之积进行面部图像参数校正，其中bj为移动特征帧的权重，其中α为图像动态变化分量，Bi为获取移动图像的权重，Bj为获取移动图像的权重，Ci为移动特征帧每一时间点的噪声，Cj为面部特征帧每一时间点的噪声，Ci和Cj取值范围[-1,1]，值越大，表示去噪后图像失真越小。
代表卷积运算。
3.根据权利要求1所述的通过大数据筛选进行人员入户安全验证的工作方法，其特征在于，所述S2包括：
经过降噪处理之后的移动特征帧图像和面部特征帧图像提取之后，进行图像筛选操作，设置筛选中间值均值
同时计算折中输出值：
上述两个筛选中间值均值和这种输出值的条件都是用于筛选过程使用，其中则一使用也能够输出结果，只是筛选精度会降低，
Pi,j是移动特征帧和面部特征帧的筛选图像值，其中，E是移动特征帧和面部特征帧姿态类别的数目，调节系数λ分别对移动特征帧视觉角度θi的移动特征帧姿态
和面部特征帧视觉角度θj的面部特征帧姿态
进行调节，D是得出的移动特征帧和面部特征帧的姿态分类函数，在Savg中，
是经过图像学习得到的移动特征帧姿态中心图像，对应的移动特征帧类别为wi，
是经过图像学习得到的面部特征帧姿态中心图像，对应的面部特征帧类别为wj，
和
的更新以i和j的递增而进行增量学习。
4.根据权利要求1所述的通过大数据筛选进行人员入户安全验证的工作方法，其特征在于，所述S3包括：
经过筛选之后，基于半监督的最大值优化方法，获取准确的移动特征帧或者面部特征帧，对面部检测中帽子、眼镜、鼻贴、口罩、耳环等遮挡或者影响识别判断的因素进行去燥，
其中，求解最大似然估计函数Umax，获取移动特征帧时长βi和面部特征帧时长βj计算隐藏变量F(βi|βj)的后验概率，在公式中，Savg的值是利用log计算移动特征帧图像类别Φi和面板特征帧图像类别Φj所占比率，进行图像获取最大值优化调整，形成期望最大化步骤，求解最大目标函数表达式的最大似然估计。正是利用了期望最大化算法对其进行优化。最终的优化求解的最终目标就是求解最大似然估计函数，利用距离度量学习得到移动特征帧时长βi和面部特征帧时长βj；因此在该步骤中重新估计得到的logΦi值和logΦj值，从而实时调整获取的图像质量并优化输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387076.XA CN111523513B (zh) | 2020-05-09 | 2020-05-09 | 通过大数据筛选进行人员入户安全验证的工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387076.XA CN111523513B (zh) | 2020-05-09 | 2020-05-09 | 通过大数据筛选进行人员入户安全验证的工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523513A true CN111523513A (zh) | 2020-08-11 |
| CN111523513B CN111523513B (zh) | 2023-08-18 |
Family
ID=71912465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010387076.XA Active CN111523513B (zh) | 2020-05-09 | 2020-05-09 | 通过大数据筛选进行人员入户安全验证的工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523513B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185723A1 (en) * | 2008-01-21 | 2009-07-23 | Andrew Frederick Kurtz | Enabling persistent recognition of individuals in images |
| US20110244919A1 (en) * | 2010-03-19 | 2011-10-06 | Aller Joshua V | Methods and Systems for Determining Image Processing Operations Relevant to Particular Imagery |
| US20130015946A1 (en) * | 2011-07-12 | 2013-01-17 | Microsoft Corporation | Using facial data for device authentication or subject identification |
| CN205328387U (zh) * | 2015-12-16 | 2016-06-22 | 苏州大学 | 一种基于人脸识别和智能推荐的电梯控制系统 |
| US20170076078A1 (en) * | 2014-05-12 | 2017-03-16 | Ho Kim | User authentication method, device for executing same, and recording medium for storing same |
| CN107644218A (zh) * | 2017-09-29 | 2018-01-30 | 重庆市智权之路科技有限公司 | 基于图像采集功能实现人流密集区域行为分析判断的工作方法 |
| CN107908942A (zh) * | 2017-11-30 | 2018-04-13 | 北京集创北方科技股份有限公司 | 电子设备、显示系统、集成控制装置和生物特征验证方法 |
| CN109376518A (zh) * | 2018-10-18 | 2019-02-22 | 深圳壹账通智能科技有限公司 | 基于人脸识别的防止隐私泄露方法及相关设备 |
| CN109671023A (zh) * | 2019-01-24 | 2019-04-23 | 江苏大学 | 一种人脸图像超分辨率二次重建方法 |
| WO2019132091A1 (ko) * | 2017-12-28 | 2019-07-04 | 주식회사 케이블티비브이오디 | 머신러닝 기반의 동적 파라미터에 의한 업스케일된 동영상의 노이즈 제거방법 |
| CN110092246A (zh) * | 2019-04-23 | 2019-08-06 | 重庆紫光华山智安科技有限公司 | 电梯调度方法、装置、电子设备及可读存储介质 |
| US20200065460A1 (en) * | 2017-12-01 | 2020-02-27 | Ping An Technology (Shenzhen) Co., Ltd. | Method and computer readable storage medium for remote interview signature |
| CN110950209A (zh) * | 2020-02-22 | 2020-04-03 | 菱王电梯股份有限公司 | 可监测人员体温和流动的电梯控制方法、装置和存储介质 |
| US20210241097A1 (en) * | 2019-11-07 | 2021-08-05 | Canon Kabushiki Kaisha | Method and Apparatus for training an object recognition model |
-
2020
- 2020-05-09 CN CN202010387076.XA patent/CN111523513B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185723A1 (en) * | 2008-01-21 | 2009-07-23 | Andrew Frederick Kurtz | Enabling persistent recognition of individuals in images |
| US20110244919A1 (en) * | 2010-03-19 | 2011-10-06 | Aller Joshua V | Methods and Systems for Determining Image Processing Operations Relevant to Particular Imagery |
| US20130015946A1 (en) * | 2011-07-12 | 2013-01-17 | Microsoft Corporation | Using facial data for device authentication or subject identification |
| US20170076078A1 (en) * | 2014-05-12 | 2017-03-16 | Ho Kim | User authentication method, device for executing same, and recording medium for storing same |
| CN205328387U (zh) * | 2015-12-16 | 2016-06-22 | 苏州大学 | 一种基于人脸识别和智能推荐的电梯控制系统 |
| CN107644218A (zh) * | 2017-09-29 | 2018-01-30 | 重庆市智权之路科技有限公司 | 基于图像采集功能实现人流密集区域行为分析判断的工作方法 |
| CN107908942A (zh) * | 2017-11-30 | 2018-04-13 | 北京集创北方科技股份有限公司 | 电子设备、显示系统、集成控制装置和生物特征验证方法 |
| US20200065460A1 (en) * | 2017-12-01 | 2020-02-27 | Ping An Technology (Shenzhen) Co., Ltd. | Method and computer readable storage medium for remote interview signature |
| WO2019132091A1 (ko) * | 2017-12-28 | 2019-07-04 | 주식회사 케이블티비브이오디 | 머신러닝 기반의 동적 파라미터에 의한 업스케일된 동영상의 노이즈 제거방법 |
| CN109376518A (zh) * | 2018-10-18 | 2019-02-22 | 深圳壹账通智能科技有限公司 | 基于人脸识别的防止隐私泄露方法及相关设备 |
| CN109671023A (zh) * | 2019-01-24 | 2019-04-23 | 江苏大学 | 一种人脸图像超分辨率二次重建方法 |
| CN110092246A (zh) * | 2019-04-23 | 2019-08-06 | 重庆紫光华山智安科技有限公司 | 电梯调度方法、装置、电子设备及可读存储介质 |
| US20210241097A1 (en) * | 2019-11-07 | 2021-08-05 | Canon Kabushiki Kaisha | Method and Apparatus for training an object recognition model |
| CN110950209A (zh) * | 2020-02-22 | 2020-04-03 | 菱王电梯股份有限公司 | 可监测人员体温和流动的电梯控制方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523513B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
| CN110298278B (zh) | 一种基于人工智能的地下停车库行人车辆监测方法 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN102629319B (zh) | 基于特定边界检测子的鲁棒虹膜区域分割方法 | |
| CN109902628B (zh) | 一种基于视觉物联网的图书馆座位管理系统 | |
| CN107644218B (zh) | 基于图像采集功能实现人流密集区域行为分析判断的工作方法 | |
| CN101587485B (zh) | 一种基于人脸识别技术的人脸信息自动登录方法 | |
| CN107133612A (zh) | 基于图像处理与语音识别技术的智能病房及其运行方法 | |
| CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
| CN113158752A (zh) | 一种电力员工进场作业智能安全管控系统 | |
| CN108446687B (zh) | 一种基于移动端和后台互联的自适应人脸视觉认证方法 | |
| CN109948501A (zh) | 一种监控视频中人员和安全帽的检测方法 | |
| CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
| CN112434545A (zh) | 一种智能场所管理方法及系统 | |
| CN112785765A (zh) | 基于大数据分析的智能家居远程控制用户授权方法及智能家居云控制平台 | |
| CN111547589A (zh) | 云端智能设备进行人员需求判断的工作方法 | |
| CN113378691B (zh) | 基于实时用户行为分析的智能家居管理系统及方法 | |
| CN110796090A (zh) | 基于循环神经网络的人机协作人体行为意图判别方法 | |
| CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
| CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
| CN111523513B (zh) | 通过大数据筛选进行人员入户安全验证的工作方法 | |
| CN103207995A (zh) | 基于pca的3d人脸识别方法 | |
| CN110287841B (zh) | 图像传输方法及装置、图像传输系统、存储介质 | |
| CN115690677A (zh) | 基于局部直觉模糊支持向量机的异常行为识别方法 | |
| CN113591619A (zh) | 一种基于录像视频的人脸识别核验装置及其核验方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230719 Address after: 518000 area B, 3rd floor, building B2, Shenzhen digital technology park, 18 Gaoxin South 7th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN WELBELL INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 646123 No.39 Heping Street, Yunlong Town, Luxian County, Luzhou City, Sichuan Province Applicant before: Chen Zhenggang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |