CN112418055A - 一种基于视频分析的调度方法及人员轨迹追踪方法 - Google Patents

一种基于视频分析的调度方法及人员轨迹追踪方法 Download PDF

Info

Publication number
CN112418055A
CN112418055A CN202011297421.7A CN202011297421A CN112418055A CN 112418055 A CN112418055 A CN 112418055A CN 202011297421 A CN202011297421 A CN 202011297421A CN 112418055 A CN112418055 A CN 112418055A
Authority
CN
China
Prior art keywords
video
classifier
training set
standard library
extracting
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
CN202011297421.7A
Other languages
English (en)
Inventor
俞禛
熊英
杨东成
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.)
Eastern Communication Co Ltd
Original Assignee
Eastern Communication Co Ltd
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 Eastern Communication Co Ltd filed Critical Eastern Communication Co Ltd
Priority to CN202011297421.7A priority Critical patent/CN112418055A/zh
Publication of CN112418055A publication Critical patent/CN112418055A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视频分析的调度方法，采集调度现场的视频及图像，基于机器学习对其进行特征提取，将提取的特征通过机器学习训练为单一分类器，通过多次迭代，将生成的多个单一分类器经过加权累积构建级联增强分类器，并和环境参数、行为参数一起融合成训练集标准库存储至信息数据库；基于构建的训练集标准库和LTE移动终端的实时视频流相结合，可对人员进行人脸检测、行为跟踪、以及对现场环境的实时监控，并且在非正常情况下发出警报和进行必要措施。本发明还公开了一种基于视频分析的人员轨迹追踪方法。本发明通过对调度实际环境图像和视频进行特征提取、构建级联增强分类器、融合成训练集标准库，提高运行效率。

Description

一种基于视频分析的调度方法及人员轨迹追踪方法
技术领域
本发明涉及调度管理和计算机视觉领域，具体涉及人员调度、视频分析、物体追踪、人脸检测、行为分析方法。
背景技术
人员调度包括实施信息综合、情报严判、指挥调度、社会联合行动等。传统的指挥调度依靠调度台和移动终端之间的通话语音和文字信息交互，对人员所处现场的场景描述只能通过人员的言语描述和文字记录，但随着城市的发展和业务的需求不断增大，传统的方法因为记录不完整，信息不对等，无法提供依据以及延时性较大等缺点，已经无法满足当代调度需求。
针对上述问题，需要设计一种高效率、低延时，可实时分析现场情况并能提供一定证据的人员调度方法。
发明内容
针对上述现有技术存在的问题，本发明提出一种基于视频分析的调度方法来解决此问题，通过对现场环境的图像和视频进行特征提取、构建级联增强分类器、融合成建训练集标准库，对LTE移动终端的实时视频流进行实时分析，降低了人力成本，提升了办事部门的调度运行效率和调度准确率。具体技术方案如下：
一种基于视频分析的调度方法，包括如下步骤：
步骤一、以过往的调度的视频和图像资料为基础，使用机器学习对视频特征提取并构建级联增强分类器；
步骤二、将构建好的级联增强分类器和实际采集到的调度现场视频、图像数据以及相应情况的处理方式存入信息数据库，融合成训练集标准库；
步骤三、基于构建的训练集标准库，将LTE移动终端传输的实时视频流与信息数据库中的训练集标准库进行比对，进行实时视频分析；
步骤四、当发现出现异常情况时，进行人员调度。
进一步的，所述对视频特征提取并构建级联增强分类器包括如下步骤：
步骤(1)提取视频中的关键帧并截取、存储；
步骤(2)根据标注的具体场景和类别，将所拥有的图片分为正样本和负样本；
步骤(3)对正样本数据选取所需的一定数量的特定类型、尺寸和位置作为参数，并对所取参数进行特征提取；
步骤(4)使用上述提取的特征值，构建级联增强分类器。
进一步的，所述步骤(4)包括步骤：
步骤(1)应用一个提取的特征，得到一个特征值；
步骤(2)逐个检查并选取适用于区分样本的最佳特征值，即为最佳阈值；
步骤(3)运用上述得到的最佳阈值，得到单一分类器；
步骤(4)多次迭代，对效果好的分类器进行比较高的权值设定，效果不好、模糊、错判的设置比较低的权值；
步骤(5)将迭代后的多个单一分类器，根据不同的权值大小进行加权累积，即得到性能良好的级联增强分类器。
进一步的，所述步骤二包括：
步骤(1)调度实际场景中的环境参数；
步骤(2)对所需场景的关键帧图像进行特征提取；
步骤(3)针对不同的场景下的情况，给出合理的行为并对其进行标注；
步骤(4)将得到结果融合成训练集标准库存入信息数据库。
进一步的，步骤三包括步骤如下：
(1)获取LTE移动终端视频的实时流，并提取关键帧；
(2)基于提取的关键帧，对其进行特征提取；
(3)针对提取得到的特征值，和训练集标准库进行比对，当出现紧急情况或一些非正常现象时，直接发出警告和做出反应。
一种基于视频分析的人员轨迹追踪方法，包括如下步骤：
(1)数据采集：将人的脸部数据作为输入；
(2)数据训练：通过对输入的人脸数据进行训练，通过所述的基于视频分析的调度方法的步骤一相同的方式构建级联增强分类器；
(3)构建相关滤波器；
(4)当人员人脸出现时，自动启动追踪，并且所述的基于视频分析的调度方法的步骤三相同的方式的进行实时视频分析，对人员所处的现场环境进行评估处理。
进一步的，所述步骤(3)如下：
(1)设计滤波器使得所输入的图像上得到的响应最大，即g＝h*f，其中，f为输入图像，g作为输出响应，h为构建的相关滤波器；
(2)将上述公式转化为Fh*f＝(Fh)*⊙Ff，其中F表示快速傅立叶变换，⊙代表点乘，设Ff＝J，(Fh)*＝H*，Fg＝G，则
Figure RE-GDA0002904914790000031
J为输入图像f的快速傅立叶变换结果， G为输出响应的快速傅立叶变换结果；
(3)同时对m个图像处理，定义损失函数为
Figure RE-GDA0002904914790000032
(4)对损失函数进行求导，得到滤波器
Figure RE-GDA0002904914790000033
(5)当视频中出现人脸时，把所得到的的滤波器运用在当前的视频帧图像上，对其进行追踪。
本发明的基于视频分析的调度方法，通过采集以往的视频和图像，对其进行特征提取，并通过机器学习构造级联增强分类器，将其进行分类并且进行标注后，可以自动的对视频中的危险情况、非常规情况进行警报和处理，大大提高了调度的运行效率和安全性，减轻调度人员的失误率和工作压力。
本发明的基于视频分析的人员轨迹追踪方法，通过将人脸数据进行特征提取和构造级联增强分类器；通过构造相关滤波器，可高准确性的对人员进行追踪，结合上面对场景的自动处理和告警，可以大大的提高人员的工作效率，并且减少了人员工作的危险性，提高了安全性能。
附图说明
图1为本发明的一种基于视频分析的调度方法流程示意图；
图2为本发明的一种基于视频分析的调度方法的级联增强分类器构建流程示意图；
图3为本发明的一种基于视频分析的调度方法的训练集标准库融合流程示意图；
图4为本发明的一种基于视频分析的人员轨迹追踪方法流程示意图。
具体实施方式
为使本发明的的目的，技术特性和具体操作更加清晰易懂，下面通过具体的实施例，对本发明进行进一步的详细说明。但请注意，此处所描述的具体实施例仅仅补充和具体化解释本发明，并不用于限制本发明的范围。
实施例1
如图1-3所示：本发明实施例提供了一种基于视频分析的调度方法，包括如下步骤：
步骤1、采集系统以往的视频和图片资料，提取视频中的关键帧并截取、存储；具体为人员在巡逻，处理业务时的现场情况；发生危机时的具体场景；以及针对现场环境所做的措施和应对；
步骤2、根据不同的场景和措施，对视频和图片进行标记为正样本和负样本；
步骤3、对正样本数据选取所需的一定数量的特定类型、尺寸和位置作为参数，类型具体为所标记的场景和措施，尺寸选择100*100，位置为感兴趣区域(ROI)，通常为图像的中间区域，并对所取参数进行特征提取；
步骤4、根据提取的特征，设置好区分正负样本的最佳阈值，得到单一分类器；
步骤5、进行多次步骤4的迭代，并且对那些效果好的分类器进行比较高的权值设定，那些效果不好、模糊、错判的设置比较低的权值；
步骤6、将迭代后的多个单一分类器，根据不同的权值大小进行加权累积，即可得到一个性能良好的级联增强分类器；
步骤7、将训练得到的级联增强分类器以及所标记的类型，场景参数以及针对不同的场景下的情况下的合理行为一起存入信息数据库中，并标记为训练集标准库；
步骤8、和LTE移动终端视频流相结合，当终端上的视频流通过媒体服务器传到调度台时，可对视频流中的关键帧进行参数提取，然后和信息数据库中的训练集标准库进行比对，当发现出现异常情况时可立刻进行相应的措施，避免人为操作造成的延迟而导致事态进一步的恶化。
实施例2
如图4所示：本发明实施例提供了一种基于视频分析的人员轨迹追踪方法，包括如下步骤：
步骤一、关于人像数据的采集，可采取和实施例1中一样的办法，并且提取特征值之后，进行级联增强分类器的构造，并存入信息数据库；
步骤二、构建准确度高的相关性滤波器，具体步骤为
(1)表达式g＝h*f，其中，f为输入图像，g作为输出响应，h为构建的相关滤波器，要使效果最好，就要使滤波器作用在视频上时得到的最大值即为追踪目标；
(2)将上述公式转化为Fh*f＝(Fh)*⊙Ff，其中F表示快速傅立叶变换，⊙代表点乘，设Ff＝J，(Fh)*＝H*，Fg＝G，则
Figure RE-GDA0002904914790000041
J为输入图像f的快速傅立叶变换结果，G为输出响应的快速傅立叶变换结果；
(3)考虑到实际中会同时对m个图像处理，定义损失函数为
Figure RE-GDA0002904914790000042
其中，m为图像个数，Ji为第i个输入图像f的快速傅立叶变换结果，Gi为第i个图像输出响应的快速傅立叶变换结果；
(4)对上式进行求导，得到滤波器
Figure RE-GDA0002904914790000043
(5)将求得的滤波器运用在当前的视频帧图像上，得到相应的结果中最大的响应值即为我们所追踪的目标。
步骤3、当人员人脸出现时，可自动启动追踪，并且同时结合实施例1所采用的视频分析，对人员所处的现场环境进行智能化处理，提高效率并且降低人员的人为失误率。
综上实施例1和实施例2可知，本发明可对人员进行轨迹追踪，现场环境进行自主化的处理和调度，可大大提高调度效率以及人员和调度员的处理业务效率，降低了因为人为延迟导致的事态恶化，可应用在人员调度，行为分析，轨迹追踪等领域。
此外，对上述实施例的补充说明，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是作为本发明的的具体化和补充作用，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于视频分析的调度方法，包括如下步骤：
步骤一、以过往的调度的视频和图像资料为基础，使用机器学习对视频特征提取并构建级联增强分类器；
步骤二、将构建好的级联增强分类器和实际采集到的调度现场视频、图像数据以及相应情况的处理方式存入信息数据库，融合成训练集标准库；
步骤三、基于构建的训练集标准库，将LTE移动终端传输的实时视频流与信息数据库中的训练集标准库进行比对，进行实时视频分析；
步骤四、当发现出现异常情况时，进行调度。
2.根据权利要求1所述的基于视频分析的调度方法，其特征在于：
所述对视频特征提取并构建级联增强分类器包括如下步骤：
步骤(1)提取视频中的关键帧并截取、存储；
步骤(2)根据标注的具体场景和类别，将所拥有的图片分为正样本和负样本；
步骤(3)对正样本数据选取所需的一定数量的特定类型、尺寸和位置作为参数，并对所取参数进行特征提取；
步骤(4)使用上述提取的特征值，构建级联增强分类器。
3.根据权利要求2所述的基于视频分析的调度方法，其特征在于：
所述步骤(4)包括步骤：
步骤(1)应用一个提取的特征，得到一个特征值；
步骤(2)逐个检查并选取适用于区分样本的最佳特征值，即最佳阈值；
步骤(3)运用上述得到的最佳阈值，得到单一分类器；
步骤(4)多次迭代，对效果好的分类器进行比较高的权值设定，效果不好、模糊、错判的设置比较低的权值；
步骤(5)将迭代后的多个单一分类器，根据不同的权值大小进行加权累积，得到性能良好的级联增强分类器。
4.根据权利要求1所述的基于视频分析的调度方法，其特征在于：
所述步骤二包括：
步骤(1)调度实际场景中的环境参数；
步骤(2)对所需场景的关键帧图像进行特征提取；
步骤(3)针对不同的场景下的情况，给出合理的行为并对其进行标注；
步骤(4)将得到结果融合成训练集标准库存入信息数据库。
5.根据权利要求1所述的基于视频分析的调度方法，其特征在于：
步骤三包括步骤如下：
(1)获取LTE移动终端视频的实时流，并提取关键帧；
(2)基于提取的关键帧，对其进行特征提取；
(3)针对提取得到的特征值，和训练集标准库中进行比对，当出现紧急情况或一些非正常现象时，直接发出警告和做出反应。
6.一种基于视频分析的人员轨迹追踪方法，其特征在于包括如下步骤：
(1)数据采集：将人的脸部数据作为输入；
(2)数据训练：通过对输入的人脸数据进行训练，通过如权利要求1所述的基于视频分析的调度方法的步骤一相同的方式构建级联增强分类器；
(3)构建相关滤波器；
(4)当人员人脸出现时，自动启动追踪，并且如权利要求1所述的基于视频分析的调度方法的步骤三相同的方式的进行实时视频分析，对人员所处的现场环境进行评估处理。
7.根据权利要求6所述的基于视频分析的人员轨迹追踪方法，其特征在于：
所述步骤(3)如下：
(1)设计滤波器使得所输入的图像上得到的响应最大，即g＝h*f，其中，f为输入图像，g作为输出响应，h为构建的相关滤波器；
(2)将上述公式转化为Fh*f＝(Fh)*⊙Ff，其中F表示快速傅立叶变换，⊙代表点乘，设Ff＝J，(Fh)*＝H*，Fg＝G，则
Figure RE-FDA0002904914780000021
J为输入图像f的快速傅立叶变换结果，G为输出响应的快速傅立叶变换结果；
(3)同时对m个图像处理，定义损失函数为
Figure RE-FDA0002904914780000022
其中，m为图像个数，Ji为第i个输入图像f的快速傅立叶变换结果，Gi为第i个图像输出响应的快速傅立叶变换结果；
(4)对损失函数进行求导，得到滤波器
Figure RE-FDA0002904914780000023
(5)当视频中出现人脸时，把所得到的的滤波器运用在当前的视频帧图像上，对其进行追踪。
CN202011297421.7A 2020-11-18 2020-11-18 一种基于视频分析的调度方法及人员轨迹追踪方法 Pending CN112418055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297421.7A CN112418055A (zh) 2020-11-18 2020-11-18 一种基于视频分析的调度方法及人员轨迹追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297421.7A CN112418055A (zh) 2020-11-18 2020-11-18 一种基于视频分析的调度方法及人员轨迹追踪方法

Publications (1)

Publication Number Publication Date
CN112418055A true CN112418055A (zh) 2021-02-26

Family

ID=74774012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297421.7A Pending CN112418055A (zh) 2020-11-18 2020-11-18 一种基于视频分析的调度方法及人员轨迹追踪方法

Country Status (1)

Country Link
CN (1) CN112418055A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678288A (zh) * 2016-03-04 2016-06-15 北京邮电大学 目标跟踪方法和装置
CN108010271A (zh) * 2017-06-15 2018-05-08 深圳普思英察科技有限公司 一种看护机器人、报警系统和方法
CN111274876A (zh) * 2020-01-09 2020-06-12 国网江苏省电力有限公司徐州供电分公司 一种基于视频分析的调度监控方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678288A (zh) * 2016-03-04 2016-06-15 北京邮电大学 目标跟踪方法和装置
CN108010271A (zh) * 2017-06-15 2018-05-08 深圳普思英察科技有限公司 一种看护机器人、报警系统和方法
CN111274876A (zh) * 2020-01-09 2020-06-12 国网江苏省电力有限公司徐州供电分公司 一种基于视频分析的调度监控方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢剑斌，等: "《视觉感知与智能视频监控》", 31 March 2012 *

Similar Documents

Publication Publication Date Title
CN112200043B (zh) 面向室外施工现场的危险源智能识别系统及方法
Zhang et al. Deep convolutional neural networks for forest fire detection
CN112183313B (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN111340123A (zh) 一种基于深度卷积神经网络的图像分数标签预测方法
CN106355154B (zh) 一种监控视频中检测频繁过人的方法
CN111353338B (zh) 一种基于营业厅视频监控的能效改进方法
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN112464850A (zh) 图像处理方法、装置、计算机设备及介质
CN111476160A (zh) 损失函数优化方法、模型训练方法、目标检测方法及介质
Yang et al. A method of pedestrians counting based on deep learning
CN117351271A (zh) 高压配电线路监控设备故障监测方法、系统及其存储介质
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN113449676B (zh) 一种基于双路互促进解纠缠学习的行人重识别方法
CN210666820U (zh) 一种基于dsp边缘计算的行人异常行为检测系统
CN112418055A (zh) 一种基于视频分析的调度方法及人员轨迹追踪方法
CN113822240B (zh) 一种电力现场作业视频数据提取异常行为的方法及装置
CN109977891A (zh) 一种基于神经网络的目标检测与识别方法
CN112699810B (zh) 一种提升室内监控系统人物识别精度的方法及装置
CN113435248A (zh) 口罩人脸识别底库增强方法、装置、设备及可读存储介质
CN114429677A (zh) 一种煤矿场景作业行为安全识别考核方法及系统
CN110321442B (zh) 一种基于人脸抓拍名单库管理系统及方法
CN111401225A (zh) 基于改进逻辑回归分类的人群异常行为检测方法
CN110738692A (zh) 一种基于spark集群的智能视频识别方法
CN117407733B (zh) 一种基于对抗生成shapelet的流量异常检测方法及系统
Ashiquzzaman et al. Video Key Frame Extraction & Fire-Smoke Detection with Deep Compact Convolutional Neural Network

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

Application publication date: 20210226

RJ01 Rejection of invention patent application after publication