CN112613388A - 一种基于多维特征融合的人员跌倒检测方法 - Google Patents

一种基于多维特征融合的人员跌倒检测方法 Download PDF

Info

Publication number
CN112613388A
CN112613388A CN202011504971.1A CN202011504971A CN112613388A CN 112613388 A CN112613388 A CN 112613388A CN 202011504971 A CN202011504971 A CN 202011504971A CN 112613388 A CN112613388 A CN 112613388A
Authority
CN
China
Prior art keywords
data
algorithm
variance
dimensional feature
feature fusion
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
Application number
CN202011504971.1A
Other languages
English (en)
Other versions
CN112613388B (zh
Inventor
刘志新
杨红磊
袁亚洲
杨旭
袁瑞贺
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202011504971.1A priority Critical patent/CN112613388B/zh
Publication of CN112613388A publication Critical patent/CN112613388A/zh
Application granted granted Critical
Publication of CN112613388B publication Critical patent/CN112613388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开了一种基于多维特征融合的人员跌倒检测方法，属于行为识别技术领域，其方法为利用安装在房间的侧壁上的红外阵列传感器进行数据的采集、之后进行数据的预处理以及干扰去除、使用滑窗算法与典型关联分析算法（CCA）相结合的思想进行特征的提取与融合、最后利用机器学习算法实现人员跌倒的准确识别。本申请通过采用将红外阵列传感器安装在侧壁上的数据采集方式，增大了其检测区域的同时提出了新的跌倒过程的特征，提高了其使用价值；使用滑窗算法与典型关联分析算法相结合的思想进行特征的提取与融合，提高了跌倒检测的精度。

Description

一种基于多维特征融合的人员跌倒检测方法
技术领域
本发明涉及行为识别技术领域，特别涉及一种基于多维特征融合的人员跌倒检测方法。
背景技术
据统计截止到2019年末，我国60岁以上老年人口数占全国人口总数的18.1％，相比于上一年增加了0.25％。随着老年人口数的逐年增加，独居老年人的安全问题也应该得到保障，而跌倒一直是威胁老年人安全的重要隐患。目前，应用比较广泛的有基于视频图像的跌倒检测研究，这种方法不仅计算复杂、成本高，而且侵犯用户的个人隐私问题；基于可穿戴传感器的跌倒检测必须长期佩戴，会对生活中的一些活动造成困扰。红外阵列传感器是一种非接触式测量方法，避免了必须佩戴的困扰，同时它也不会侵犯个人隐私，因此，现有的一些跌倒检测应用到了红外阵列传感器。他们将其安装在室内的顶部，这种方法只能检测其投影下方的区域，检测范围太小，并不能充分利用红外阵列传感器的检测区域。
发明内容
本发明的目的是提出一种基于多维特征融合的人员跌倒检测方法，利用红外阵列传感器进行数据的采集、之后进行数据的预处理以及干扰去除、使用滑窗算法与典型关联分析算法(CCA)相结合的思想进行特征的提取与融合、最后利用机器学习算法实现人员跌倒的准确识别。
为解决上述技术问题，本发明所采用的技术方案包括以下步骤：
步骤1，利用红外阵列传感器在其监测区域内进行温度数据采集，得到原始数据集；
步骤2，对红外阵列传感器采集到的原始数据进行预处理；
步骤3，将经过预处理的温度数据进行干扰去除；
步骤4，计算经过干扰去除后数据的方差F，并与设定的方差阈值F0相比较；
步骤5，运用滑窗算法与典型关联分析算法相结合的方法进行特征的提取与融合；
步骤6，利用机器学习算法对提取到的特征数据进行识别，得到最终检验结果，即判定为“跌倒”还是“非跌倒”。
本发明技术方案的进一步改进在于：步骤1，为了充分利用红外阵列传感器的有效检测范围，本发明提出了一种将红外阵列传感器安装在房间的侧壁上，让其处于斜向下的监测状态，这相比于安装在房间顶部的布置方式虽然增加了特征提取的难度，但是极大地增加了传感器的监测区域，进而提高了传感器的利用率。
本发明技术方案的进一步改进在于：步骤2，对于原始数据中每一帧均为n×m的数值矩阵，数据采样频率为k帧/秒，首先要去除掉每帧数据中的异常值和填补缺失值。然后，在保证数据准确的同时为了减少在后续特征提取中系统的复杂性以及计算时间，利用均值算法处理每秒钟的数据，将得到的结果作为输出，如下式：
Figure BDA0002844682140000021
Figure BDA0002844682140000022
式中，
Figure BDA0002844682140000023
表示红外阵列传感器第k帧的整体矩阵温度，
Figure BDA0002844682140000024
表示第k帧阵列中第i行第j列像素检测的温度，T表示均值输出的结果。
本发明技术方案的进一步改进在于：步骤3，利用中值滤波算法对已经预处理的数据进行滤波处理，以此去除噪声；利用背景差分法分离目标与背景，以此去除环境中存在的热源干扰，比如电灯、电脑等能耗设备。
本发明技术方案的进一步改进在于：步骤4，方差阈值F0根据经验性得到，若方差F-F0＜0，则无需进行特征提取模块，可直接判定结果为“无人”；若方差F-F0≥0，则进入下一步的特征提取模块。
本发明技术方案的进一步改进在于：步骤5，在进行特征的提取与融合时，首先通过滑动窗口算法对去除干扰后的数据从速度大小V、质心的变化K、面积大小变化S以及方差变化F这四个维度进行特征提取。这里，滑动窗口的大小设置为d×e，步长为f，根据实际需要可以自行设置窗口和步长的大小。然后，使用典型关联分析算法(CCA)对得到的4个特征V、K、S、F进行两两融合，CCA是将高维的两组数据分别降维到一维，然后用相关系数分析相关性。对于X和Y两个数据集进行投影运算，X为n1×m的样本矩阵，Y为n2×m的样本矩阵，其中m为样本个数，而n1，n2分别为X和Y的特征维度。将X、Y分别投影到一维向量记为X'、Y'，可表示为：
X'＝aTX
Y'＝bTY
其中，a为X的投影向量，b为Y的投影向量。使用典型关联分析算法进行最大化X'和Y'的相关系数ρ(X',Y')，由此可以得到对应的投影向量a和b，如下式：
Figure BDA0002844682140000031
这样通过CCA算法把V、K、S、F这四个特征依次进行两两融合就可以得到新的特征，分别表示为VK、VS、VF、KS、KF、SF，最后将这10个特征共同作为待识别的特征数据，提高分类效果。
由于采用了上述技术方案，本发明取得的技术进步是：通过将红外阵列传感器安装在侧壁上，增大了其检测区域的同时提出了新的跌倒过程的特征，提高了其使用价值；使用滑窗算法与典型关联分析算法相结合的思想进行特征的提取与融合，提高了跌倒检测的精度。
附图说明
图1是本发明方法的整体流程图；
图2是本发明数据预处理部分示意图；
图3是本发明干扰去除部分示意图；
图4是本发明特征提取与融合部分示意图。
具体实施方式
为了更充分的解释本发明的实施，以下提供本发明的实施实例，这些实例仅仅是对本发明的阐述，不限制本发明的范围。
实施例1：
本发明所述方法的具体步骤：
步骤1，利用红外阵列传感器在其监测区域内进行温度数据采集，得到原始数据集。
步骤2，对红外阵列传感器采集到的原始数据进行预处理。
步骤3，将经过预处理的温度数据进行干扰去除。
步骤4，计算经过干扰去除后数据的方差F，并与设定的方差阈值F0相比较。
步骤5，运用滑窗算法与典型关联分析算法相结合的方法进行特征的提取与融合。
步骤6，利用机器学习算法对提取到的特征数据进行识别，得到最终检验结果，即判定为“跌倒”还是“非跌倒”。
本实例中步骤1的具体内容为：
本实例使用视角范围为55°、32×24像素的红外阵列传感器进行温度数据的采集，将其安装在房间的侧壁上，使其处于斜向下的监测状态，调整其角度覆盖整个监测区域；使用USB进行数据的传输，使用串口工具在电脑端进行数据的实时接收。
本实例中步骤2的具体内容为：
对于原始数据中每一帧均为32×24的数值矩阵，数据采样频率设定为14帧/秒，首先要去除掉每帧数据中的异常值和填补缺失值。然后，在保证数据准确的同时为了减少在后续特征提取中系统的复杂性以及计算时间，对每秒的14帧数据进行均值处理作为输出，如下式：
Figure BDA0002844682140000051
Figure BDA0002844682140000052
式中，
Figure BDA0002844682140000053
表示红外阵列传感器第k帧的整体矩阵温度，
Figure BDA0002844682140000054
表示第k帧阵列中第i行第j列像素检测的温度，T表示均值输出的结果，这里k＝14。
本实例中步骤3的具体内容为：
为了去除数据中的噪声干扰和热源干扰，利用中值滤波算法对已经预处理的数据进行滤波处理，用于平滑数据曲线，以此去除噪声；利用背景差分法分离目标与背景，以此去除环境中存在的热源干扰，比如电灯、电脑等能耗设备。
本实例中步骤4的具体内容为：
方差阈值F0根据经验性得到，若方差F-F0＜0，则无需进行特征提取模块，可直接判定结果为“无人”；若方差F-F0≥0，则进入下一步的特征提取模块。
本实例中步骤5的具体内容为：
在进行特征的提取与融合时，首先通过滑动窗口算法对去除干扰后的数据从速度大小V、质心的变化K、面积大小变化S以及方差变化F这四个维度进行特征提取。这里，滑动窗口的大小设置为10×1，步长为1。然后，使用典型关联分析算法(CCA)对得到的4个特征依次进行两两融合，CCA是将高维的两组数据分别降维到一维，然后用相关系数分析相关性。对于X和Y两个数据集进行投影运算，X为n1×m的样本矩阵，Y为n2×m的样本矩阵，其中m为样本个数，而n1，n2分别为X和Y的特征维度。将X、Y分别投影到一维向量记为X'、Y'，可表示为：
X'＝aTX
Y'＝bTY
其中，a为X的投影向量，b为Y的投影向量。使用典型关联分析算法进行最大化X'和Y'的相关系数ρ(X',Y')，由此可以得到对应的投影向量a和b，如下式：
Figure BDA0002844682140000061
这样通过CCA算法把V、K、S、F这四个特征依次进行两两融合就可以得到新的特征，分别表示为VK、VS、VF、KS、KF、SF，最后将这10个特征共同作为待训练的特征数据，提高分类效果。
下面结合附图对本发明作进一步说明：
如图1所示，为本发明提供的流程图，包括以下步骤：
步骤1，将红外阵列传感器安装在房间的侧壁上，使其处于斜向下的监测状态，调整角度使监测区域达到最大，在监测区域内进行温度数据采集，得到原始数据集。
步骤2，将采集到的原始数据进行预处理，预处理部分包括去除异常值和填补缺失值以及均值处理，如图2所示。
步骤3，对于经过预处理的数据进行干扰去除，干扰去除部分包括利用中值滤波去除噪声干扰和利用背景差分法去除背景中的热源干扰，如图3所示。
步骤4，计算经过干扰去除后数据的方差F，并与设定的方差阈值F0相比较。方差阈值F0根据经验性得到，若方差F-F0＜0，则无需进行特征提取模块，可直接判定结果为“无人”；若方差F-F0≥0，则进入下一步的特征提取模块。
步骤5，利用滑窗算法和典型关联分析算法相结合的方法进行特征的提取与融合，如图4所示。
步骤6，利用机器学习算法对特征数据进行识别，得到最终检验结果进行输出。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于多维特征融合的人员跌倒检测方法，其特征在于：利用红外阵列传感器进行数据的采集、之后进行数据的预处理以及干扰去除、使用滑窗算法与典型关联分析算法CCA相结合的思想进行特征的提取与融合、最后利用机器学习算法实现人员跌倒的准确识别。
2.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于，包括以下步骤：
步骤(1)利用红外阵列传感器在其监测区域内进行温度数据采集，得到原始数据集；
步骤(2)对红外阵列传感器采集到的原始数据进行预处理；
步骤(3)将经过预处理的温度数据进行干扰去除；
步骤(4)计算经过干扰去除后数据的方差F，并与设定的方差阈值F0相比较；
步骤(5)运用滑窗算法与典型关联分析算法相结合的方法进行特征的提取与融合；
步骤(6)利用机器学习算法对提取到的特征数据进行识别，得到最终检验结果，即判定为“跌倒”还是“非跌倒”。
3.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：所述的红外阵列传感器安装在房间的侧壁上。
4.根据权利要求2所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(2)对于原始数据中每一帧均为n×m的数值矩阵，数据采样频率为k帧/秒，首先去除掉每帧数据中的异常值和填补缺失值，然后，在保证数据准确的同时为了减少在后续特征提取中系统的复杂性以及计算时间，利用均值算法处理每秒钟的多帧数据，将得到的结果作为输出，如下式：
Figure FDA0002844682130000021
Figure FDA0002844682130000022
式中，
Figure FDA0002844682130000023
表示红外阵列传感器第k帧的整体矩阵温度，
Figure FDA0002844682130000024
表示第k帧阵列中第i行第j列像素检测的温度，T表示均值输出的结果。
5.根据权利要求2所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(3)利用中值滤波算法对已经预处理的数据进行滤波处理，去除噪声；利用背景差分法分离目标与背景，去除环境中存在的热源干扰。
6.根据权利要求2所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(4)方差阈值F0根据经验性得到，若方差F-F0＜0，则无需进行特征提取模块，可直接判定结果为“无人”；若方差F-F0≥0，则进入下一步的特征提取模块。
7.根据权利要求2所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤5，在进行特征的提取与融合时，首先通过滑动窗口算法对去除干扰后的数据从速度大小V、质心的变化K、面积大小变化S以及方差变化F这四个维度进行特征提取；滑动窗口的大小设置为d×e，步长为f；使用典型关联分析算法CCA对得到的4个特征V、K、S、F进行两两融合，CCA将高维的两组数据分别降维到一维，然后用相关系数分析相关性；对于X和Y两个数据集进行投影运算，X为n1×m的样本矩阵，Y为n2×m的样本矩阵，其中m为样本个数，n1，n2分别为X和Y的特征维度；将X、Y分别投影到一维向量，记为X'、Y'，可表示为：
X'＝aTX
Y'＝bTY
其中，a为X的投影向量，b为Y的投影向量，使用典型关联分析算法进行最大化X'和Y'的相关系数ρ(X',Y')，由此可以得到对应的投影向量a和b，如下式：
Figure FDA0002844682130000031
通过CCA算法把V、K、S、F这四个特征依次进行两两融合就可以得到新的特征，分别表示为VK、VS、VF、KS、KF、SF，最后将这10个特征共同作为待识别的特征数据，提高分类效果。
CN202011504971.1A 2020-12-18 2020-12-18 一种基于多维特征融合的人员跌倒检测方法 Active CN112613388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011504971.1A CN112613388B (zh) 2020-12-18 2020-12-18 一种基于多维特征融合的人员跌倒检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011504971.1A CN112613388B (zh) 2020-12-18 2020-12-18 一种基于多维特征融合的人员跌倒检测方法

Publications (2)

Publication Number Publication Date
CN112613388A true CN112613388A (zh) 2021-04-06
CN112613388B CN112613388B (zh) 2022-08-30

Family

ID=75241140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011504971.1A Active CN112613388B (zh) 2020-12-18 2020-12-18 一种基于多维特征融合的人员跌倒检测方法

Country Status (1)

Country Link
CN (1) CN112613388B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751111A (zh) * 2013-12-31 2015-07-01 深圳先进技术研究院 识别视频中人体行为的方法和系统
CN106326906A (zh) * 2015-06-17 2017-01-11 姚丽娜 活动识别方法和装置
CN108710822A (zh) * 2018-04-04 2018-10-26 燕山大学 一种基于红外阵列传感器的人员跌倒检测系统
CN109171738A (zh) * 2018-07-13 2019-01-11 杭州电子科技大学 基于人体加速度多特征融合和knn的跌倒检测方法
CN109191412A (zh) * 2018-08-17 2019-01-11 河南工程学院 基于核稀疏典型相关分析热红外人脸图像可见光重建方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751111A (zh) * 2013-12-31 2015-07-01 深圳先进技术研究院 识别视频中人体行为的方法和系统
CN106326906A (zh) * 2015-06-17 2017-01-11 姚丽娜 活动识别方法和装置
CN108710822A (zh) * 2018-04-04 2018-10-26 燕山大学 一种基于红外阵列传感器的人员跌倒检测系统
CN109171738A (zh) * 2018-07-13 2019-01-11 杭州电子科技大学 基于人体加速度多特征融合和knn的跌倒检测方法
CN109191412A (zh) * 2018-08-17 2019-01-11 河南工程学院 基于核稀疏典型相关分析热红外人脸图像可见光重建方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YOGESH ANGAL ET AL.: "Fall detection system for older adults", 《2016 IEEE INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRONICS, COMMUNICATION AND COMPUTER TECHNOLOGY (ICAECCT)》 *
杨明: "基于红外阵列传感器的老人实时跌倒检测算法研究", 《《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》》 *

Also Published As

Publication number Publication date
CN112613388B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN108710822B (zh) 一种基于红外阵列传感器的人员跌倒检测系统
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN110874587B (zh) 一种人脸特征参数提取系统
CN115876258B (zh) 基于多源数据的畜禽养殖环境异常监测及报警系统
CN112800975A (zh) 一种基于图像处理的安检通道内行为识别方法
CN109688384A (zh) 一种基于图像识别的教室教学情况监控系统及方法
CN114937232A (zh) 医废处理人员防护用具穿戴检测方法、系统和设备
CN112464738A (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
CN114662594B (zh) 一种目标特征识别分析系统
CN111160405B (zh) 一种基于深度学习的发动机滑油磨粒识别方法
CN118569617A (zh) 一种基于计算机视觉目标检测的智慧电厂管控系统及管控方法
CN111695520A (zh) 一种高精度的儿童坐姿检测与矫正方法及装置
CN112613388B (zh) 一种基于多维特征融合的人员跌倒检测方法
CN113947796A (zh) 一种基于身份识别的人体温度趋势检测方法及装置
CN111694980A (zh) 一种鲁棒的家庭儿童学习状态视觉监督方法及装置
CN103366163A (zh) 基于增量学习的人脸检测系统和方法
CN114255565B (zh) 一种危险感知的智能头盔及感知系统
CN106326672A (zh) 入睡检测方法与系统
CN113239772B (zh) 自助银行或atm环境中的人员聚集预警方法与系统
CN115249341A (zh) 一种智能安防监控系统
CN115438698A (zh) 一种基于图像处理的电力设备声音识别方法及系统
CN113069088B (zh) 一种人工智能交互装置
CN106326882A (zh) 一种基于图像质量评估技术的指纹识别系统及方法
CN114581705A (zh) 基于YOLOv4模型和卷积神经网络的水果成熟检测方法和系统
CN112487864A (zh) 一种面向施工现场的对于小目标安全帽和防护服检测方法

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
GR01 Patent grant
GR01 Patent grant