SI24485A - Postopek identifikacije osebe, ki vstopa v prostor - Google Patents
Postopek identifikacije osebe, ki vstopa v prostor Download PDFInfo
- Publication number
- SI24485A SI24485A SI201300281A SI201300281A SI24485A SI 24485 A SI24485 A SI 24485A SI 201300281 A SI201300281 A SI 201300281A SI 201300281 A SI201300281 A SI 201300281A SI 24485 A SI24485 A SI 24485A
- Authority
- SI
- Slovenia
- Prior art keywords
- entry point
- opening
- person
- closing
- data
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C2209/00—Indexing scheme relating to groups G07C9/00 - G07C9/38
- G07C2209/02—Access control comprising means for the enrolment of users
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Lock And Its Accessories (AREA)
Abstract
Predlagani izum se nanaša na postopek identifikacije osebe, ki vstopa v prostor z omejenim dostopom, kot na primer v stanovanje in podobno. Po predlaganem izumu je predvideno, da postopek obsega zbiranje, s pomočjo senzorjev (2, 3), podatkov o odpiranju in zapiranju vstopne točke (1), ki se jih shranjuje v podatkovno zbirko (4). Temu sledi obdelava shranjenih podatkov in luščenje značilk o odpiranju in zapiranju vstopne točke (1) s pomočjo centralne procesne enote (5). Zatem se zgradi model vsakokratne osebe, ki vstopa in/ali izstopa skozi vstopno točko (1), ugotovi identiteto osebe, ki je odprla in/ali zaprla vstopno točko (1) in izbiroma posodobi model z na novo pridobljenimi podatki o osebi, ki je odprla in/ali zaprla vstopno točko (1).
Description
INTECH-LES, razvojni center d.o.o.
Postopek identifikacije osebe, ki vstopa v prostor
Predlagani izum se nanaša na postopek identifikacije osebe, ki vstopa v prostor z omejenim dostopom, kot na primer v stanovanje in podobno.
Postopek identifikacije osebe, ki vstopa v prostor z omejenim dostopom, je znan iz več dokumentov kot na primer iz mednarodne patentne prijave štev. PCT/AU2005/001285, patenta štev. US 8,232,860 B2, mednarodne patentne prijave štev. WO 2011/011282, patentne prijave štev. EP 1 753 206 A. Rešitve, razkrite v omenjenih dokumentih imajo kar nekaj slabosti, saj si mora uporabnik zapomniti dostopno geslo, poleg tega pa mora uporabnik pred vstopom v prostor z omejenim dostopom vsakokrat izvesti določeno identifikacijsko aktivnost, kot na primer identificirati se s pomočjo prstnega odtisa, posebne kartice in podobno. Nekateri dokumenti pa razkrivajo zgolj postopek ugotavljanja delovanja vstopnih vrat v okvari in podobno.
Naloga predlaganega izuma je ustvariti nov postopek identifikacije osebe, ki vstopa v prostor z omejenim vstopom, ki je prijazen do uporabnika in s katerim so odpravljene pomanjkljivosti znanih.rešitev.
Zastavljena naloga je po izumu rešena z značilnostmi, razkritimi v značilnostnem delu 1. patentnega zahtevka. Podrobnosti izuma so razvidne iz pripadajočih podzahtevkov. Opisani postopek rešuje problem uporabniku prijazne identifikacije oseb ob vstopu v prostor z omejenim dostopom kot na primer v sobo, hišo, zgradbo, ipd. Opisani postopek za identifikacijo uporablja vsaj en senzor, prednostno inercialni senzor, npr. pospeškomer, nameščen na vstopni točki, npr. na vratnem krilu, pri čemer se od uporabnika, razen običajnega vstopa, ne zahteva nobene dodatne akcije.
Za izvedbo postopka po izumu so potrebni vsaj naslednji elementi, ki so potrebni za izvedbo postopka po izumu.
- Vstopna točka, npr. vrata, opremljena z vsaj enim senzorjem, ki je zmožen zaznavati lastnosti gibanja premičnega dela vstopne točke, npr. vratnega krila, med odpiranjem. Omenjeni senzor je lahko izbran kot na primer pospeškomer, žiroskop, magnetomer, merilnik hitrosti, merilnik kotne hitrosti, senzor gibanja, ipd. Omenjeni senzor je izbiroma lahko t.i. eno-, dvo- ali triosni MEMS pospeškomer.
- Podatkovna zbirka za shranjevanje podatkov, ki jih posredujejo omenjeni senzorji, značilk vstopa in modelov vstopa.
- Centralna procesna enota, ki izvaja računski del predlaganega postopka z uporabo algoritmov umetne inteligence, to je segmentacijo zbranih podatkov, izračun značilk, strojno učenje oz. gradnjo modela vstopanja in identifikacijo na podlagi zgrajenega modela.
- Vmesnik, na primer grafični uporabniški vmesnik, vmesnik do pametnega doma ali alarmnega sistema, ipd., ki posreduje rezultat identifikacije neprikazanim zunanjim sistemom.
Predlagani postopek identifikacije po izumu se da uporabiti za identifikacijo uporabnikov za personalizirano upravljanje sistemov v pametni hiši, povečanje varnosti pri vstopni kontroli, avtomatizacijo registracije časa prisotnosti zaposlenih oz. preverjanja identitete ob registraciji in podobno, pri čemer našteta področja uporabnosti ne predstavljajo nikakršne omejitve. Predlagani postopek po izumu deluje v dveh fazah, pri čemer prvo fazo predstavlja faza učenja, medtem ko drugo fazo predstavlja faza identifikacije. V prvi fazi se za vsako osebo, ki naj bi se jo identificiralo, zbere senzorske podatke o zadostnem številu prehodov skozi vstopno točko, na primer skozi vrata prostora z omejenim dostopom. Podatke o posameznem prehodu se segmentira oz. razdelijo v dva dogodka in sicer odpiranje premičnega dela vstopne točke, na primer vratnega krila, in zapiranje le-tega. Zatem se iz zbranih in segmentiranih podatkov izlušči značilke, na podlagi katerih je mogoče ločiti med vstopi in izstopi posameznih oseb skozi vstopno točko. Značilke se izluščijo ločeno za vsakokraten dogodek odpiranja in zapiranja. Značilke se izračuna iz zbranih senzorskih podatkov v časovnem in frekvenčnem prostoru ter združi v vektor značilk, ki se shrani v podatkovno bazo kot učni podatek. Ko je za vsako osebo posebej zbranih dovolj vektorjev značilk o prehodih skozi vstopno točko, se z uporabo enega ali več algoritmov strojnega učenja zgradita modela za identifikacijo osebe, ki je povzročila vsakokratni dogodek odpiranja in zapiranja. Na ta način se ločeno modelira način odpiranja in zapiranja vstopne točke. S tem je prva faza, to je faza učenja, zaključena in prične se lahko druga faza, to je faza identifikacije, ki dejansko opravlja identifikacijo oseb ob prehodu skozi vstopno točko. Ob vsakem prehodu skozi vstopno točko se ponovi postopek iz prve faze vse do trenutka, ko se shrani vektorja značilk za dogodka odpiranja in zapiranja vstopne točke. Ko se vstopna točka zapre oz. ko po odpiranju preteče določen maksimalen čas, se uporabi modela za identifikacijo, ki sta zgrajena z uporabo algoritma za strojno učenje, na vektorjih značilk, izluščenih ob trenutnem prehodu skozi vstopno točko, na podlagi katerih se identificira osebo, ki je odprla, in osebo, ki je zaprla vstopno točko.
Izum je v nadaljevanju podrobneje opisan na osnovi neomejujočega izvedbenega primera in s sklicevanjem na priložene skice, kjer kaže sl. 1 izvedbeni primer sistema identifikacije osebe, ki vstopa v prostor z omejenim vstopom, sl. 2 shemo delovanja postopka identifikacije, sl. 3 primer podatkov o radialnem pospešku premičnega dela vstopne točke v časovni domeni, pri čemer so omenjeni podatki razdeljeni na dogodek odpiranja in dogodek zapiranja vrat.
Sistem (sl. 1) za izvedbo postopka identifikacije osebe, ki vstopa v prostor z omejenim dostopom, kot na primer v stanovanje in podobno, obsega vstopno točko 1, vsaj en senzor 2, 3, ki zaznava lastnosti gibanja premičnega dela vstopne točke 1, podatkovno zbirko 4, ki hrani senzorske podatke, vektorje značilk in modela za identifikacijo, centralno procesno enoto 5, ki izvaja obdelavo zbranih senzorskih podatkov in identifikacijo na podlagi algoritmov strojnega učenja, in vmesnik 6, ki posreduje rezultata identifikacije zunanjim sistemom. Našteti sestavni elementi, ki sestavljajo zgoraj omenjeni sistem, predstavljajo zgolj minimalno konfiguracijo in se jih da dopolniti z dodatnimi podobnimi in/ali sorodnimi elementi, ne da bi se s tem oddaljili od smisla in obsega izuma.
Omenjeni sistem je postavljen okrog vstopne točke 1, na primer vrat prostora z omejenim dostopom. Vstopna točka 1 je opremljena senzorji 2, 3, ki zaznavajo na primer pospešek, hitrost, kot odprtosti in/ali gibanje premičnega dela vstopne točke 1. Senzorji 2, 3 so izbiroma lahko MEMS triosni pospeškomeri. Na vstopno točko 1 mora biti nameščen vsaj en senzor, prednostno pa vsaj dva ali več senzorjev 2, 3. Opis postopka v nadaljevanju je osnovan na primeru dveh senzorjev 2, 3. Prvi senzor 2 je nameščen na odpiralno sredstvo vstopne točke 1, na primer kljuko vrat, in zaznava gibanje odpiralnega sredstva. Drugi senzor 3 je nameščen na premični del vstopne točke 1, na primer na zgornji kot vratnega krila, ki je kolikor mogoče odmaknjen od osi vrtenja vratnega krila, in zaznava gibanje v primeru vstopa skozi vstopno točko 1, na primer trkanje na vratno krilo ali odpiranje letega. Senzor 2 na odpiralnem sredstvu je lahko nameščen znotraj le-tega ali pa na zunanji strani odpiralnega sredstva. Senzor 3 na premičnem delu vstopne točke 1 je lahko nameščen znotraj le-te, na primer med plastmi vratnega krila, ali na zunanji strani premičnega dela vstopne točke 1.
Omenjena senzorja 2, 3 sta povezana s podatkovno zbirko 4, ki shranjuje zajete senzorske podatke, izluščene vektorje značilk in modela za identifikacijo osebe, ki je odprla in zaprla vstopno točko. Centralna procesna enota 5 obdeluje zbrane podatke, zgradi ali posodobi model za identifikacijo in končno identificira osebo pri vstopu skozi vstopno točko 1. Po vstopu osebe se izvede procesiranje zbranih podatkov in identifikacijo osebe, ki se preko vmesnika 6 posreduje zunanjim sistemom, na primer uporabniškem vmesniku, pametnemu domu ali alarmnem sistemu. Podatkovna zbirka 4, procesna enota 5 in vmesnik 6 so bodisi kot enovita naprava bodisi kot ločene naprave razporejeni na ali ob vstopni točki 1.
Postopek identifikacije po izumu je shematsko predstavljen na sl. 2. Postopek lahko deluje bodisi v fazi učenja ali fazi identifikacije. Zajem in segmentacija podatkov, luščenje značilk v časovnem in frekvenčnem prostoru, sestavljanje končnega vektorja značilk in shranjevanje le-tega ter gradnja modelov za identifikacijo z algoritmi za strojno učenje se izvajajo enako v obeh fazah delovanja postopka. Razlika med fazami je le v enem koraku, namreč modela za identifikacijo se prvič zgradita v fazi učenja, potem ko je zbranih dovolj učnih podatkov o prehodih vsake osebe, ki jo želimo identificirati. Potem ko je model zgrajen, postopek preide v drugo fazo, to je fazo identifikacije, v kateri se obstoječa modela samo še posodablja z novimi podatki o prehodih skozi vstopno točko 1 ter ju uporablja za identifikacijo osebe, ki je odprla, in osebe, ki je zaprla vstopno točko 1, na podlagi vektorjev značilk, ki sta bil pridobljena ob trenutnem prehodu skozi vstopno točko 1. Postopek identifikacije po izumu je razdeljen v fazo učenja in fazo identifikacije. V obeh fazah se postopek prične z zaznavanjem in zbiranjem podatkov, ki jih posredujejo senzorji 2, 3, o odpiranju in zapiranju vstopne točke 1. V prvem koraku 7 se zazna odpiranje vrat, ki mu sledi korak 8 zbiranja podatkov, to pomeni, da se prične zbiranje in shranjevanje podatkov, ki jih posredujejo senzorji 2, 3. Omenjeni korak 8 traja še določen čas, na primer ls, po zaznanem koncu zapiranja vstopne točke 1, ko so vrata popolnoma zaprta, ali po pretečenem predpisanem maksimalnem času začetka odpiranja. Pretek omenjenega določenega časa se zazna v koraku 9 zaznavanja zaprtja vrat. V naslednjem koraku 10 se zbrane podatke razdeli v podatke o dogodku odpiranja in podatke o dogodku zapiranja. Dogodek odpiranja traja od začetka odpiranja do trenutka, po katerem se vstopna točka 1 več ne odpira, na primer kot odprtosti vratnega krila se do konca zbranih podatkov več ne poveča. Dogodek zapiranja traja od trenutka, po katerem se vstopna točka 1 začne zapirati in je kasnejši od trenutka, ko se konča dogodek odpiranja. Dogodek zapiranja traja še kratek čas, na primer ls, po tem, ko se vstopna točka 1 popolnoma zapre ali mine predpisan maksimalen čas. Nato se s pomočjo centralne procesne enote 5 za vsak dogodek odpiranja in/ali zapiranja ločeno izvede korak 11 luščenja značilk v časovnem prostoru. Sočasno se izvaja tudi korak 12, ki podatke, pridobljene iz senzorjev 2, 3, iz časovnega prostora transformira 13 v frekvenčni prostor in izlušči še značilke za oba dogodka v frekvenčnem prostoru. V naslednjem koraku 14 se oba tipa značilk, to je značilk v časovnem prostoru in značilk v frekvenčnem prostoru, združi v končna vektorja značilk za vsak posamezen dogodek, ki se shranita v podatkovno zbirko 4. Če je zbranih dovolj vektorjev značilk, kar je v fazi identifikacije 15 vedno res, se zgradi oz., če sta že zgrajena, samo posodobi 16 modela za identifikacijo osebe, ki je povzročila odpiranje, in osebe, ki je povzročila zapiranje vstopne točke 1. Faza identifikacije se od faze učenja razlikuje le v tem, da se pred posodabljanjem modelov le-ta uporabi za identifikacijo 15 na podlagi vektorjev značilk trenutnega prehoda skozi vstopno točko 1. Podrobnosti o posamezni fazi postopka za identifikacijo so pojasnjene v nadaljevanju.
V fazi učenja se izvaja zbiranje učnih podatkov za nadzorovano strojno učenje modelov za identifikacijo oseb. Več uporabnikov, to je vsi uporabniki, ki jih želimo identificirati z opisanim postopkom, mora večkrat iti skozi vstopno točko 1, pri čemer sta model in posledično identifikacija tem bolj natančna, čim več prehodov je zbranih. Za vsak primer prehoda skozi vstopno točko 1 se najprej zazna odpiranje vstopne točke 1, ki sproži shranjevanje senzorskih 2, 3 podatkov v podatkovno bazo 4, ki traja še kratek čas po tem, ko je zaznano popolno zaprtje vstopne točke 1, ali poteče vnaprej predpisani maksimalni čas po odprtju vstopne točke 1. Po tem se opravi segmentacija 10 zbranih senzorskih podatkov na dogodek 17 odpiranja in dogodek 18 zapiranja vstopne točke 1. Dogodek 17 odpiranja traja od začetka zbranih podatkov do časa ob katerem je zaznano maksimalno odprtje vstopne točke 1 v oknu zbranih podatkov. Dogodek 18 zapiranja traja od časa, ko se po maksimalni odprtosti vstopne točke 1 zazna začetek zapiranja le-te, in do konca zbranih podatkov za trenutni prehod skozi vstopno točko 1. Implementacija detektorjev začetka in konca odpiranja in zapiranja je odvisna od konkretnih senzorjev 2, 3. Začetek in konec odpiranja je npr. mogoče zaznati z magnetnim kontaktnim senzorjem odprtosti vrat, konec odpiranja in začetek zapiranja pa s senzorjem kota odprtosti vstopne točke 1, na primer primerno nameščenim potenciometrom. Kot je prikazano na sl. 3 se iz senzorjev pridobi podatke o dogodku 17 vstopa in dogodku 18 izstopa v časovnem prostoru. Te podatke se z uporabo hitre Fourierjeve transformacije 13 preračuna še v podatke predstavljene v frekvenčnem prostoru. V naslednjem koraku se izračuna relevantne značilke o načinu odpiranja in zapiranja vstopne točke 1 v časovnem 11 in frekvenčnem 12 prostoru, ki so primerne za gradnjo modelov za identifikacijo in omogočajo ločevanje med prehodi posameznih oseb. V časovnem prostoru se izlušči statistične značilke, kot so na primer minimalna, maksimalna in povprečna vrednost, integral, smerni koeficient linearne interpolacije, standardna deviacija ter povprečna razdalja od linearne interpolacije, za vsako podfazo vsakega dogodka na vsakem izmed direktno izmerjenih ali posredno izračunanih parametrov pridobljenih iz senzorskih podatkov v časovnem prostoru, na primer kotni pospešek, kotna hitrost, pospešek, hitrost, kot odprtosti. Kot značilke se upošteva tudi trajanje posameznih podfaz za posamezen parameter in dogodek. Vsak parameter za vsak dogodek je razdeljen na podfaze po naslednjem pravilu: nova podfaza se začne, ko vrednost parameter doseže lokalni maksimum, minimum ali spremeni predznak (črtkane črte na sl. 3). Vrednosti magnitude pri posameznih frekvencah so uporabljene kot značilke v frekvenčnem prostoru. Značilke v časovnem in frekvenčnem prostoru se za vsak dogodek združi 14 v po en vektor značilk, ločeno za odpiranje in zapiranje vstopne točke, ki se ju shrani v podatkovno zbirko 4 kot podatka za nadzorovano strojno učenje modelov za identifikacijo. Postopek se ponovi za vsak prehod vsakokratne osebe, ki naj se jo identificira. Ko je zbranih dovolj vektorjev značilk prehoda skozi vstopno točko 1 za vsakokratno osebo, se faza učenja zaključi z gradnjo modelov za identifikacijo z algoritmom za strojno učenje, na primer C4.5, SVM, naivni Bayesov klasifikator, metoda najbližjih sosedov z uporabo t.i. Dynamic Time Warping-a kot mere za razdaljo, ipd.. V koraku 15 se gradi ločena modela za identifikacijo osebe, ki je odprla vstopno točko 1, in identifikacijo osebe, ki jo je zaprla, saj je mogoče, da sočasno vstopi več kot ena oseba, pri čemer oseba, ki je odprla vstopno točko 1, ni ista kot oseba, ki jo je zaprla. Oba modela se • · · · · shrani v podatkovno zbirko 4, zatem pa postopek po izumu preide v fazo identifikacije.
V fazi identifikacije gre skozi vstopno točko 1 neznana oseba, podatki iz senzorjev 2, 3 pa se zajame 8 in obdela enako kot v fazi učenja. Najprej se zazna odpiranje 7 in zbira 8 senzorske podatke do zaznanega zaprtja 9 ali preteka časovne omejitve. Za tem se podatke ločijo 10 v dogodek 17 odpiranja in dogodek 18 zapiranja ter se za vsakega izmed njih izlušči opisana vektorja značilk, ki vsebujeta značilke izračunane v časovnem in frekvenčnem prostoru. Za tem se na podlagi izluščenega vektorja in zgrajenega modela za identifikacijo izvede sama identifikacija 15 osebe, ki je povzročila dogodek odpiranja, in osebe, ki je povzročila dogodek zapiranja vstopne točke 1. Identiteti se preko vmesnika 6 posreduje zunanjim sistemom, vektorja značilk pa se skupaj z prej zbranimi in shranjenimi vektorji značilk uporabi za posodabljanje modelov za identifikacijo, kar omogoča samodejno prilagajanje spremembam v načinu uporab vstopne točke 1. S tem se postopoma zvišuje točnost delovanja opisane metode za identifikacijo.
Claims (1)
- Patentni zahtevkiPostopek identifikacije osebe, ki vstopa v prostor z omejenim dostopom, kot na primer v stanovanje in podobno, značilen po tem, da obsega (a) zbiranje, s pomočjo senzorjev (2, 3), podatkov o odpiranju in zapiranju vstopne točke (1);(b) shranjevanje podatkov o odpiranju in zapiranju vstopne točke (1), zbranih s pomočjo senzorjev (2, 3), v podatkovno zbirko (4);(c) obdelavo shranjenih podatkov in luščenje (11, 12) značilk o odpiranju in zapiranju vstopne točke (1) s pomočjo centralne procesne enote (5);(d) zgraditev (16) modela vsakokratne osebe, ki vstopa in/ali izstopa skozi vstopno točko (1);(e) ugotavljanje (15) identitete osebe, ki je odprla in/ali zaprla vstopno točko (1); in (f) posodabljanje (16) modela z na novo pridobljenimi podatki o osebi, ki je odprla in/ali zaprla vstopno točko (1).Postopek po zahtevku 1, značilen po tem, da obdelava shranjenih podatkov o odpiranju in zapiranju vstopne točke (1) s pomočjo centralne procesne enote (5) obsega (a) segmentacijo (10) podatkov o odpiranju in zapiranju vstopne točke (1), zbranih s pomočjo senzorjev (2, 3), na dogodek (17) odpiranja in dogodek (18) zapiranja;(b) pridobitev (11) vektorja značilk o odpiranju in/ali zapiranju vstopne točke (1) v časovni odvisnosti;(c) transformacijo (13) podatkov, pridobljenih v prejšnjem koraku, v frekvenčni prostor;(d) pridobitev (12) vektorja značilk v frekvenčnem prostoru; in (e) združitev (14) vektorja značilk v časovnem prostoru in vektorja značilk v frekvenčnem prostoru v enoten vektor značilk.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SI201300281A SI24485A (sl) | 2013-09-19 | 2013-09-19 | Postopek identifikacije osebe, ki vstopa v prostor |
PCT/IB2014/059576 WO2015040503A1 (en) | 2013-09-19 | 2014-03-10 | Identification method of a person entering a room |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SI201300281A SI24485A (sl) | 2013-09-19 | 2013-09-19 | Postopek identifikacije osebe, ki vstopa v prostor |
Publications (1)
Publication Number | Publication Date |
---|---|
SI24485A true SI24485A (sl) | 2015-03-31 |
Family
ID=50486922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SI201300281A SI24485A (sl) | 2013-09-19 | 2013-09-19 | Postopek identifikacije osebe, ki vstopa v prostor |
Country Status (2)
Country | Link |
---|---|
SI (1) | SI24485A (sl) |
WO (1) | WO2015040503A1 (sl) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10120057B1 (en) | 2015-10-13 | 2018-11-06 | Google Llc | System and method for determining the direction of an actor |
US9691153B1 (en) | 2015-10-21 | 2017-06-27 | Google Inc. | System and method for using image data to determine a direction of an actor |
US10025308B1 (en) | 2016-02-19 | 2018-07-17 | Google Llc | System and method to obtain and use attribute data |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999066467A1 (en) * | 1998-06-15 | 1999-12-23 | Sargent & Greenleaf, Inc. | Intelligent interface between lock system and alarm system |
KR20070019382A (ko) | 2005-08-12 | 2007-02-15 | 삼성전자주식회사 | 네트워크 디스플레이장치 및 그 제어방법 |
EP1915743A1 (en) * | 2005-08-17 | 2008-04-30 | Honeywell International Inc. | Physical security management system |
EP1938504B1 (en) | 2005-10-21 | 2020-04-29 | Honeywell Limited | An authorisation system and a method of authorisation |
US8653982B2 (en) | 2009-07-21 | 2014-02-18 | Openings | Door monitoring system |
US8680995B2 (en) * | 2010-01-28 | 2014-03-25 | Honeywell International Inc. | Access control system based upon behavioral patterns |
US8947198B2 (en) * | 2012-02-15 | 2015-02-03 | Honeywell International Inc. | Bootstrapping access models in the absence of training data |
-
2013
- 2013-09-19 SI SI201300281A patent/SI24485A/sl not_active IP Right Cessation
-
2014
- 2014-03-10 WO PCT/IB2014/059576 patent/WO2015040503A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2015040503A1 (en) | 2015-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2014230867B2 (en) | Access control for areas with multiple doors | |
JP6246428B2 (ja) | 開閉イベントの信頼できる検出のための方法と装置 | |
Elhamshary et al. | TransitLabel: A crowd-sensing system for automatic labeling of transit stations semantics | |
US9871399B2 (en) | Door lock | |
US11412188B2 (en) | Asset management monitoring | |
BR102015017060A2 (pt) | Method for detecting driving events of a vehicle based on an intelligent telephone. | |
SI24485A (sl) | Postopek identifikacije osebe, ki vstopa v prostor | |
CN104742140B (zh) | 状态判定系统、状态判定方法及移动机器人 | |
Mukhopadhyay et al. | Detection of an intruder and prediction of his state of motion by using seismic sensor | |
WO2015106808A1 (en) | Method and system for crowd detection in an area | |
De Cillis et al. | Indoor positioning system using walking pattern classification | |
Cola et al. | Fall detection using a head-worn barometer | |
Zmitri et al. | BiLSTM network-based extended Kalman filter for magnetic field gradient aided indoor navigation | |
CN107532433A (zh) | 用于基于磁场检测来探测窗把手或门把手位置的设备及为此的运行方法 | |
Nguyen et al. | An efficient design of a machine learning-based elderly fall detector | |
Luca et al. | Inertial data based learning methods for person authentication | |
EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
CN109286499B (zh) | 一种基于行为特征的在场认证方法 | |
Gupta et al. | Low cost infrastructure free form of indoor positioning | |
US10578640B2 (en) | Determination of a mobility context for a user carrying a device fitted with inertial sensors | |
US11550276B1 (en) | Activity classification based on multi-sensor input | |
KR20190094544A (ko) | 소지 물건 누락 스마트 알림 도어락 | |
JP2019124012A (ja) | 自動ドア | |
WO2014132108A1 (en) | Interactive door system | |
CN116701954A (zh) | 一种基于imu数据的基础设施状态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OO00 | Grant of patent |
Effective date: 20150415 |
|
KO00 | Lapse of patent |
Effective date: 20180509 |