TWI672640B - 基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 - Google Patents
基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 Download PDFInfo
- Publication number
- TWI672640B TWI672640B TW107100593A TW107100593A TWI672640B TW I672640 B TWI672640 B TW I672640B TW 107100593 A TW107100593 A TW 107100593A TW 107100593 A TW107100593 A TW 107100593A TW I672640 B TWI672640 B TW I672640B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- identity
- group
- feature
- feature data
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
Abstract
本發明公開一種基於資料融合的物體辨識系統及用於物體辨識的自我學習方法。本發明是經由身分感測裝置與特徵感測裝置分別感測進入監視區域的各物體的身分資料與特徵資料,決定各特徵資料所屬的群組,於身分資料的感測時間與特徵資料的感測時間相符時關聯身分資料及特徵資料所屬的群組,並於判斷任一群組被關聯至同一身分資料的關聯次數大於關聯臨界值時,配對群組與身分資料。本發明可自動對同一物體的身分資料與特徵資料進行配對,而可有效節省手動配對所需的時間與人力。
Description
本發明是涉及系統與方法,特別涉及基於資料融合的物體辨識系統及用於物體辨識的自我學習方法。
目前已有一種基於資料融合(data fusion)技術的人員辨識系統被提出。前述物體辨識系統可使用不同類型的感測器來對人員進行感測以獲得不同類型的感測資料,並依據不同類型的感測資料來進行人員辨識。
請參閱圖1,為現有的學習與辨識方法的流程圖。舉例來說,人員辨識系統可包括RFID讀取器(第一種感測器)及攝影機(第二種感測器)。
人員辨識系統可經由執行學習步驟S10來對同一人員的身分資料與臉部影像進行配對。具體而言,管理員可操作物體辨識系統來經由RFID讀取器對所有人員所持有的RFID標籤(如員工證)進行感測以取得所有人員的身分資料(步驟S100,前述身分資料可例如為員工識別碼),並經由攝影機逐一對所有人員進行拍攝以取得所有人員的臉部影像(步驟S101)。最後,管理員必須操作人
員辨識系統來手動配對同一人員的身分資料與臉部影像以產生對應的配對資料(步驟S102)。
於所有身分資料與臉部影像配對完成後,人員辨識系統可執行步驟S11來依據所建立的配對關係自動進行人員辨識。具體而言,當人員辨識系統經由攝影機拍攝到任一人員的臉部影像(步驟S110)時,人員辨識系統可依據所拍攝到的臉部影像與前述配對資料來決定所拍攝到的人員的身分資料(步驟S111)。藉此,即便人員未攜帶RFID標籤,人員辨識系統也可經由所拍攝到的臉部影像來辨識人員身分。
然而,於現有的學習與辨識方法的學習步驟中,管理員必須手動對不同類型的感測資料(即身分資料與臉部影像)進行配對,這使得現有的學習與辨識方法的學習步驟必須耗費大量時間與人力來產生配對資料。
有鑑於此,目前極需一種辨識系統與自我學習方法,可自動對不同類型的感測資料進行配對。
本發明提供一種基於資料融合的物體辨識系統及用於物體辨識的自我學習方法,可基於感測時間來自動對同一物體的身分與特徵進行配對。
於一實施例中,一種基於資料融合的物體辨識系統,包括身分感測裝置、特徵感測裝置及控制主機。身分感測裝置用以感測進入監視區域的至少一物體各別的身分資料。特徵感測裝置用以感測進入監視區域的物體各別的特徵資料。控制主機連接身分感測裝置及特徵感測裝置,用以於多個群組中決定至少其中之一作為特徵資料所屬的群組,於身分資料的第一感測時間與特徵
資料的第二感測時間相符時對身分資料及特徵資料所屬的群組進行關聯,並於判斷任一群組被關聯至同一身分資料的關聯次數大於關聯臨界值時,對群組與身分資料進行配對。
於一實施例中,一種用於物體辨識的自我學習方法,包括:經由身分感測裝置感測進入監視區域的至少一物體各別的身分資料;經由特徵感測裝置感測進入監視區域的物體各別的特徵資料;於多個群組中決定至少其中之一作為特徵資料所屬的群組;於身分資料的第一感測時間與特徵資料的第二感測時間相符時對身分資料及特徵資料所屬的群組進行關聯;及,於判斷任一群組被關聯至同一身分資料的關聯次數大於關聯臨界值時配對群組與身分資料。
本發明可自動對同一物體的身分資料與特徵資料進行配對,而可有效節省手動配對所需的時間與人力。
10‧‧‧身分感測裝置
11‧‧‧特徵感測裝置
12‧‧‧控制主機
120‧‧‧控制單元
121‧‧‧記憶單元
122‧‧‧電腦程式
123‧‧‧傳輸單元
124‧‧‧人機介面
13‧‧‧資料庫
14‧‧‧功能裝置
2‧‧‧網路
30‧‧‧分群模組
31‧‧‧距離計算模組
32‧‧‧時間差計算模組
33‧‧‧關聯模組
34‧‧‧辨識模組
35‧‧‧操作模組
36‧‧‧清除模組
37‧‧‧更新模組
40‧‧‧身分感測裝置
41‧‧‧特徵感測裝置
42‧‧‧控制主機
424‧‧‧人機介面
50-53‧‧‧身分感測裝置
60-64‧‧‧特徵感測裝置
70-73‧‧‧功能裝置
80-81‧‧‧身分資料
90-94‧‧‧特徵資料
S1-S4‧‧‧監視區域
t1-t8‧‧‧時間點
S10、S100-S102‧‧‧現有配對步驟
S11、S110-S111‧‧‧現有辨識步驟
S20、S200-S202‧‧‧感測步驟
S21、S210-S214‧‧‧學習步驟
S22‧‧‧身分辨識步驟
S30-S32‧‧‧第一特徵資料感測步驟
S40-S41‧‧‧第二特徵資料感測步驟
S50-S54‧‧‧分群步驟
S60-S61‧‧‧時間差判斷步驟
S70-S73‧‧‧配對步驟
S80-S83‧‧‧清除步驟
S90-S93‧‧‧物體辨識步驟
圖1為現有的學習與辨識方法的流程圖。
圖2為本發明一實施例的物體辨識系統的架構圖。
圖3為本發明一實施例的控制主機的架構圖。
圖4為本發明一實施例的控制單元的架構圖。
圖5為本發明第一實施例的自我學習方法的流程圖。
圖6為本發明第二實施例的自我學習方法的部分流程圖。
圖7為本發明第三實施例的自我學習方法的部分流程圖。
圖8為本發明第四實施例的自我學習方法的部分流程圖。
圖9為本發明第五實施例的自我學習方法的部分流程圖。
圖10為本發明第六實施例的自我學習方法的部分流程圖。
圖11為本發明第七實施例的自我學習方法的部分流程圖。
圖12為本發明第八實施例的自我學習方法的部分流程圖。
圖13為本發明一實施例的物體辨識系統的外觀示意圖。
圖14為本發明一實施例的物體辨識系統的使用示意圖。
圖15為本發明一實施例的感測與關聯資料的示意圖。
下面結合圖示和具體實施例對本發明技術方案進行詳細的描述,以更瞭解本發明的目的、方案及功效,但並非作為本發明的申請專利範圍的限制。
本發明公開一種基於資料融合的物體辨識系統(下稱物體辨識系統),所述物體辨識系統用來執行一種用於物體辨識的自我學習方法(下稱自我學習方法)。本發明可於任一物體進入或意圖進入監視區域時感測此物體的身分資料與特徵資料,依據特徵資料決定物體所屬群組,並可對所感測的身分資料與所決定的群組進行配對,藉此取代管理員的手動配對操作。
值得一提的是,本發明所指物體的身分與特徵是具有獨特性與識別性,而可據以產生獨有的身分資料與特徵資料。舉例來說,若物體為員工,則身分資料可為員工編號,特徵資料可為指紋資料。於另一例子中,若物體為寵物,則身分資料可為所植入晶片的識別碼,特徵資料可為其臉部影像資料。於另一例子中,若物體為藝術品,則身分資料可為自訂編號,特徵資料可為其外觀影像資料。
請同時參閱圖2及圖3,圖2為本發明一實施例的物體辨識系統的架構圖,圖3為本發明一實施例的控制主機的架構圖。
本發明的物體辨識系統主要包括身分感測裝置10、特徵感測裝置11及連接上述裝置(如經由網路2,網路2可為區域網路或網際網路)的控制主機12。
身分感測裝置10用以感測進入監視區域的各物體的身分資料(如姓名、員工編號、身分識別碼、晶片編號、財產編號或其他具有獨特性與識別性的資料)。
於一實施例中,身分感測裝置10是RFID讀取器,並可持續於監視區域中發出無線射頻訊號。各身分資料儲存於各物體所包含的RFID標籤(如物體所攜帶或所嵌入物體中的RFID標籤),各RFID標籤於進入監視區域後會感測到身分感測裝置10所發出的無線射頻訊號,而被致能以回傳身分資料至身分感測裝置10。
特徵感測裝置11用以感測進入監視區域的各物體的特徵資料(如臉部特徵、外觀特徵、生物特徵(如指紋資料、虹膜資料或掌靜脈資料)、行為特徵(如筆跡或移動軌跡)或其他具有識別性的資料)。
於一實施例中,特徵感測裝置11是攝影機,並可對監視區域內的物體的外表進行拍攝以產生包括連續的多個影像資料的一組視訊資料。更進一步地,特徵感測裝置11還可於視訊資料的多個影像資料中辨識包括物體的影像資料,並依據物體的影像資料分析對應的特徵資料。
於一實施例中,特徵感測裝置11是生物辨識器(如指紋感測器、虹膜感測器或掌靜脈感測器),並用以感測監視區域內的物體的生物資料。更進一步地,特徵感測裝置11還可依據對所感測的生物資料進行分析來獲得特徵資料。
值得一提的是,前述「依據物體的影像資料分析特徵資料」及「依據生物資料分析特徵資料」為本技術領域的熟習的技術手段,其技術細節於此不再贅述。
控制主機12用以控制物體辨識系統。於一實施例中,控制主機12可包括用以儲存資料的記憶單元121、用以連接網路2的傳輸單元123、用以輸出/輸入資訊的人機介面124及電性連接上述元件並用以控制控制主機12的控制單元120。
控制單元120可經由傳輸單元123自身分感測裝置10取得身分資料,並經由傳輸單元123自特徵感測裝置11取得特徵資料。並且,控制單元120可決定各特徵資料所屬的群組,於任一身分資料的感測時間(第一感測時間)與任一特徵資料的感測時間(第二感測時間)相符時對身分資料及特徵資料所屬的群組進行關聯並記錄此對身分資料及群組之間的關聯次數。並且,控制單元120還可於判斷任一關聯次數大於預設的關聯臨界值時,對此群組與身分資料進行配對並記錄配對資料。
於一實施例中,物體辨識系統更包括連接控制主機12的資料庫13。資料庫13可用來儲存前述的身分資料、特徵資料、群組、關聯次數及/或配對關係。
於一實施例中,物體辨識系統更包括連接控制主機12的功能裝置14(如電子鎖、空調裝置、照明裝置、電梯設備等等)。控制主機12可控制功能裝置14運作(如控制電子鎖上鎖或解鎖、控制空調裝置運轉或停止運轉、控制照明裝置調整亮度或控制電梯設備移動至特定樓層等等)。
於一實施例中,記憶單元121包括非暫態儲存媒體,並儲存電腦程式122。電腦程式122包括電腦可執行程式碼。當控制單元120執行前述電腦可執行程式碼時,可進一步實現本發明的自我學習方法。
請同時參閱圖4,為本發明一實施例的控制單元的架構圖。具體而言,控制單元120主要是通過執行電腦程式122來與物體辨識系統的其他裝置
進行互動,以執行本發明的自我學習方法中的各個功能,並且依據不同的功能,可將上述電腦程式122為下列幾個功能模組:
1.分群模組30,用以決定各特徵資料所屬的群組,其中各群組通常會對應不同的物體。
於一實施例中,各群組包括範本資料。前述各範本資料可為對多筆特徵資料進行運算後所產生的一組模型資料。分群模組30是對各特徵資料與各範本資料進行比較,並於特徵資料與任一範本資料之間的差異(如後述的距離值)小於用於分群的距離臨界值(即特徵資料與任一範本資料相似或相符)時將特徵資料分群至此範本資料所對應的群組。
於一實施例中,當多筆範本資料與特徵資料之間的多組差異皆小於距離臨界值(即特徵資料與多筆範本資料相似或相符)時,分群模組30可判定特徵資料符合最近似的範本資料(如與特徵資料之間的距離值最小的範本資料),並僅將特徵資料分群至最近似的範本資料所對應的群組。
於一實施例中,分群模組30於特徵資料不符合所有範本資料時,依據特徵資料建立新的群組並產生新的範本資料,並將特徵資料分群至所建立的新群組。換句話說,分群模組30是於偵測到新物體時建立對應的新群組。
2.距離計算模組31,用以計算特徵資料與各範本資料之間的距離值(即計算特徵資料與範本資料之間的差異),並依據所計算的距離值決定特徵資料是否符合範本資料。
3.時間差計算模組32,用以計算各身分資料的感測時間與各特徵資料的感測時間之間的時間差。
4.關聯模組33,用以於判斷時間差計算模組32所算出的任一時間差小於預設的時間臨界值時對身分資料及特徵資料所屬的群組進行關聯操作以增加身分資料及群組之間的關聯次數。
5.辨識模組34,用以判斷當前的特徵資料所屬的群組是否已配對至任一身分資料,並於判斷已配對時依據身分資料產生物體的辨識結果。
6.操作模組35,用以依據辨識結果控制功能裝置14運作。
7.清除模組36,用以判斷預設的清除條件是否滿足,並於清除條件(如偵測到長時間未更新或長時間數值過低的關聯次數)滿足時清除符合清除條件的關聯次數所對應的身分資料與群組之間的關聯。
於一實施例中,清除條件是關聯次數小於清除預設的清除臨界值,清除模組36是清除所對應的關聯次數小於清除預設的清除臨界值的身分資料與群組之間的關聯。
於一實施例中,清除條件是關聯次數持續預設的清除時間未被更新,清除模組36是清除所對應的關聯次數持續預設的清除時間未被更新的身分資料與群組之間的關聯。
8.更新模組37,用以判斷是否存在與特定的身分資料之間的關聯次數大於已配對的原群組的關聯次數的另一群組,並於判斷另一群組存在時解除配對原群組,並將另一群組與身分資料進行配對。
藉此,本發明可通過前述模組來執行本發明的自我學習中的各個功能,而可自動完成對應同一物體的身分資料與群組之間的配對。
續請同時參閱圖5,為本發明第一實施例的自我學習方法的流程圖。本發明各實施例的自我學習方法可由圖2及圖3所示的物體辨識系統來加以實現。本實施例的自我學習方法主要包括用以對進入監視區域的物體進行感測以實現自動感測功能的步驟S20及用以對不同類型的感測資料進行配對以實現自我學習功能的步驟S21。
具體而言,步驟S20包括以下步驟。
步驟S200:身分感測裝置10對進入監視區域的各物體進行感測以獲得各物體的身分資料,並將所感測的各物體的身分資料傳送至控制主機12。
步驟S201:特徵感測裝置11對進入相同監視區域的各物體進行感測以獲得各物體的特徵資料。
步驟S202:特徵感測裝置11決定所感測到的各特徵資料所屬的群組,前述各群組分別對應不同的物體。接著,特徵感測裝置11將特徵資料及決定結果傳送至控制主機12。
於一實施例中,特徵感測裝置11直接將特徵資料傳送至控制主機12,控制主機12決定所收到的各特徵資料所屬的群組並進行記錄。
藉此,本發明可於物體進入監視區域時取得物體的不同類型的感測資料(即身分資料與特徵資料)。
值得一提的是,前述各身分資料是預先定義的,並對應明確且特有的內容(如人員的姓名或編號),而可用來表示各物體的身分或作為身分查詢的索引(如依據姓名可直接得知人員的身分,依據編號可查詢人員的個人資料)。
並且,前述各特徵資料是對應各物體的可識別的特徵(如生物特徵、外觀特徵或行為特徵)。由於不同物體具有不同特徵(即對應的特徵資料不同),本發明可於多筆特徵資料彼此相同或相似時判定這些特徵資料對應相同物體,並於多筆特徵資料彼此不同或不相似時判定這些特徵資料分別對應不同物體。
本實施例的步驟S21包括用以對不同類型的感測資料自動進行配對的以下步驟。
步驟S210:控制主機12取得身分資料的感測時間(第一感測時間)及特徵資料的感測時間(第二感測時間),並判斷兩者的感測時間是否相符(如是
否感測時間相同、兩筆感測時間的時間差小於或大於預設的時間臨界值或時間差落入預設的時間間隔中)。
於一實施例中,控制主機12是於身分資料的感測時間及特徵資料的感測時間相同時,判斷兩者的感測時間相符。
於一實施例中,控制主機12是計算身分資料的感測時間及特徵資料的感測時間之間的時間差,並於時間差落入預設的時間區間(如3-5秒)時,判斷兩者的感測時間相符。
若控制主機12判斷兩者的感測時間相符,則執行步驟S211。否則,控制主機12再次執行步驟S20。
於一實施例中,步驟S20持續被執行以持續將資料傳送至控制主機12(如持續感測身分資料與特徵資料,持續決定各特徵資料所屬的群組,並持續將各身分資料及各特徵資料所屬的群組發送至控制主機12),而步驟S21持續被執行以持續對收到的資料進行判斷。
步驟S211:控制主機12經由關聯模組33選擇感測時間相符的特徵資料所屬的群組,並對感測時間相符的身分資料及所選擇的群組進行關聯。
於一實施例中,控制主機12是取得對應此身分資料及此群組之間的關聯次數(初始值可為零),並更新所取得的關聯次數的值(如增加1)。前述各關聯次數是用以表示各群組被關聯至同一身分資料的次數。
於一實施例中,控制主機12將更新後的關聯次數記錄於資料庫13。
步驟S212:控制主機12判斷是否任一關聯次數大於預設的關聯臨界值(如10次)。
若控制主機12判斷存在任一關聯次數大於預設的關聯臨界值,則執行步驟S213。否則,控制主機12再次執行步驟S20。
步驟S213:控制主機12取得大於關聯臨界值的關聯次數所對應的身分資料及群組,並對所取得的群組與身分資料進行配對,並產生對應的一筆配對資料以建立配對關係。
於一實施例中,控制主機12將所產生的配對資料記錄於資料庫13。
步驟S214:控制主機12判斷是否停止學習(如判斷使用者是否關閉控制主機12或關閉自我學習功能)。
若控制主機12判斷停止學習,則結束自我學習方法。否則,控制主機12再次執行步驟S20。
相較於現有技術採用監督式學習方法,必須由管理員手動對不同類型的感測資料進行配對,本發明經由自動對同一物體的身分資料與特徵資料進行配對,來實現本自動學習方法,可有效節省手動配對所需的時間與人力。
請參閱圖15,為本發明一實施例的感測與關聯資料的示意圖,用以示例性說明本發明的物體辨識系統及自我學習方法的一種應用方式。於本例子中,控制主機12是於感測資料的感測時間與特徵資料的感測時間之間的時間差不大於2秒時判定兩者的感測時間相符。並且,於本例子中,關聯臨界值為2(即控制主機12於任一關聯次數大於2次時會自動對對應的身分資料及群組進行配對)。
於第一次感測中,身分感測裝置10於時間點t1(如第1秒)感測到身分資料80。特徵感測裝置11於時間點t2(如第2秒)感測到特徵資料90,並於時間點t3(如第4秒)感測到特徵資料91。
接著,控制主機12對所感測到的特徵資料進行辨識與分群,如判定特徵資料90屬於第一群組(與身分不明的第一人員的特徵相似),特徵資料91屬於第二群組(與身分不明的第二人員的特徵相似)。
最後,控制主機12判斷身分資料80的感測時間與特徵資料90的感測時間的時間差(1秒)不大於2秒,並對身分資料80與第一群組進行關聯以設定並增加關聯次數(如將第一關聯次數自0次變為1次)。並且,由於身分資料80的感測時間與特徵資料91的感測時間的時間差(3秒)大於2秒,控制主機12不會對身分資料80與第二群組進行關聯。
於第二次感測中,身分感測裝置10於時間點t4(如第5秒)再次感測到身分資料80。特徵感測裝置11於時間點t5(如第6秒)同時感測到特徵資料92、93。
接著,控制主機12判定特徵資料92屬於第一群組,特徵資料93屬於第三群組(與身分不明的第三人員的特徵相似)。
最後,控制主機12判斷身分資料80的感測時間與特徵資料92、93的感測時間的時間差(1秒)不大於2秒,並對身分資料80與第一群組進行關聯以增加關聯次數(如將第一關聯次數自1次變為2次),並對身分資料80與第三群組進行關聯以設定並增加另一關聯次數(如將第二關聯次數自0次變為1次)。
於第三次感測中,身分感測裝置10於時間點t6(如第8秒)再次感測到身分資料80,並於時間點t7(如第9秒)感測到另一筆身分資料81。特徵感測裝置11於時間點t8(如第10秒)感測到特徵資料94。接著,控制主機12判定特徵資料94屬於第一群組。
接著,控制主機12判斷身分資料80的感測時間與特徵資料94的感測時間的時間差(2秒)不大於2秒,並對身分資料80與第一群組進行關聯以增加關聯次數(如將第一關聯次數自2次變為3次),並判斷身分資料81的感測時間與特徵資料94的感測時間的時間差(1秒)亦不大於2秒,並對身分資料81與第一群組進行關聯以設定並增加另一關聯次數(如將第三關聯次數自0次變為1次)。
最後,控制主機12判斷身分資料80與第一群組之間的第一關聯次數(3次)大於關聯臨界值(2次),而對身分資料80與第一群組進行配對以產生對應的配對資料。
於配對完成後,當控制主機12經由特徵感測裝置11感測到任一屬於第一群組的特徵資料時,可自動決定此特徵資料所對應的物體的身分(即身分資料80)。並且,當控制主機12同時經由身分感測裝置10感測到身分資料80並經由特徵感測裝置11感測到特徵資料時,可依據所感測到的特徵資料是否屬於第一群組來判斷當前的物體是否為非法入侵,並於判定非法入侵(特徵資料不屬於第一群組,如一人員盜用另一人員的員工證進入監視區域)時,進行對應處置(如發出警報或上鎖門鎖)。
值得一提的是,雖於本例子中是對感測時間相符的所有身分資料與特徵資料所屬群組進行關聯,但不以此限定。
於另一例子中,控制主機12亦可被設定為當同時有多組身分資料與特徵資料的感測時間相符時,不對任一組身分資料與特徵資料所屬群組進行關聯,或僅對感測時間最接近的身分資料與特徵資料所屬群組進行關聯。
續請同時參閱圖5及圖6,圖6為本發明第二實施例的自我學習方法的部分流程圖。於本實施例中,特徵感測裝置11為攝影機。相較於圖5所示的實施例,本實施例的步驟S201包括以下步驟。
步驟S30:特徵感測裝置11對監視區域內的物體進行拍攝以產生視訊資料。
於一實施例中,特徵感測裝置11包括物體感測器(如PIR感測器),物體感測器於感測到物體進入監視區域時觸發一組觸發訊號。特徵感測裝置11於收到觸發訊號開始對監視區域進行拍攝(如持續拍攝預設時間(如5秒),或於持續收到觸發訊號期間持續進行拍攝)以擷取包含物體的影像資料的視訊資料。
步驟S31:特徵感測裝置11於所產生的視訊資料中辨識物體的影像資料。
於一實施例中,特徵感測裝置11具有多種影像辨識功能(如人臉影像辨識、寵物影像辨識或車牌影像辨識等等),並可依據使用者的設定來執行多種辨識功能的其中之一(如選擇人臉影像辨識),並依據設定於視訊資料中辨識特定種類的物體的影像資料(如辨識人臉影像資料)。
於一實施例中,特徵感測裝置11是持續對監視區域進行拍攝以產生多個視訊資料,並逐一判斷各視訊資料是否包括任一物體的影像資料。
步驟S32:特徵感測裝置11依據物體的影像分析特徵資料。具體而言,特徵感測裝置11是對物體的影像資料執行影像特徵分析以獲得特徵資料,前述影像特徵分析為本技術領域中所熟習的技術,於此不再贅述。
藉此,本發明可有效對物體的影像特徵與身分資料進行配對。
續請同時參閱圖5及圖7,圖7為本發明第三實施例的自我學習方法的部分流程圖。於本實施例中,特徵感測裝置11為生物辨識器。相較於圖5所示的實施例,本實施例的步驟S201包括以下步驟。
步驟S40:特徵感測裝置11經由特徵感測裝置11感測監視區域內的物體的生物資料。
當生物辨識器為指紋感測器時,欲進入監視區域的物體須將手指置於指紋感測器以輸入指紋,並於完成指紋輸入後才可進入監視區域。
步驟S41:特徵感測裝置11依據生物資料分析特徵資料。具體而言,特徵感測裝置11是對生物資料執行生物特徵分析以獲得特徵資料,前述生物特徵處理為本技術領域的常見技術,於此不再贅述。
藉此,本發明可有效對物體的生物特徵與身分資料進行配對。
續請同時參閱圖5及圖8,圖8為本發明第四實施例的自我學習方法的部分流程圖。於本實施例中,各群組包括範本資料,前述各範本資料可用於判斷各特徵資料是否屬於各群組。
於一實施例中,控制主機12是依據屬於各群組的一或多個特徵資料來決定各群組的範本資料,如將各群組的第一筆特徵資料作為範本資料,對多筆特徵資料進行組合運算以獲得一筆組合後的特徵資料並作為範本資料,或對多筆特徵資料進行共同特徵運算以決定多筆特徵資料之間的共同特徵並做為範本資料等等。
並且,於本實施例中,是由控制主機12對特徵資料進行分群(即步驟S202是由控制主機12執行),但不以此限定。於另一實施例中,亦可由特徵感測裝置11對特徵資料進行分群(即步驟S202是由特徵感測裝置11執行)。
相較於圖5所示的實施例,本實施例的步驟S202包括以下步驟。
步驟S50:控制主機12對所感測的特徵資料與各群組的範本資料進行比較。
於一實施例中,控制主機12經由距離計算模組31計算特徵資料與各群組的範本資料之間的距離值以進行比較。
舉例來說,控制主機12可對特徵資料與各範本資料分別執行相減運算以獲得一組差異值並做為前述距離值。
步驟S51:控制主機12經由分群模組30判斷是否所感測的特徵資料與任一群組的範本資料相符。
於一實施例中,控制主機12判斷是否存在任一距離值小於預設的距離臨界值,並於判斷任一距離值小於距離臨界值時判定距離值所對應的特徵資料與範本資料彼此相符,並於判斷所有距離值皆不小於距離臨界值時判定特徵資料與所有範本資料不相符。
若控制主機12判斷所感測的特徵資料與任一群組的範本資料相符,則判定當前的物體曾被感測過(即舊物體),並執行步驟S52。若控制主機12判斷所感測的特徵資料與所有群組的範本資料皆不相符,則判定當前的物體為第一次被感測(即新物體),並執行步驟S53。
步驟S52:控制主機12將所感測的特徵資料分群至相符的範本資料所對應的群組以完成分群。
若控制主機12判斷特徵資料與所有範本資料皆不相符時執行步驟S53:控制主機12依據此筆特徵資料建立新群組。於一實施例中,控制主機12還可依據此筆特徵資料建立新群組的範本資料以供後續分群使用。
步驟S54:控制主機12將特徵資料分群至所建立的新群組。藉此,本發明可有效對所感測到的物體進行分群。
續請同時參閱圖5及圖9,圖9為本發明第五實施例的自我學習方法的部分流程圖。相較於圖5所示的實施例,本實施例的步驟S210包括以下步驟。
步驟S60:控制主機12經由時間差計算模組32取得各身分資料的感測時間與各特徵資料的感測時間,並計算各身分資料的感測時間與各特徵資料的感測時間之間的時間差。
步驟S61:控制主機12經由時間差計算模組32判斷是否任一時間差小於與預設的時間臨界值。
值得一提的是,使用者可依據身分感測裝置10及特徵感測裝置11之間的距離來調整前述時間臨界值。
舉例來說,若身分感測裝置10與特徵感測裝置11是設置於同一位置,則使用者可將時間臨界值設定為0秒或1秒。若身分感測裝置10與特徵感測裝置11設置於不同位置,則使用者可推估自身分感測裝置10所在位置移動至特徵感測裝置11所在位置所需時間,並做為時間臨界值。
若控制主機12判斷存在任一時間差小於時間臨界值時,執行步驟S211以經由關聯模組33取得此時間差所對應的身分資料與特徵資料,並將身分資料與特徵資料所屬群組進行關聯以增加此組身分資料與群組的關聯次數。否則,控制主機12再次執行步驟S20。
藉此,本發明可有效判斷所感測的身分資料與特徵資料是否相符。
續請同時參閱圖5及圖10,圖10為本發明第六實施例的自我學習方法的部分流程圖。本實施例提供一種更新功能,可對配對資料進行更新以提升配對資料的正確性。並且,於本實施例中,即便任一身分資料已與任一群組配對完成,控制主機12仍會持續計算此身分資料與各群組之間的關聯次數並計算此群組與各身分資料之間的關聯次數。相較於圖5所示的實施例,本實施例的步驟S213包括以下步驟。
若控制主機12於步驟S212中判斷本次所感測的身分資料與本次所感測的特徵資料所屬的群組(第一群組)之間的關聯次數大於關聯臨界值時,執行步驟S70:控制主機12判斷是否身分資料已被配對至其他群組(如第二群組)。
於一實施例中,控制主機12可依據身分資料於資料庫13中查詢是否存在對應的配對資料,並於找到配對資料時,判定此身分資料已被配對至其他群組(第二群組)。並且,控制主機12還可依據所找到配對資料取得已與此身分資料配對的群組(第二群組)的相關資訊(如關聯次數)。
若控制主機12判斷身分資料已被配對至另一群組(第二群組),則執行步驟S71。否則,控制主機12執行步驟S73。
步驟S71:控制主機12經由更新模組37判斷身分資料與新群組(第一群組)之間的關聯次數是否大於身分資料與原群組(第二群組)之間的關聯次數。
若控制主機12判斷身分資料與新群組之間的關聯次數大於身分資料與原群組之間的關聯次數,則執行步驟S72以更新配對資料。否則,控制主機12不更新配對資料,並執行步驟S214。
步驟S72:控制主機12經由更新模組37解除配對身分資料與原群組,並對身分資料與新群組進行配對。
於一實施例中,控制主機12是刪除身分資料與原群組之間的配對關係,並對身分資料與新群組進行配對,以產生一筆新的配對資料,並記錄至資料庫13。
若控制主機12判斷特徵資料所屬的群組尚未被配對至任一身分資料,則執行步驟S73:控制主機12對身分資料與特徵資料所屬的群組進行配對。接著執行步驟S214。
本發明經由持續更新配對資料,可有效提升已配對的身分資料與群組的正確性。
續請同時參閱圖5及圖11,圖11為本發明第七實施例的自我學習方法的部分流程圖。本實施例提供一種清除功能,可於任一關聯滿足清除條件時主動清除符合清除條件的關聯以減少記憶體使用量。具體而言,本實施例的自我學習方法更包括用以實現清除功能的步驟S80-S83。步驟S80-S83可與步驟S20-S21同時執行,或於步驟S20與步驟S21之後執行,不加以限定。於本實施例中,清除條件包括第一清除條件與第二清除條件,本實施例是於所有清除條件滿足時才清除關聯,但不以此限定。
步驟S80:控制主機12經由清除模組36判斷是否預設的執行條件滿足。
於一實施例中,前述執行條件可為預設時間(如每天上午六點或每週執行一次)或預設狀態(如儲存空間使用量大於85%或每次開機時),不加以限定。
若控制主機12判斷執行條件滿足,則執行步驟S81以判斷清除條件是否滿足。否則,控制主機12結束本次偵測。
步驟S81:控制主機12經由清除模組36及資料庫13判斷是否任一關聯次數持續未被更新的時間長度達預設的清除時間(即第一清除條件,如7天)。具體而言,控制主機12可自資料庫13讀取各關聯次數的最後更新時間,依據各關聯次數的最後更新時間與當前時間計算各關聯次數的未更新時間,再對各關聯次數的未更新時間與清除時間進行比較。
若控制主機12發現任一關聯次數超過清除時間未被更新,則執行步驟S82。否則,控制主機12結束本次偵測。
步驟S82:控制主機12經由清除模組36及資料庫13判斷是否前述超過清除時間未被更新的關聯次數小於預設的清除臨界值(即第二清除條件,如5次)。
若控制主機12判斷前述關聯次數小於清除臨界值,則執行步驟S83。否則,控制主機12結束本次偵測。
步驟S83:控制主機12經由清除模組36取得符合清除條件的關聯次數(如超過清除時間未被更新的關聯次數及/或小於預設的清除臨界值的關聯次數),取得對應此關聯次數的身分資料及群組,並清除此組身分資料及群組之間的關聯(如將關聯次數歸零或刪除關聯資料)。
於一實施例中,控制主機12並不直接刪除關聯資料,而是於每次偵測到小於清除臨界值的關聯次數時減少此關聯次數(如每次減少1),並於關
聯次數歸零時才刪除對應的關聯資料。藉此,可有效降低誤刪除正確的關聯資料的機率。
值得一提的是,雖於本實施例中是先執行步驟S81再執行步驟S82,但不以此限定。於一實施例中,控制主機12亦可僅先執行步驟S82,再執行步驟S81。
於一實施例中,控制主機12可同時執行步驟S81及S82,即超過清除時間未被更新的關聯次數與小於清除臨界值的關聯次數所對應的關聯皆會被清除。
於一實施例中,控制主機12可僅執行步驟S81,或僅執行步驟S82,即僅有超過清除時間未被更新的關聯次數與小於清除臨界值的關聯次數的其中之一所對應的關聯會被清除。
續請同時參閱圖5及圖12,圖12為本發明第八實施例的自我學習方法的部分流程圖。本實施例提供一種身分辨識功能,可依據物體的特徵資料決定物體的身分。具體而言,本實施例的自我學習方法於步驟S21後更包括用以實現身分辨識功能的步驟S22。具體而言,步驟S22包括以下步驟。
步驟S90:控制主機12經由辨識模組34判斷是否所感測到特徵資料已配對至任一身分資料。
於一實施例中,控制主機12是於資料庫13中查詢是否存在與特徵資料有關的配對資料。
若控制主機12判斷特徵資料已配對至任一身分資料,則執行步驟S91。否則,控制主機12執行步驟S93。
步驟S91:控制主機12經由辨識模組34產生辨識結果。
於一實施例中,控制主機12取得已與特徵資料配對的身分資料,並依據所取得的身分資料產生辨識結果(如特徵資料所對應的物體的身分或權限)。
步驟S92:控制主機12依據辨識結果經由操作模組35控制功能裝置14進行操作。
以功能裝置14是監視區域的門禁系統(如門鎖與警報器)為例,控制主機12可依據辨識結果決定當前的物體(如人員)是否具有進入監視區域的權限,並於判斷當前的物體具有權限時解鎖門鎖,於判斷當前的物體不具權限時啟動警報器。
以功能裝置14是空調裝置,監視區域是會議室為例,控制主機12可依據辨識結果決定當前的物體是否為會議室的借用人員,並於判斷當前的物體為會議室的借用人員時開啟空調裝置,於判斷當前的物體非為會議室的借用人員時關閉或不啟動空調裝置。
若控制主機12判斷特徵資料未配對至任一身分資料,則執行步驟S93:控制主機12經由辨識模組34控制人機介面124發出警示以通知管理員偵測到身分不明的物體。
步驟S94:控制主機12經由辨識模組34判斷是否停止辨識(如使用者是否關閉控制主機12或關閉身分辨識功能)。
若控制主機12判斷停止身分辨識,則結束自我學習方法。否則,控制主機12再次執行步驟S90。
藉此,本發明可自動辨識物體的身分並據以控制功能裝置14執行對應的操作。
續請參閱圖13,為本發明一實施例的物體辨識系統的外觀示意圖。於本實施例中,物體辨識系統為門口機。並且,身分感測裝置40(以RFID讀
卡機為例)、特徵感測裝置41(以攝影機為例)及控制主機42是設置於同一殼體中。並且,物體辨識系統上還設置有人機介面424。人機介面424用以提供訪客瀏覽影像或訊息。
於本例子中,由於物體將所持有的RFID標籤移入身分感測裝置40的感測範圍內時,特徵感測裝置41可拍到物體的臉部影像資料。因此,於本例子中,可將物體辨識系統與自我學習方法的時間臨界值設定為0秒(趨近於0),即於身分資料的感測時間與特徵資料(即物體的臉部影像資料)的感測時間相同時才對身分資料與特徵資料所屬的群組進行關聯。
續請參閱圖14,為本發明一實施例的物體辨識系統的使用示意圖。於本例子中,物體辨識系統是同時對多個監視區域S1-S4進行監視以監控進出的物體(以人員為例),並包括多個身分感測裝置50-53(以RFID讀取器為例)、多個特徵感測裝置60-64(以攝影機為例)及多個功能裝置70-73(以電動門為例)。
具體而言,身分感測裝置50、特徵感測裝置60及功能裝置70是用於監視區域S1。身分感測裝置51、特徵感測裝置61及功能裝置71是用於監視區域S2。身分感測裝置52、特徵感測裝置62、63及功能裝置72是用於監視區域S3。身分感測裝置53、特徵感測裝置64及功能裝置73是用於監視區域S4。
換句話說,於本例子中,物體辨識系統僅會將身分感測裝置50所感測到的身分資料關聯至特徵感測裝置60所感測到的特徵資料所屬的群組,將身分感測裝置51所感測到的身分資料關聯至特徵感測裝置61所感測到的特徵資料所屬的群組,以此類推,即本例子的物體辨識系統不會對不同監視區域所感測到的身分資料及特徵資料所屬群組進行關聯。
藉此,本發明可有效對多個監視區域的物體分別執行自我學習功能,而不會造成混淆。
當然,本發明還可有其它多種實施例,在不背離本發明精神及其實質的情況下,本發明所屬技術領域中具有通常知識者當可根據本發明作出各種相應的改變和變形,但這些相應的改變和變形都應屬於本發明的範圍。
Claims (20)
- 一種基於資料融合的物體辨識系統,包括:一身分感測裝置,用以感測進入一監視區域的至少一物體各別的一身分資料;一特徵感測裝置,用以感測進入該監視區域的該物體各別的一特徵資料;及一控制主機,連接該身分感測裝置及該特徵感測裝置,並包括一清除模組,該控制主機於多個群組中決定至少其中之一作為該特徵資料所屬的該群組,於該身分資料的一第一感測時間與該特徵資料的一第二感測時間相符時對該身分資料及該特徵資料所屬的該群組進行關聯,並於判斷任一該群組被關聯至同一該身分資料的一關聯次數大於一關聯臨界值時,對該群組與該身分資料進行配對,該清除模組用以於判斷一清除條件滿足時,清除符合該清除條件的該關聯次數所對應的該身分資料與該群組之間的關聯。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該身分感測裝置是一RFID讀取器,該身分資料儲存於該物體所包含的一RFID標籤,該RFID標籤於收到該身分感測裝置所發出的一無線射頻訊號後回傳該身分資料至該身分感測裝置。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該特徵感測裝置是一攝影機,並用以對該監視區域內的該物體進行拍攝以產生一視訊資料,於該視訊資料中辨識該物體的一影像資料,並依據該物體的該影像資料分析該特徵資料。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該特徵感測裝置是一生物辨識器,並用以感測該監視區域內的該物體的一生物資料,並依據該生物資料分析該特徵資料。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該控制主機包括一分群模組,該分群模組用以比較該特徵資料與分別對應該等群組的多個範本資料,於該特徵資料符合該等範本資料之一者時將該特徵資料分群至符合的該範本資料所對應的該群組,並於該特徵資料不符合該等範本資料時,依據該特徵資料建立新的該群組,並將該特徵資料分群至新的該群組。
- 如請求項5所述的基於資料融合的物體辨識系統,其中該控制主機更包括一距離計算模組,該距離計算模組用以計算該特徵資料與該等範本資料之間各別的一距離值,該分群模組是於任一該距離值小於一距離臨界值時判定該特徵資料符合該範本資料,並於所有該距離值不小於該距離臨界值時判定該特徵資料不符合所有該範本資料。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該控制主機更包括:一時間差計算模組,計算該身分資料的該第一感測時間與每一該特徵資料的該第二感測時間之間的一時間差;及一關聯模組,於該時間差小於一時間臨界值時增加該身分資料及該特徵資料所屬的該群組之間的該關聯次數。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該清除條件是任一該關聯次數小於一清除臨界值。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該清除條件是任一該關聯次數持續一清除時間未被更新。
- 如請求項1所述的基於資料融合的物體辨識系統,其中該控制主機更包括一更新模組,該更新模組用以於判斷另一該群組與該身分資料之間的該關聯次數大於該關聯臨界值且大於已配對至該身分資料的該群組的該關聯次數時,解除配對該群組與該身分資料,並配對另一該群組與該身分資料。
- 一種用於物體辨識的自我學習方法,包括以下步驟:a)經由一身分感測裝置感測進入一監視區域的至少一物體各別的一身分資料;b)經由一特徵感測裝置感測進入該監視區域的該物體各別的一特徵資料;c)於多個群組中決定至少其中之一作為該特徵資料所屬的該群組;d)於該身分資料的一第一感測時間與該特徵資料的一第二感測時間相符時對該身分資料及該特徵資料所屬的該群組進行關聯;e)於判斷任一該群組被關聯至同一該身分資料的一關聯次數大於一關聯臨界值時,配對該群組與該身分資料;及f)於判斷一清除條件滿足時,清除符合該清除條件的該關聯次數所對應的該身分資料與該群組之間的關聯。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該步驟a)是經由該身分感測裝置發出一無線射頻訊號並自一RFID標籤取得該身分資料。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該步驟b)包括以下步驟:b11)經由該特徵感測裝置對該監視區域內的該物體進行拍攝以產生一視訊資料;b12)於該視訊資料中辨識該物體的一影像資料;及b13)依據該物體的該影像資料分析該特徵資料。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該步驟b)包括以下步驟:b21)經由該特徵感測裝置感測該監視區域內的該物體的一生物資料;及b22)依據該物體的該生物資料分析該特徵資料。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該步驟c)包括以下步驟:c1)比較該特徵資料與分別對應該等群組的多個範本資料;c2)於該特徵資料符合該等範本資料中之一者時將該特徵資料分群至符合的該範本資料所對應的該群組;及c3)於該特徵資料不符合該等範本資料時,依據該特徵資料建立新的該群組,並將該特徵資料分群至新的該群組。
- 如請求項15所述的用於物體辨識的自我學習方法,其中該步驟c1)是計算該特徵資料與該等範本資料之間各別的一距離值;該步驟c2)是於任一該距離值小於一距離臨界值時判定該特徵資料符合該範本資料;該步驟c3)是於所有該距離值不小於該距離臨界值時判定該特徵資料不符合所有該範本資料。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該步驟d)包括以下步驟:d1)計算該身分資料的該第一感測時間與每一該特徵資料的該第二感測時間之間的一時間差;及d2)於該時間差小於一時間臨界值時增加該身分資料及該特徵資料所屬的該群組之間的該關聯次數。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該清除條件是任一該關聯次數小於一清除臨界值。
- 如請求項11所述的用於物體辨識的自我學習方法,其中該清除條件是任一該關聯次數持續一清除時間未被更新。
- 如請求項11所述的用於物體辨識的自我學習方法,其中更包括一步驟h)於判斷另一該群組與該身分資料之間的該關聯次數大於該關聯臨界值且 大於已配對至該身分資料的該群組的該關聯次數時,解除配對該群組與該身分資料,並配對另一該群組與該身分資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107100593A TWI672640B (zh) | 2018-01-08 | 2018-01-08 | 基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107100593A TWI672640B (zh) | 2018-01-08 | 2018-01-08 | 基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201931209A TW201931209A (zh) | 2019-08-01 |
TWI672640B true TWI672640B (zh) | 2019-09-21 |
Family
ID=68315918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107100593A TWI672640B (zh) | 2018-01-08 | 2018-01-08 | 基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI672640B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173081A1 (en) * | 2010-01-11 | 2011-07-14 | Crucs Holdings, Llc | Systems and methods using point-of-sale customer identification |
CN202854920U (zh) * | 2012-07-03 | 2013-04-03 | 北京盛世光明软件股份有限公司 | 基于有源rfid技术和人脸识别技术的门禁管理系统 |
TW201344490A (zh) * | 2012-04-27 | 2013-11-01 | Chung Shan Inst Of Science | 一種具有共同身分辨識之電腦開機方法及其系統 |
CN107527075A (zh) * | 2016-06-20 | 2017-12-29 | 杭州海康威视数字技术股份有限公司 | Rfid标签与人员对应关系建立及轨迹追踪方法及装置 |
-
2018
- 2018-01-08 TW TW107100593A patent/TWI672640B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173081A1 (en) * | 2010-01-11 | 2011-07-14 | Crucs Holdings, Llc | Systems and methods using point-of-sale customer identification |
TW201344490A (zh) * | 2012-04-27 | 2013-11-01 | Chung Shan Inst Of Science | 一種具有共同身分辨識之電腦開機方法及其系統 |
CN202854920U (zh) * | 2012-07-03 | 2013-04-03 | 北京盛世光明软件股份有限公司 | 基于有源rfid技术和人脸识别技术的门禁管理系统 |
CN107527075A (zh) * | 2016-06-20 | 2017-12-29 | 杭州海康威视数字技术股份有限公司 | Rfid标签与人员对应关系建立及轨迹追踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TW201931209A (zh) | 2019-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI746641B (zh) | 用於追蹤在一經界定區域中之物體之方法與系統 | |
JP4924607B2 (ja) | 不審行動検知装置および方法、プログラムおよび記録媒体 | |
US12039803B2 (en) | Techniques for automatically identifying secondary objects in a stereo-optical counting system | |
KR101708491B1 (ko) | 압력 센서를 이용한 객체 인식 방법 | |
TWI607336B (zh) | 區域的監控方法 | |
CN105094080A (zh) | 访问控制系统中的动态主体跟踪和多标记的系统和方法 | |
JP2017220151A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115346163A (zh) | 仓库安全监控方法、装置、系统、设备和计算机存储介质 | |
Abd et al. | Human fall down recognition using coordinates key points skeleton | |
TWI672640B (zh) | 基於資料融合的物體辨識系統及用於物體辨識的自我學習方法 | |
US20140297221A1 (en) | Locating system and locating method using pressure sensor | |
KR101552564B1 (ko) | 가스센서 및 ip네트워크 카메라 기반 융합 보안 시스템 | |
Teng et al. | EV: Efficient visual surveillance with electronic footprints | |
CN110020574B (zh) | 基于数据融合的物体辨识系统及物体辨识的自我学习方法 | |
CN112070185A (zh) | 基于Re-ID的非接触式发烧人员追踪系统及其追踪方法 | |
KR102464196B1 (ko) | 빅데이터 기반 영상 감시시스템 | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 | |
JP2012174058A (ja) | 特定事象検出装置、システム、方法及びプログラム | |
CN114550078A (zh) | 火焰目标检测方法、电子设备、存储介质 | |
CN106104631B (zh) | 人物检测装置及人物检测方法 | |
CN102445913A (zh) | 温度监测系统及方法 | |
EP2075740A1 (en) | Method for making a decision. | |
KR101482646B1 (ko) | 스마트 기기 연동형 지능형 방범보안 시스템 | |
JP2001184568A (ja) | 空間内の整理状況監視機能付セキュリティーシステム | |
KR102464197B1 (ko) | 빅데이터 기반 영상 감시 방법 |