CN111309151A - 一种学校监控设备的控制方法 - Google Patents
一种学校监控设备的控制方法 Download PDFInfo
- Publication number
- CN111309151A CN111309151A CN202010131335.2A CN202010131335A CN111309151A CN 111309151 A CN111309151 A CN 111309151A CN 202010131335 A CN202010131335 A CN 202010131335A CN 111309151 A CN111309151 A CN 111309151A
- Authority
- CN
- China
- Prior art keywords
- behavior
- support vector
- vector machine
- monitoring equipment
- image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 75
- 238000012806 monitoring device Methods 0.000 claims description 20
- 229920000742 Cotton Polymers 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 9
- 230000003238 somatosensory effect Effects 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及属于监控设备控制技术领域,具体公开了一种学校监控设备的控制方法,包括:在校园布置监控设备网络,监控设备上连接有一体感设备和一亮度传感器。监控设备获取多张预定行为图像,建立行为图像指令样本库。建立支持向量机,利用粒子群算法优化支持向量机的网络参数。将标记的行为图像样本分为训练集和测试集,然后对支持向量机进行训练。由体感设备采集多个行为动作,建立动作指令数据库。根据亮度传感器的亮度,根据体感设备或支持向量机获取的预定行为或预定行为图像调取对应的操作指令操控监控设备。使得维护人员对校园网进行维护时,无需与监控室的操作员联络即可对校园监控网进行操作,从而完成维护作业。
Description
技术领域
本发明属于监控设备控制技术领域,特别涉及用于一种学校监控设备的控制方法。
背景技术
在校园内,因学校人员密集,且学校内具有较多的教学设备、老师学生的私有物品,因此每年都会发生较多的盗窃行为,同时会发生打架斗殴等现象,因此在校园内安装了监控设备,监控设备实时录取学校的环境录像,可对上述行为进行回查。
在校园内安装监控设备给校园的盗窃、打架斗殴等事件提供了较好的视频证据,但校园一般面积都很大,而监控室离每个摄像头的距离又较远,当需要对校园监控网进行检查维护时,如需要暂时关掉监控设备,开启监控设备等操作时,则需要监控室进行配合,若维修人员通过通话机与监控人员进行通信的信号较差时,则不能很好的配合,会给维护工作带来不便。
发明内容
本发明的目的在于提供一种学校监控设备的控制方法,从而克服当需要对校园监控网进行检查维护需要监控室进行配合时,维修人员通过通话机与监控人员进行通信的信号较差时不能很好的配合的缺陷。
为实现上述目的,本发明提供了用于一种学校监控设备的控制方法,包括:
S1,在校园布置监控设备网络,所述监控设备上连接有一体感设备和一亮度传感器;
S2,监控设备获取多张预定行为图像,将每张预定行为对应一个具体的监控设备的操作指令,同时对多张所述行为图像的行为特征进行标记,形成行为图像指令样本库;
S3,建立支持向量机,利用粒子群算法优化所述支持向量机的网络参数,以形成网络参数最优的支持向量机;
S4,将标记的行为图像样本分为训练集和测试集,将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试,获取能够预测行为的支持向量机;
S5,由体感设备采集多个行为动作,并将每个行为动作对应一个具体的监控设备的操作指令,将多个行为动作和对应的操作指令集成以形成动作指令数据库;
S6,由亮度传感器实时获取亮度值,当亮度值低于预设值时则关闭支持向量机预测,打开所述体感设备,由所述体感设备实时采集行为动作,以根据行为动作调取对应的操作指令以操控所述监控设备;
当亮度值高于预设值时则关闭体感设备,打开支持向量机预测,由监控设备实时获取行为图像,采用能够预测行为的支持向量机对连续帧监控图像进行行为预测,若预测到预定行为图像,则调取对应的操作指令以操控所述监控设备。
优选的,上述技术方案中,步骤S2具体包括:
S201,设置所述支持向量机的参数:惩罚参数C,RBF核参数δ,损失函数ε参数;其中,惩罚参数C范围为[1,100],RBF核参数δ的范围为[0.1,100],损失函数ε参数范围为[0.001,1];
S202,初始化粒子群的相关参数:设定种群数量,最大迭代次数,学习因子及惯性权重,并随机赋予每个粒子的初始位置和速度;
S203,确定适应度评估函数,根据适应度函数评价每个粒子的适应度;
S204,将各个粒子的适应度的极值存在pbest中,将所有的最优个体的适应度存在全局极值gbest中;
S205,对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度,如果粒子适应度优于pbest,将pbest设置为新位置;
vk+1=wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk) (1)
xk+1=xk+vk+1 (2)
式中:vk与xk当前粒子的速度向量与位置;vk+1与xk+1更新后的粒子的速度向量与位置;pbestk表示粒子当前最优解位置,gbestk表示整个种群的最优解位置;w为惯性权重,w=0.8;c1和c2为学习因子;r1和r2为0到1之间的均匀分布的随机数;
S206,检验是否达到迭代次数或最小误差要求,如果是则停止迭代,并保存粒子群的整体最优位置值,否则转至S203继续计算;
S207,输出gbest,得到支持向量机的参数以建立最优的非线性所述支持向量机。
优选的,上述技术方案中,所述监控设备包括:外壳、摄像机、反光板、光源、控制器、清扫棉刷、第一电机、定时器、第二电机及罩体,所述外壳呈六面柱体状,六面柱体状的外壳的每个柱面均设有一个摄像机,所述摄像机的摄像头延伸出每个柱面,每个摄像机的上方设有反光板,所述反光板与所述摄像机之间设有光源,所述清扫棉刷的一端铰接于所述摄像机的一侧,所述罩体的一端铰接于所述清扫棉刷的一侧,所述第一电机用于带动所述罩体罩于所述清扫棉刷上,所述第二电机用于带动清扫棉刷往所述摄像机的摄像头表面来回摆动,其中,所述定时器、摄像机、光源、第一电机及第二电机分别与所述控制器连接。
优选的,上述技术方案中,所述监控设备的光源初始状态不亮,当所述支持向量机预测到预定行为图像时,则打开所述光源,由所述监控设备利用能够预测预定行为的支持向量机再次预测之后采集的图像,此时若再次预测为预定行为图像则调取相应的操作指令,若不是,则不调取相应的操作指令。
优选的,上述技术方案中,所述行为动作包括举双手、抬左手及踢右脚、抬右手及踢左脚。
优选的,上述技术方案中,多张预定行为图像包括举双手图像、抬左手及踢右脚图像、抬右手及踢左脚图像。
与现有的技术相比,本发明具有如下有益效果:
本发明的学校监控设备的控制方法,利用体感设备抓取预定动作或利用支持向量机抓取预定动作的图像,转化为控制监控设备的操作指令,使得维护人员对校园网进行维护时,无需与监控室的操作员联络即可对校园监控网进行操作,从而完成维护作业。
附图说明
图1是本发明学校监控设备的控制方法的流程图。
图2是本发明PSO优化算法流程图。
图3是本发明监控设备的俯视图。
图4是本发明监控设备的主视图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示,该实施例中的学校监控设备的控制方法,包括:
S1,在校园布置监控设备网络,每台监控设备上连接有一体感设备和一亮度传感器。具体的,即在校园的各个角落均安装监控设备,并将监控设备连接到服务器,从而形成监控网络。
S2,监控设备获取多张预定行为图像,将每张预定行为对应一个具体的监控设备的操作指令,同时对多张行为图像的行为特征进行标记,即特征提取,形成行为图像指令样本库。多张预定行为图像包括举双手图像、抬左手及踢右脚图像、抬右手及踢左脚图像等,如举双手图像为关闭监控设备指令,抬左手及踢右脚图像为开启监控设备指令,抬右手及踢左脚图像为试运行10分钟关闭指令。
S3,建立支持向量机,利用粒子群算法优化支持向量机的网络参数,以形成网络参数最优的支持向量机。设预定行为图像的输入为目标参量为x,输出为y(预定行为特征),显然y=f(x)为非线性关系,将预定行为图像x作为粒子群PSO-SVM支持向量机模型的输入样本,经粒子群PSO-SVM支持向量机模型处理后输出预定行为特征y。
S4,将标记的行为图像样本分为训练集和测试集,随机抽取样本数据的前90%作为训练集,后10%为测试集,将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试,获取能够预测行为的支持向量机。
S5,由体感设备采集多个行为动作,并将每个行为动作对应一个具体的监控设备的操作指令,将多个行为动作和对应的操作指令集成以形成动作指令数据库;行为动作包括举双手、抬左手及踢右脚、抬右手及踢左脚。如上述一致,如举双手为关闭监控设备指令,抬左手及踢右脚为开启监控设备指令,抬右手及踢左脚为试运行10分钟关闭指令。
S6,由亮度传感器实时获取亮度值,当亮度值低于预设值时则关闭支持向量机预测,打开所述体感设备,由体感设备实时采集行为动作,以根据行为动作调取对应的操作指令以操控监控设备。
当亮度值高于预设值时则关闭体感设备,打开支持向量机预测,由监控设备实时获取行为图像,采用能够预测行为的支持向量机对连续帧监控图像进行行为预测,若预测到预定行为图像,则调取对应的操作指令以操控监控设备。
如图2所示,步骤S2具体包括:
S201,设置所述支持向量机的参数:惩罚参数C,RBF核参数δ,损失函数ε参数;其中,惩罚参数C范围为[1,100],RBF核参数δ的范围为[0.1,100],损失函数ε参数范围为[0.001,1]。
S202,初始化粒子群的相关参数:设定种群数量,最大迭代次数,学习因子及惯性权重,并随机赋予每个粒子的初始位置和速度。
S203,确定适应度评估函数,根据适应度函数评价每个粒子的适应度。
S204,将各个粒子的适应度的极值存在pbest中,将所有的最优个体的适应度存在全局极值gbest中。
S205,对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度,如果粒子适应度优于pbest,将pbest设置为新位置;
vk+1=wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk) (1)
xk+1=xk+vk+1 (2)
式中:vk与xk当前粒子的速度向量与位置;vk+1与xk+1更新后的粒子的速度向量与位置;pbestk表示粒子当前最优解位置,gbestk表示整个种群的最优解位置;w为惯性权重,w=0.8;c1和c2为学习因子;r1和r2为0到1之间的均匀分布的随机数。
S206,检验是否达到迭代次数或最小误差要求,如果是则停止迭代,并保存粒子群的整体最优位置值,否则转至S203继续计算。
S207,输出gbest,得到支持向量机的参数以建立最优的非线性所述支持向量机。
进一步的,如图3-图4所示,监控设备包括:外壳1、摄像机2、反光板4、光源3、控制器9、清扫棉刷7、第一电机6、第二电机8、定时器及罩体5,外壳1呈六面柱体状,六面柱体状的外壳1的每个柱面均设有一个摄像机2,摄像机2的摄像头延伸出每个柱面,每个摄像机2的上方设有反光板4,反光板4与摄像机2之间设有光源3,清扫棉刷7的一端铰接于摄像机2的一侧,罩体5的一端铰接于清扫棉刷7的一侧,第一电机6用于带动罩体5罩于清扫棉刷7上,第二电机8用于带动清扫棉刷7往摄像机2的摄像头表面来回摆动,其中,定时器、摄像机2、光源3、第一电机6及第二电机8分别与控制器9连接,控制器9连接监控室的服务器。
其中,监控设备工作时,摄像机实时获取录像,并传输至控制器,由控制器处理后再传输到监控中心。进一步的,常态时,罩体罩于清扫棉刷上,通过定时器进行定时,如定时每隔5小时启动一次,当到预定时间时,则启动第一电机转动带动罩体向上翻起,然后第二电机带动清扫棉刷往摄像机的摄像头表面来回摆动,从而对摄像头进行清扫,以解决摄像机常年位于高出,无法被清扫的目的,来回摆动数次后,第二电机带动清扫棉刷复位,第一电机带动罩体复位,从而完成摄像头清扫工作。
进一步的,若遇阴雨天气,为防止误判,监控设备的光源初始状态不亮,当支持向量机预测到行为图像时,则由监控设备的控制器控制打开光源,由监控设备利用能够预测预定行为的支持向量机再次预测之后采集的图像,此时若再次预测为预定行为图像则调取相应的操作指令,若不是,则不调取相应的操作指令。使得当识别到预定行为时,利用该设备和方法能够再次获取增加亮度的预定行为图像,从而提高预定行为的识别率。
本发明的学校监控设备的控制方法,利用体感设备抓取预定动作或抓取预定动作的图像,转化为控制监控设备的操作指令,使得维护人员对校园网进行维护时,无需与监控室的操作员联络即可对校园监控网进行操作,从而完成维护作业。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (6)
1.一种学校监控设备的控制方法,其特征在于,包括:
S1,在校园布置监控设备网络,所述监控设备上连接有一体感设备和一亮度传感器;
S2,监控设备获取多张预定行为图像,将每张预定行为对应一个具体的监控设备的操作指令,同时对多张所述行为图像的行为特征进行标记,形成行为图像指令样本库;
S3,建立支持向量机,利用粒子群算法优化所述支持向量机的网络参数,以形成网络参数最优的支持向量机;
S4,将标记的行为图像样本分为训练集和测试集,将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试,获取能够预测行为的支持向量机;
S5,由体感设备采集多个行为动作,并将每个行为动作对应一个具体的监控设备的操作指令,将多个行为动作和对应的操作指令集成以形成动作指令数据库;
S6,由亮度传感器实时获取亮度值,当亮度值低于预设值时则关闭支持向量机预测,打开所述体感设备,由所述体感设备实时采集行为动作,以根据行为动作调取对应的操作指令以操控所述监控设备;
当亮度值高于预设值时则关闭体感设备,打开支持向量机预测,由监控设备实时获取行为图像,采用能够预测行为的支持向量机对连续帧监控图像进行行为预测,若预测到预定行为图像,则调取对应的操作指令以操控所述监控设备。
2.根据权利要求1所述的地下室防盗监控设备的控制方法,其特征在于,步骤S2具体包括:
S201,设置所述支持向量机的参数:惩罚参数C,RBF核参数δ,损失函数ε参数;其中,惩罚参数C范围为[1,100],RBF核参数δ的范围为[0.1,100],损失函数ε参数范围为[0.001,1];
S202,初始化粒子群的相关参数:设定种群数量,最大迭代次数,学习因子及惯性权重,并随机赋予每个粒子的初始位置和速度;
S203,确定适应度评估函数,根据适应度函数评价每个粒子的适应度;
S204,将各个粒子的适应度的极值存在pbest中,将所有的最优个体的适应度存在全局极值gbest中;
S205,对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度,如果粒子适应度优于pbest,将pbest设置为新位置;
vk+1=wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk) (1)
xk+1=xk+vk+1 (2)
式中:vk与xk当前粒子的速度向量与位置;vk+1与xk+1更新后的粒子的速度向量与位置;pbestk表示粒子当前最优解位置,gbestk表示整个种群的最优解位置;w为惯性权重,w=0.8;c1和c2为学习因子;r1和r2为0到1之间的均匀分布的随机数;
S206,检验是否达到迭代次数或最小误差要求,如果是则停止迭代,并保存粒子群的整体最优位置值,否则转至S203继续计算;
S207,输出gbest,得到支持向量机的参数以建立最优的非线性所述支持向量机。
3.根据权利要求1所述的地下室防盗监控设备的控制方法,其特征在于,所述监控设备包括:外壳、摄像机、反光板、光源、控制器、定时器、清扫棉刷、第一电机、第二电机及罩体,所述外壳呈六面柱体状,六面柱体状的外壳的每个柱面均设有一个摄像机,所述摄像机的摄像头延伸出每个柱面,每个摄像机的上方设有反光板,所述反光板与所述摄像机之间设有光源,所述清扫棉刷的一端铰接于所述摄像机的一侧,所述罩体的一端铰接于所述清扫棉刷的一侧,所述第一电机用于带动所述罩体罩于所述清扫棉刷上,所述第二电机用于带动清扫棉刷往所述摄像机的摄像头表面来回摆动,其中,所述定时器、摄像机、光源、第一电机及第二电机分别与所述控制器连接。
4.根据权利要求3所述的地下室防盗监控设备的控制方法,其特征在于,所述监控设备的光源初始状态不亮,当所述支持向量机预测到预定行为图像时,则打开所述光源,由所述监控设备利用能够预测预定行为的支持向量机再次预测之后采集的图像,此时若再次预测为预定行为图像则调取相应的操作指令,若不是,则不调取相应的操作指令。
5.根据权利要求1所述的地下室防盗监控设备的控制方法,其特征在于,所述行为动作包括举双手、抬左手及踢右脚、抬右手及踢左脚。
6.根据权利要求1所述的地下室防盗监控设备的控制方法,其特征在于,多张预定行为图像包括举双手图像、抬左手及踢右脚图像、抬右手及踢左脚图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131335.2A CN111309151B (zh) | 2020-02-28 | 2020-02-28 | 一种学校监控设备的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131335.2A CN111309151B (zh) | 2020-02-28 | 2020-02-28 | 一种学校监控设备的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309151A true CN111309151A (zh) | 2020-06-19 |
CN111309151B CN111309151B (zh) | 2022-09-16 |
Family
ID=71159535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131335.2A Active CN111309151B (zh) | 2020-02-28 | 2020-02-28 | 一种学校监控设备的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309151B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080063076A1 (en) * | 2002-07-02 | 2008-03-13 | Shinya Kadono | Motion vector derivation method, moving picture coding method and moving picture decoding method |
JP2009166323A (ja) * | 2008-01-15 | 2009-07-30 | Sigumakkusu Kk | 射出成形機監視装置 |
CN102161202A (zh) * | 2010-12-31 | 2011-08-24 | 中国科学院深圳先进技术研究院 | 全景监控机器人***、监控机器人 |
US20140161310A1 (en) * | 2012-12-07 | 2014-06-12 | Pixart Imaging Inc. | Device and Method for Determining Gesture and Operation Method of Gesture Determining Device |
CN104915003A (zh) * | 2015-05-29 | 2015-09-16 | 深圳奥比中光科技有限公司 | 一种体感控制参数调整的方法、体感交互***及电子设备 |
CN105095866A (zh) * | 2015-07-17 | 2015-11-25 | 重庆邮电大学 | 一种快速行为识别方法和*** |
CN107037878A (zh) * | 2016-12-14 | 2017-08-11 | 中国科学院沈阳自动化研究所 | 一种基于手势的人机交互方法 |
CN108830304A (zh) * | 2018-05-29 | 2018-11-16 | 深圳明创自控技术有限公司 | 一种基于支持向量机的图像识别*** |
US20190108242A1 (en) * | 2017-10-10 | 2019-04-11 | Alibaba Group Holding Limited | Search method and processing device |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警*** |
CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
US20200013273A1 (en) * | 2018-07-04 | 2020-01-09 | Arm Ip Limited | Event entity monitoring network and method |
-
2020
- 2020-02-28 CN CN202010131335.2A patent/CN111309151B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080063076A1 (en) * | 2002-07-02 | 2008-03-13 | Shinya Kadono | Motion vector derivation method, moving picture coding method and moving picture decoding method |
JP2009166323A (ja) * | 2008-01-15 | 2009-07-30 | Sigumakkusu Kk | 射出成形機監視装置 |
CN102161202A (zh) * | 2010-12-31 | 2011-08-24 | 中国科学院深圳先进技术研究院 | 全景监控机器人***、监控机器人 |
US20140161310A1 (en) * | 2012-12-07 | 2014-06-12 | Pixart Imaging Inc. | Device and Method for Determining Gesture and Operation Method of Gesture Determining Device |
CN104915003A (zh) * | 2015-05-29 | 2015-09-16 | 深圳奥比中光科技有限公司 | 一种体感控制参数调整的方法、体感交互***及电子设备 |
CN105095866A (zh) * | 2015-07-17 | 2015-11-25 | 重庆邮电大学 | 一种快速行为识别方法和*** |
CN107037878A (zh) * | 2016-12-14 | 2017-08-11 | 中国科学院沈阳自动化研究所 | 一种基于手势的人机交互方法 |
US20190108242A1 (en) * | 2017-10-10 | 2019-04-11 | Alibaba Group Holding Limited | Search method and processing device |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警*** |
CN108830304A (zh) * | 2018-05-29 | 2018-11-16 | 深圳明创自控技术有限公司 | 一种基于支持向量机的图像识别*** |
US20200013273A1 (en) * | 2018-07-04 | 2020-01-09 | Arm Ip Limited | Event entity monitoring network and method |
CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111309151B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10740676B2 (en) | Passive pruning of filters in a convolutional neural network | |
CN109870987A (zh) | 适用于大型厂房现场施工的物联网平台管理方法及其*** | |
CN112200011B (zh) | 曝气池状态检测方法、***、电子设备及存储介质 | |
CN110334627A (zh) | 对人员的行为进行检测的装置和*** | |
CN112731981B (zh) | 一种水利闸门自动化远程控制*** | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN114418179A (zh) | 一种施工扬尘监测与预测方法、装置及*** | |
CN108776452B (zh) | 一种特种设备现场维保监控方法及*** | |
CN111309151B (zh) | 一种学校监控设备的控制方法 | |
CN109548690B (zh) | 一种小白鼠群体逃生行为演化研究多功能实验装置 | |
CN112219814B (zh) | 烟草甲虫虫情监测预警*** | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及*** | |
CN112219815A (zh) | 烟草甲虫虫情监测预警方法 | |
CN115951617A (zh) | 一种基于数字孪生的控制*** | |
CN110045133A (zh) | 一种耗材监控装置及监控方法 | |
CN113138894B (zh) | 基于电力参数监测与屏幕信息识别的实验设备监控方法 | |
CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及*** | |
CN111923042B (zh) | 机柜栅格的虚化处理方法及***、巡检机器人 | |
CN113703341A (zh) | 一种用于驾驶员监控的仿真测试*** | |
JP7383539B2 (ja) | 制御システム、情報処理装置、および情報処理方法 | |
CN1438600A (zh) | 自由活动实验动物运动,行为和电生理指标监测分析*** | |
CN110348338A (zh) | 基于深度学习的驾驶员辅助驾驶后视镜及包含其的*** | |
CN208766849U (zh) | 一种机床电气实训考核装置 | |
CN107144962B (zh) | 一种寻找成像***最优工作参数的***和方法 | |
CN110244188A (zh) | 一种电网故障诊断方法、装置及配电开关监控终端 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200619 Assignee: Guangxi Jiulong Electronic Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980045660 Denomination of invention: A Control Method for School Monitoring Equipment Granted publication date: 20220916 License type: Common License Record date: 20231105 |
|
EE01 | Entry into force of recordation of patent licensing contract |