面向大规模感知数据的实时数据流处理方法及关键技术_亓开元
我国成功研发基于图像处理技术的汽车安全系统
在 站 内发 电避 免 或 减 少 输 配 电损 失 等 多 种优 点 ， 且 还 不 会 而 造 成 温 室 气 体 排 放 ，具 有 良好 的环 境 效 益 。 该 系 统 的 稳 定 运 行 ， 一 步 提 高 了 站 内 照 明 系 统 乃 至 整 进 个 站 级 辅 助 系 统 电源 的供 电可 靠 性 、可 用 性 。同 时 ，该 系 统 在 国家 电网 首 座 ５ ０千 伏 智 能 变 电站 的 尝试 ， 递 了 一 种 节 ０ 传 能 、环 保 、绿 色 的建 设 理 念 ，为 今 后 太 阳 能 光 伏 发 电在 智 能 电 网 内的 进 一 步 推 广 应 用 提 供 了 良好 示 范 。 （ 技 日报 ） 科
将 相 撞 的 车辆 擦 身 而 过 … … 驾驶 员 能 如 此 临 危 不 乱 果 断 处 置 ， 要 是得 益 于 南 京 理 主 工 大 学 计 算 机 科 学 与 技 术 学 院研 发 的 “ 于 视 觉 资 讯 处 理 基 的 车 辆 主 动 安 全 核 心 技 术 ” 。４ 月 １ 日，记 者 在 南 理 工 亲 ９
停的线路 ”。因其唯一，线路 的带 电作业就 没有任 何先例 可 寻，必须面临一系列全新 的技术挑战 。 记 者 今 天 下 午 在 现 场 看 到 ， 国 网 中 国 电科 院和 山 东 电 由
力 集 团 超 高 压 公 司 合 作 开 展 的此 次 开创 性 作 业 ， 后 历 经 近 前
传感 器获取车外环境信息 ，特别是车前大约 ８ ０度视角区域 及 车 两侧 后 视 大 约 ６ Ｏ度 视 角 区 域 ，针 对 汽 车行 驶 过 程 中 可 能 出 现 的 车 辆 偏 离 行 车 道 的 危 险 以及 变 道 时 盲 区 车 辆 接 近
全矿井智能视频分析关键技术综述
全矿井智能视频分析关键技术综述程德强1， 寇旗旗2， 江鹤1， 徐飞翔1， 宋天舒1， 王晓艺1， 钱建生1（1. 中国矿业大学 信息与控制工程学院，江苏 徐州 221116；2. 中国矿业大学 计算机科学与技术学院，江苏 徐州 221116）摘要：智能化是煤矿发展的方向，而智能视频分析是促进煤矿智能化的有效途径。
全矿井智能视频分析技术具有实时监控、预警和决策支持能力，有助于提高矿山企业的安全性、生产效率、资源利用效率和环境可持续性。
详细介绍了全矿井智能视频分析的关键技术，包括视频采集设备、视频预处理、视频压缩与编码等视频采集与处理技术，目标检测与跟踪、运动检测与分析、物体识别与分类等视频分析基础技术，行为识别与分析、事件检测与警报、视频监控与布防等高级视频分析技术。
研发了集成视频识别分析和工业联动控制功能的矿山智脑AI 视觉智能服务平台，介绍了智能视频分析技术在智能探放水系统和探放瓦斯系统、煤岩识别与截割系统、掘进工作面、综采工作面、煤流运输系统、矿井提升机系统、辅助运输系统、选煤厂、智能化装车配煤系统等矿井生产场景中的应用。
分析指出目前全矿井智能视频分析技术在视频质量、复杂背景、实时性要求、数据隐私和安全、系统可靠性与稳定性等方面仍面临挑战。
建议未来加强算法提升和优化、多模态数据融合、实时分析和边缘计算、强化学习和自主决策、数据隐私和安全保护、硬件设备和传感器技术等方面的研究，以全面推动全矿井智能视频分析技术的发展，促进矿山智能化进程。
关键词：煤矿智能化；智能视频分析；AI 视觉；视频采集与处理；视频识别与分析；视频监控预警中图分类号：TD67 文献标志码：AOverview of key technologies for mine-wide intelligent video analysisCHENG Deqiang 1, KOU Qiqi 2, JIANG He 1, XU Feixiang 1, SONG Tianshu 1, WANG Xiaoyi 1, QIAN Jiansheng 1(1. School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116,China ； 2. School of Computer Science and Technology, China University of Mining and Technology,Xuzhou 221116, China)Abstract : Intelligence is the direction of coal mine development, and intelligent video analysis is an effective way to promote coal mine intelligence. The mine-wide intelligent video analysis technology has real-收稿日期：2023-08-16；修回日期：2023-11-10；责任编辑：李明。
openmv大津法自适应阈值 -回复
openmv大津法自适应阈值-回复什么是openmv？OpenMV是一种基于Python编程语言的开源微控制器，它集成了处理器、图像传感器和各种外设接口。
OpenMV的优势在于它可以轻松地实现图像处理和机器视觉算法，可以在嵌入式系统中实时运行。
什么是大津法（Otsu's Method）？大津法，也被称为Otsu's Method，是一种被广泛应用于图像阈值分割的自适应阈值算法。
它是由日本工学家大津展之于1979年提出的，旨在找到最佳的阈值，将图像分为两个类别，以便于后续的图像处理操作。
大津法的原理和步骤是什么？大津法的原理是基于类间方差最大化的思想。
方差是一个衡量数据分散程度的指标，类间方差则代表不同分割类别之间的差异程度。
在一幅图像中，如果存在明显的前景物体和背景，它们的像素值将有很大的差异。
大津法通过寻找使类间方差最大的阈值将图像分割为前景和背景两个类别。
以下是大津法的步骤：1. 对于输入的灰度图像，统计每个像素值的像素个数，并计算图像的总像素数。
2. 初始化前景和背景的像素数、总像素数、前景和背景的均值、前景和背景的方差。
3. 遍历所有可能的阈值，计算每个阈值下的前景像素数、背景像素数、前景和背景的权重、前景和背景的均值，以及当前阈值下的类间方差。
4. 找到使类间方差最大的阈值，并更新前景和背景的像素数、前景和背景的权重、前景和背景的均值。
5. 使用最终的阈值，将图像分割为前景和背景。
6. 通过阈值分割后的图像可以进一步进行后续的图像处理操作。
OpenMV如何使用大津法进行自适应阈值分割？OpenMV是一款强大的硬件和软件平台，可以轻松地使用大津法进行自适应阈值分割。
以下是在OpenMV上使用大津法的步骤：1. 使用OpenMV硬件连接图像传感器，并将图像数据传输到OpenMV 的处理器中。
2. 使用OpenMV的IDE（集成开发环境）打开图像处理脚本，并导入OpenMV库。
空间光电测量与感知实验室2022年度开放基金课题申请指南
空间光电测量与感知实验室2022年度开放基金课题申请指南空间光电测量与智能感知实验室开放基金指南空间光电测量与智能感知实验室隶属于北京控制工程研究所，主要从事“空间光电测量与智能感知技术”研发、设计与生产，是中国空间技术研究院核心专业实验室“光学成像敏感器”实验室的挂靠单位。
实验室涉及天体感知与探测、星间相对测量、行星探测与自主导航、脉冲星探测与导航等多种技术，已发展成为集研发、设计、生产、试验为一体，技术专业雄厚，专业配套齐全，基础设施先进，军、民协调发展的综合性工程技术实验室。
实验室的星敏感器、太阳敏感器、红外地球敏感器、交会对接敏感器、激光类敏感器、深空导航避障相机等产品已装配于我国90%以上的星、船、器，实现国内多个“第一”，并多次获得国防科技进步奖、全军科技进步奖。
目前，实验室拥有博士生导师4人，硕士生导师3人。
优秀员工先后入选国防领域青年拔尖人才、万人计划领军人才、科技部中青年技术创新领军人才；并有4人分获载人航天、探月工程突出贡献者称号，1人获得中国青年五四奖章。
为进一步加强“空间光电测量与智能感知实验室”的融合、开放和对外交流力度，特设立实验室开放基金课题。
面向空间应用，征集以空间光学敏感器为应用对象的创新、颠覆性技术的相关研究课题。
现将2018年度开放基金课题指南予以发布，并将有关课题申报事项通知如下：一研究方向研究方向以如下方向为主，但不局限于此内容，一切与先进空间光学敏感器以及空间X射线探测载荷相关的研究课题均可申报，题目自拟。
1、先进光学成像技术包括计算成像技术、无镜头成像技术、微纳高光谱成像技术、光子干涉成像技术、偏振成像技术等。
2、先进光学加工、制造、材料、工艺技术包括微纳光学技术、快速低成本光学制造技术、先进材料在光学加工中的应用研究、先进超黑涂层消光技术等。
3、先进目标探测技术包括白昼恒星探测技术、先进空间三维成像与感知技术、先进空间激光探测技术、空间结构光技术、毫米波的先进探测技术等。
内蒙古自治区科学技术厅关于发布2024年首批科技创新重大示范工程“揭榜挂帅”技术榜单的通知
内蒙古自治区科学技术厅关于发布2024年首批科技创新重大示范工程“揭榜挂帅”技术榜单的通知文章属性•【制定机关】内蒙古自治区科学技术厅•【公布日期】2023.12.29•【字号】•【施行日期】2023.12.29•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】科学技术综合规定正文内蒙古自治区科学技术厅关于发布2024年首批科技创新重大示范工程“揭榜挂帅”技术榜单的通知各盟市科技局，各有关单位：为贯彻落实国务院《关于推动内蒙古高质量发展奋力书写中国式现代化新篇章的意见》（国发〔2023〕16号），围绕落实“五大任务”和自治区重点产业链创新发展，根据自治区党委、政府重大决策部署，自治区科技厅按照“以需求定任务，以任务配资源”和“成熟一批，启动一批”的原则，采取“揭榜挂帅”组织方式，充分利用区内外优势创新资源开展关键技术攻关，在防沙治沙、种业、新能源（装备）、双碳、煤炭清洁高效利用和生物医药等领域，组织实施自治区科技创新重大示范工程（以下简称“重大示范工程”）。
按照《内蒙古自治区科技计划“揭榜挂帅”实施办法》，现发布2024年度第一批自治区重大示范工程“揭榜挂帅”项目（以下简称“揭榜项目”）榜单，具体事项通知如下。
一、目标要求为贯彻落实习近平总书记在加强荒漠化综合防治和推进“三北”等重点生态工程建设座谈会上的重要讲话精神，瞄准“三北”工程三大标志性战役区域生态治理的难点靶点开展科技攻关，集中科技力量支撑“三北”工程攻坚战，自治区科技厅决定组织实施防沙治沙重大示范工程，采取“接榜挂帅”方式接续实施一批重大科技项目，重点聚焦黄河“几字弯”、科尔沁和浑善达克沙地、河西走廊沙漠边缘三大防沙治沙区，开展关键技术集成创新和应用示范，为自治区荒漠化综合防治与绿色发展提供成熟技术和系统方案。
揭榜项目需与“三北”工程区建设任务对接，与“三北”工程项目结合实施。
承担揭榜项目的地方政府应提供支持措施，保障顺利实施。
一种面向混合型大数据处理系统的分区连接方法[发明专利]
![一种面向混合型大数据处理系统的分区连接方法[发明专利]](https://img.taocdn.com/s3/m/ec0c116571fe910ef02df849.png)
专利名称：一种面向混合型大数据处理系统的分区连接方法专利类型：发明专利
发明人：亓开元,卢军佐,杨勇,辛国茂
申请号：CN201410585204.6
申请日：20141028
公开号：CN104346447A
公开日：
20150211
专利内容由知识产权出版社提供
摘要：本发明提供一种面向混合型大数据处理系统的分区连接方法,本发明提出的面向混合型大数据处理系统的分区连接方法，能够满足行业大数据针对不同处理系统的交互分析业务应用需求，并且通过分区、coprocessr和mapjoin,大大提高了此类分析的性能，并可以进一步应用于基于join的分组、统计、排序等交互分析。
通过确定Hive查询分区，减少参与传输、缓存和join过程的数据量，并且充分利用分布式架构优势，使所有节点的缓存过程并行执行，通过在各节点缓存数据，能够加快join执行效率，并且HBase表的数据量和节点数量能够按需扩展。
申请人：浪潮电子信息产业股份有限公司
地址：250100 山东省济南市高新区舜雅路1036号
国籍：CN
代理机构：济南信达专利事务所有限公司
代理人：姜明
更多信息请下载全文后查看。
面向有效载荷高速数据流的数据处理方法
面向有效载荷高速数据流的数据处理方法王静;王春梅;智佳;杨甲森;陈托【摘要】针对卫星有效载荷数传数据传输速度快、实时处理难等特点,提出一种面向有效载荷高速数据流的实时数据处理方法.借鉴MapReduce的多线程并行模式,采用hash算法与归并排序算法相结合的方式,提高数据处理吞吐率,实现实时处理;采用基于XTCE (XML telemetry&command exchange)数据模型的参数解析算法,实现通用性.实验结果表明,该方法能够满足有效载荷对数据处理的实时性和正确性的要求.%Aiming at the characteristics of high speed transmitting and difficulty in real-time data processing for payload transmitted data,a method of data processing for high speed data stream of payload was presented.By drawing on multi-threaded parallel mode of MapReduce framework,hash algorithm and merge sort algorithm were combined to improve the throughput rate of data processing and achieve real-time processing.A parameter parsing algorithm based on XTCE (XML telemetry & command exchange) data model was employed to improve generality.Results of the experiments indicate the proposed method can meet data processing requirements of payload on reabtime performance and validity.【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)004【总页数】5页(P941-945)【关键词】有效载荷高速数据流;数据处理;映射归约;吞吐率;基于可扩展标记的遥测遥控信息交换【作者】王静;王春梅;智佳;杨甲森;陈托【作者单位】中国科学院国家空间科学中心,北京100190;中国科学院大学,北京100049;中国科学院国家空间科学中心,北京100190;中国科学院国家空间科学中心,北京100190;中国科学院国家空间科学中心,北京100190;中国科学院国家空间科学中心,北京100190【正文语种】中文【中图分类】TP311面对大规模高码率传输的卫星有效载荷数传数据，即有效载荷高速数据流，采用常规的逐帧参数解析方法不能满足科学任务对实时性和正确性的要求。
openmv大津法自适应阈值
openmv大津法自适应阈值【openmv大津法自适应阈值】导语：在图像处理和计算机视觉领域，自适应阈值是一项重要的技术。
自适应阈值的目的是根据图像中的像素灰度值来动态地确定不同区域的阈值，以有效地分割图像。
OpenMV是一款基于MicroPython的高性能计算机视觉模块，可以实现图像分析、目标检测、颜色识别等多种应用。
本文将介绍OpenMV中的大津法自适应阈值算法，以及具体的步骤和原理。
第一部分：背景介绍1.1 图像阈值分割图像阈值分割是一种常见的图像处理方法，通过将图像像素灰度值与事先设定的阈值进行比较，将图像分割为不同的区域。
然而，传统的全局阈值方法无法有效地处理光照不均匀或者目标区域中存在着不同灰度值的情况。
为了解决这个问题，自适应阈值方法被提出。
1.2 大津法自适应阈值大津法（Otsu’s method）是一种常用的自适应阈值算法，它是由日本学者大津展之于1979年提出的。
该算法的基本思想是寻找图像的最佳阈值，使得目标和背景之间的类间方差最大化。
通过最大化类间方差，大津法能够自适应地确定不同区域的阈值，从而实现有效的图像分割。
第二部分：OpenMV大津法自适应阈值算法步骤2.1 加载图像首先，我们需要通过OpenMV读取并加载图像。
OpenMV提供了诸多图像加载函数，如`sensor.snapshot()`函数可以实时获取摄像头的当前图像。
2.2 灰度化处理在大津法自适应阈值算法中，我们需要将原始图像转换为灰度图像。
通过`img.to_grayscale()`函数，我们可以将彩色图像转换为灰度图像。
2.3 直方图计算在自适应阈值算法中，计算图像直方图是一个重要的步骤。
通过直方图，我们可以统计不同灰度值的像素数量分布，并基于此来确定阈值。
在OpenMV中，我们可以使用`histogram()`函数来计算图像的灰度直方图。
2.4 计算类间方差大津法的关键步骤是寻找图像的最佳阈值，使得类间方差最大化。
openai 推理能力 原理
一、Open本人简介Open本人是一家人工智能研究实验室，致力于推动和发展人工智能，并使其造福全人类。
其研究团队来自世界各地，拥有丰富的学术和工业经验。
Open本人的使命是确保人工智能技术的发展符合道德和社会利益，不会对人类带来负面影响。
二、Open本人推理能力的重要性人工智能的推理能力是指其根据已有知识和信息，进行逻辑推理和推断，从而得出新的结论或解决问题的能力。
在实际应用中，推理能力可以帮助人工智能系统更好地理解和处理复杂的自然语言、图像和其他数据，从而实现更高效、准确的智能决策和行为。
三、Open本人推理能力的原理Open本人推理能力的原理主要包括以下几个方面：1. 知识表示与推理：Open本人使用各种形式的知识表示方法，包括逻辑表达式、图结构、语义网络等，来存储和表达丰富的领域知识。
基于这些知识表示，人工智能系统可以进行逻辑推理、演绎推断等操作，从而获得新的知识或信息。
2. 信息抽取与融合：Open本人利用自然语言处理、机器学习和数据挖掘等技术，对大规模、多样化的信息进行抽取和融合，从中获取有效的语义信息。
在此基础上，人工智能系统可以进行信息推理和关联分析，实现更全面、准确的信息理解和应用。
3. 模式识别与推断：Open本人引入了深度学习、强化学习和概率模型等方法，来进行模式识别和推断。
通过对大量数据进行学习和训练，人工智能系统可以从中学习不同领域的模式和规律，进而进行更灵活、智能的推理和决策。
四、Open本人推理能力的应用Open本人推理能力的应用涉及多个领域和场景，包括但不限于：1. 自然语言理解与生成：Open本人可以利用推理能力，更好地理解和处理自然语言，包括文本理解、语义分析和对话生成等方面。
Open 本人还可以基于推理能力，生成更准确、连贯的自然语言文本和对话内容。
2. 图像理解与推断：Open本人可以通过推理能力，对图像进行深度理解和推断，包括图像分类、目标检测、场景理解等方面。
实景三维数据库管理系统的建设难点分析
智慧地球NO.10 202337智能城市 INTELLIGENT CITY 实景三维数据库管理系统的建设难点分析刘沐洋 谭金石 祖为国（广东工贸职业技术学校，广东 广州 510510）摘要：测绘地理信息数据对于推动经济发展具有基础性作用。
面向数字经济发展新需求，实景三维中国建设是我国目前亟须完成的新型基础设施建设任务。
现阶段，实景三维中国建设仍处于探索阶段，其中实景三维数据库管理系统建设仍有许多难点亟须突破，主要包括冲突检测、数据更新与海量数据存储与管理。
文章对实景三维数据库管理系统的建设需求、难点分析、应对措施进行了阐述，为实景三维中国建设的下一步工作提供参考。
关键词：实景三维；数据库管理系统；地理实体中图分类号：P273文献标识码：B文章编号：2096-1936（2023）10-0037-03DOI：10.19301/ki.zncs.2023.10.011实景三维是能够真实、立体、时序化地反映人类生产、生活和生态空间的时空基底，是面向元宇宙、数字孪生城市建设的基本要求[1]，对于智慧城市建设[2]、自然资源科学管理[3]均具有重要价值。
根据相关的实景三维中国建设技术指导文件，实景三维中国的建设任务十分艰巨，要求实现基础测绘产品体系、技术体系、生产组织体系、管理体系的全面转型升级，技术难点突破涉及范围广，主要包括实景三维数据高效智能采集与生产、海量实景三维数据存储与更新、实景三维数据与物联感知数据的融合语义化等，目前实景三维中国建设仍在探索中。
2019年至今，武汉试点已经成功构建了以地理实体为核心的新型基础测绘产品体系[4]，有关高效率的自动单体化实景三维模型构建技术的研究也取得了一些突破[5-6]，但实景三维数据库管理系统建设的瓶颈仍待突破。
1 实景三维数据库管理系统建设需求关于全面实景三维中国建设的通知明确要求，2025年初步建成国家—省—市（县）多级关联互通的实景三维在线与离线相结合的服务系统，2035年实现国家—省—市（县）多级实景三维在线系统的泛在服务。
基于嵌入式平台的行人行为检测系统设计
第１３卷㊀第８期Ｖｏｌ．１３Ｎｏ．８㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年８月㊀Ａｕｇ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０８－００３７－０８中图分类号：ＴＰ３９１．９文献标志码：Ａ基于嵌入式平台的行人行为检测系统设计张文卓，尉天成，陈小锋（西北工业大学自动化学院，西安７１００７２）摘㊀要：为了提高监控系统的实时性㊁减少人力资源的消耗，设计开发了基于多核ＤＳＰ平台的行人异常行为检测系统㊂通过对ＶｉＢｅ算法的改进，解决了ＶｉＢｅ算法出现的死区，实现了对运动区域的提取㊂其次，针对单一特征在行人检测过程中存在的问题，基于ＨＯＧ特征和Ｈａａｒ－ｌｉｋｅ特征的特点，设计了基于串行级联方式的ＨＯＧ特征和Ｈａａｒ－ｌｉｋｅ特征融合方法形成优势互补，保证行人检测的准确率㊂然后，针对传统的Ｈｕ矩不具备尺度不变性因而不能适应图像缩放场景的问题，改进了Ｈｕ不变矩，消去比例因子，并提升了尺度不变性；提出了基于改进后的Ｈｕ矩不变性的行人异常行为检测算法，实现了几种行人行为的识别㊂最后，设计了基于多核ＤＳＰ平台的行人异常行为检测系统㊂通过实验测试，验证了系统功能的有效性㊂关键词：ＶｉＢｅ算法；行人检测；特征融合；ＴＭＳ３２０Ｃ６６７８；Ｈｕ矩不变性ＤｅｓｉｇｎｏｆｐｅｄｅｓｔｒｉａｎｂｅｈａｖｉｏｒｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｅｍｂｅｄｄｅｄｐｌａｔｆｏｒｍＺＨＡＮＧＷｅｎｚｈｕｏ，ＷＥＩＴｉａｎｃｈｅｎｇ，ＣＨＥＮＸｉａｏｆｅｎｇ（ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉᶄａｎ７１００７２，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｒｅａｌ－ｔｉｍｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍａｎｄｒｅｄｕｃｅｔｈｅｃｏｎｓｕｍｐｔｉｏｎｏｆｈｕｍａｎｒｅｓｏｕｒｃｅｓ，ｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｐｅｄｅｓｔｒｉａｎａｂｎｏｒｍａｌｂｅｈａｖｉｏｒｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｍｕｌｔｉ－ｃｏｒｅＤＳＰｐｌａｔｆｏｒｍｉｓｄｅｓｉｇｎｅｄ．ＴｈｒｏｕｇｈｔｈｅｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅＶｉＢｅａｌｇｏｒｉｔｈｍ，ｔｈｅｄｅａｄｚｏｎｅｏｆｔｈｅＶｉＢｅａｌｇｏｒｉｔｈｍｉｓｓｏｌｖｅｄ，ａｎｄｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｔｈｅｍｏｔｉｏｎｒｅｇｉｏｎｉｓｒｅａｌｉｚｅｄ．Ｓｅｃｏｎｄｌｙ，ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｓｉｎｇｌｅｆｅａｔｕｒｅｉｎｔｈｅｐｒｏｃｅｓｓｏｆｐｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎ，ｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＨＯＧｆｅａｔｕｒｅａｎｄＨａａｒ－ｌｉｋｅｆｅａｔｕｒｅ，ａＨＯＧｆｅａｔｕｒｅａｎｄＨａａｒ－ｌｉｋｅｆｅａｔｕｒｅｆｕｓｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｓｅｒｉａｌｃａｓｃａｄｅｍｅｔｈｏｄａｒｅｄｅｓｉｇｎｅｄｔｏｆｏｒｍｃｏｍｐｌｅｍｅｎｔａｒｙａｄｖａｎｔａｇｅｓｔｏｅｎｓｕｒｅｔｈｅａｃｃｕｒａｃｙｏｆｐｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎ．Ｔｈｅｎ，ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｔｒａｄｉｔｉｏｎａｌＨｕｍｏｍｅｎｔｄｏｅｓｎｏｔｈａｖｅｓｃａｌｅｉｎｖａｒｉａｎｃｅ，ｔｈｕｓｃａｎｎｏｔａｄａｐｔｔｏｔｈｅｉｍａｇｅｓｃａｌｉｎｇｓｃｅｎｅ，ｔｈｅＨｕｉｎｖａｒｉａｎｔｍｏｍｅｎｔｉｓｉｍｐｒｏｖｅｄ，ｔｈｅｓｃａｌｅｆａｃｔｏｒｉｓｅｌｉｍｉｎａｔｅｄ，ａｎｄｔｈｅｓｃａｌｅｉｎｖａｒｉａｎｃｅｉｓｉｍｐｒｏｖｅｄ．Ｔｈｅｒｅａｆｔｅｒ，ＡｎｉｍｐｒｏｖｅｄｐｅｄｅｓｔｒｉａｎａｎｏｍａｌｙｂｅｈａｖｉｏｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＨｕｍｏｍｅｎｔｉｎｖａｒｉａｎｃｅｉｓｐｒｏｐｏｓｅｄ，ａｎｄｓｅｖｅｒａｌｐｅｄｅｓｔｒｉａｎｂｅｈａｖｉｏｒｓａｒｅｒｅｃｏｇｎｉｚｅｄ．Ｆｉｎａｌｌｙ，ａｐｅｄｅｓｔｒｉａｎａｂｎｏｒｍａｌｂｅｈａｖｉｏｒｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｍｕｌｔｉ－ｃｏｒｅＤＳＰｐｌａｔｆｏｒｍｉｓｄｅｓｉｇｎｅｄ．Ｔｈｒｏｕｇｈｅｘｐｅｒｉｍｅｎｔａｌｔｅｓｔｓ，ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｓｙｓｔｅｍｆｕｎｃｔｉｏｎｉｓｖｅｒｉｆｉｅｄ．ʌＫｅｙｗｏｒｄｓɔＶｉＢｅａｌｇｏｒｉｔｈｍ；ｐｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎ；ｆｅａｔｕｒｅｆｕｓｉｏｎ；ＴＭＳ３２０Ｃ６６７８；Ｈｕｍｏｍｅｎｔｉｎｖａｒｉａｎｃｅ作者简介：张文卓（１９９８－），男，硕士研究生，主要研究方向：图像识别㊁深度学习；尉天成（１９９７－），男，工程师，主要研究方向：嵌入式系统；陈小锋（１９７４－），男，博士，副教授，主要研究方向：机器视觉㊁嵌入式系统开发㊂通讯作者：陈小锋㊀㊀Ｅｍａｉｌ：ｚｗｅｎｚｈｕｏ＠ｍａｉｌ．ｎｗｐｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－０８－１７０㊀引㊀言视频是图像信号在时域的扩展和延续，随着计算机视觉学科的发展，越来越多视频中的信息可以通过一定的特征来进行提取和应用㊂近年来，基于视频的人体异常行为分析和检测已经成为计算机视觉领域的热门研究方向，其主要内容是利用计算机视觉技术对视频中的人体行为进行语义特征分析，量化并形成行为表达［１］㊂现已在智能视频监控系统㊁自动驾驶㊁智能人机交互等方面获得广泛应用㊂研究可知，本世纪以来，计算机性能的不断优化和交通智能化的快速发展为行人异常行为检测技术提供了契机㊂行人异常行为检测技术的相关研究也陆续推出了多项成果㊂Ｍｏｅｓｌｕｎｄ等学者［２］把人体行为检测分成４种基本类型，包括元动作㊁个人行为㊁交互行为㊁群体行为㊂Ｇｉｏｒｎｏ等学者［３］提出了一种基于大型视频异常检测的判别框架，将异常事件定义为与同一视频中的其他示例的不同示例㊂Ｉｏｎｅｓｃｕ等学者［４］提出了通过去遮掩的方式在视频中捕捉异常事件㊂Ｔｒａｎ等学者［５］提出了一种基于大规模监督视频数据集的深度三维卷积网络时空特征学习方法㊂Ｈａｓａｎ等学者［６］提出了利用传统手工制作的时空局部特性学习一个完全连接的自动编码器，并建立了一个完全卷积的前向自动编码器来学习局部特征和分类器㊂Ｘｕ等学者［７］提出了一种用于复杂视频场景中异常事件检测的无监督深度学习框架㊂Ｇｕａｎ等学者［８］用光流法对行为进行全局描述，通过假设连续２帧图像之间没有光照变化，表征连续２帧中的显式运动模式㊂考虑到作为低功耗微处理器的ＤＳＰ有着系统可靠性高㊁灵活性高㊁编程难度较小等优势，国内外的研究学者和团队也提出了基于ＤＳＰ的一系列设计方案㊂赵渊［９］采用混合高斯背景建模和运动目标检测跟踪等算法，并通过ＣＣＳ编译器优化㊁软件流水优化㊁算法代码优化㊁ＴＩ相关函数库的使用等优化手段，在ＤＭ６４３７硬件平台上实现了完整的视频目标跟踪系统㊂刘哲夫在ＤＭ６４３７嵌入式ＤＳＰ平台上，通过对相关模块的运行周期进行分析，结合硬件平台的特性，设计了一种有效的行人检测系统㊂戴毅［１０］利用ＤＭ８１６８硬件平台，提出一种前景增强检测算法结合Ｃｅｎｔｒｉｓｔ算子的行人分类检测算法，实现了行人的有效检测㊂Ｋｅｈｔａｒｎａｖａｚ等学者［１１］设计了一种针对等待过马路的行人的检测系统，并在ＴＭＳ３２０Ｃ４０平台上进行了开发和实现㊂Ｗａｎｇ等学者［１２］基于ＴＭＳ３２０Ｃ６４５５平台，提出了一种基于小波金字塔分解的算法，通过多目标视觉跟踪器实现多目标检测㊂许德衡等学者［１３］对基于ＤＭ６４３７的行人检测硬件平台进行了设计，研究了一种能够检测路人行为并发出警告的ＤＳＰ汽车辅助驾驶行人自动检测系统㊂１㊀行人检测算法设计１．１㊀基于改进的ＶｉＢｅ算法进行运动目标检测ＶｉＢｅ（ＶｉｓｕａｌＢａｃｋｇｒｏｕｎｄＥｘｔｒａｃｔｏｒ）算法是一种像素级的图像处理算法㊂不同于高斯混合模型等基于模型的方法，ＶｉＢｅ算法是基于样本的方法［１４－１５］，用于前景检测并进行背景建模㊂需要指出的是，本方法是对每个像素点存储了一个样本集，样本集中存储了该像素点的历史数据和相邻点的数据，从而判断是否属于背景点㊂该方法不涉及浮点数和对算力要求较高的乘除法，计算量小，适合运用在嵌入式平台上㊂ＶｉＢｅ算法的优势在于运算简单㊁易于实现，在检测效率和效果上都优于传统的运动目标检测算法㊂但是存在着图像死区的问题，影响使用㊂传统ＶｉＢｅ算法出现的 死区 现象如图１所示㊂研究可知，在ＶｉＢｅ算法中，如果视频第一帧含有运动目标，该像素也会用来填充背景像素，在前景像素分类过程中，就会出现死区现象㊂第一帧图像中行人的初始位置在一段时间内被当成前景，虽然在此后的更新中会被正确划分为背景区域，但这个过程比较缓慢，见图１（ａ），在第１０帧时死区的存在还是比较明显的；由图１（ｂ）可看到，在第１００帧图像时，图像死区现象开始明显减缓，但仍存在；由图１（ｃ）可看到，一直到１７５帧时，图像死区才完全消失㊂（a）第10帧图像和死区图像（b）第100帧图像和死区图像（c）第175帧图像和死区图像图１㊀传统ＶｉＢｅ算法出现的 死区 现象Ｆｉｇ．１㊀Ｔｈｅ ｄｅａｄｚｏｎｅ ｐｈｅｎｏｍｅｎｏｎｏｆｔｒａｄｉｔｉｏｎａｌＶｉＢｅａｌｇｏｒｉｔｈｍ㊀㊀本文采用获取前景运动属性的策略，如果一个像素点在之前更新中被判定为前景点，则在此后特定次更新之内不将该点纳入背景样本集中；但该点被判定为前景点超过这个次数，则更新其为背景区域像素点，从而在一定程度上缓解 死区 现象㊂具体步骤为：（１）算法初始化㊂首先使用变量Ｂ０（ｉ，ｊ）保存每个像素是否为初始的背景模型，若该点为第一帧图像的背景模型，则置为１；否则置为０㊂另外对初始图像的各个像素都使用一一对应的变量Ｃｉ（ｉ，ｊ）专门保存该像素点被判定为符合条件点的次数，作为前景点计数器㊂（２）前景检测㊂利用ＶｉＢｅ算法，分离前景和背景㊂（３）背景更新㊂经过前景检测，如果某像素点被判断为背景像素，则用来更新背景模型；若为前景区域，对比是否是初始的背景区域，若是则将原始背８３智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀景区域内的像素替换为当前背景区域内的像素，并将标志位Ｂ０（ｉ，ｊ）置为０㊂（４） 死区 判定㊂如果某像素点满足以下条件：①当前被判断为前景点㊂②不是初始的背景模型㊂③与上一帧同一位置像素值Ｉｉ－１（ｘ，ｙ）之差的绝对值小于ＴＳＤ，则将前景点计数器Ｃｉ（ｉ，ｊ）加１；否则将其减半㊂直到Ｃｉ（ｉ，ｊ）ȡＫ时，则认为该点为死区 ，此处Ｋ＝１０，Ｃｉ（ｉ，ｊ）的更新逻辑见式（１）：Ｃｉ（ｉ，ｊ）＝｛Ｃｉ－１（ｉ，ｊ）＋１，｜Ｉｔ（ｉ，ｊ）－Ｉｔ－１（ｉ，ｊ）｜＜ＴＳＤＣｉ（ｉ，ｊ）／２，其他（１）㊀㊀（５） 死区 抑制㊂对于被判定为 死区 的区域，使用当前检测得到的该区域像素值代替背景模型像素值，将计数器Ｃｉ（ｉ，ｊ）置为０㊂抑制ＶｉＢｅ算法 死区 总体流程如图２所示㊂经过以上的步骤，抑制 死区 的效果较为明显，效果见图３㊂对比图１，可见当视频在第１０帧时，出现 死区 现象；在第３４帧时， 死区 已基本不存在；在第１００帧时， 死区 早已完全消失，而此时未经处理的ＶｉＢｅ算法 死区 仍然存在㊂全部视频帧处理完成?传统V i B e 算法运动检测下一帧图像开始当前帧处理完成？结束是是是是否是否否否处理下一像素更新背景模型替换背景模型更新背景模型计数器清零前景像素?标志位为0?计数器大于K ？满足公式（1）？否是否图２㊀抑制ＶｉＢｅ算法 死区 流程Ｆｉｇ．２㊀Ｐｒｏｃｅｓｓｏｆｓｕｐｐｒｅｓｓｉｎｇ ｄｅａｄｚｏｎｅ ｏｆＶｉＢｅａｌｇｏｒｉｔｈｍ（a ）第10帧图像和死区图像（b ）第34帧图像和死区图像（c ）第100帧图像和死区图像图３㊀改进后的ＶｉＢｅ算法 死区 抑制情况Ｆｉｇ．３㊀Ｔｈｅ ｄｅａｄｚｏｎｅ ｓｕｐｐｒｅｓｓｉｏｎｏｆｉｍｐｒｏｖｅｄＶｉＢｅａｌｇｏｒｉｔｈｍ㊀㊀经过改进ＶｉＢｅ算法对 死区 的抑制和闭运算操作，得到了较为清晰的前景区域，本文将前景区域作为感兴趣区域，通过对二值化后，求连通域的正外界矩形，即完成了所需感兴趣区域的提取㊂１．２㊀ＨＯＧ特征和Ｈａａｒ－ｌｉｋｅ特征融合在行人检测场景中，传统的Ｈａａｒ－ｌｉｋｅ特征对目标的纹理比较敏感，对水平和竖直的目标特征进行描述，缺点是准确性容易受到光照强度的干扰，且其对行人轮廓的描述效果一般；ＨＯＧ特征可以对梯度方向进行表示，对于局部明暗不同的情况，通过使用单一的检测特征进行行人检测难以满足要求，需要采取措施提升检测效果㊂根据２种特征的特点，本文使用ＨＯＧ特征进行行人的轮廓的检测，再使用Ｈａａｒ－ｌｉｋｅ特征进行行人上半身检测，２种特征通过串行级联的方式进行组合㊂首先使用ＨＯＧ特征描述行人轮廓，为了提高通过率，本文使用包含下半身遮挡的数据集进行训练，以便提高行人识别率，代价是虚警率随之变高㊂在此后的判断中，使用Ｈａａｒ－ｌｉｋｅ特征对行人上半身进行再次识别，对比全身识别可以提高计算速度㊁减少运算量㊂对上半身Ｈａａｒ－ｌｉｋｅ特征进行训练时，采用简单数据集进行训练，需要对其中上半身区域进行裁剪㊂当通过２次判断之后，就可以检测出行人检测结果，标注出行人所在区域㊂具体级联方法如图４所示㊂９３第８期张文卓，等：基于嵌入式平台的行人行为检测系统设计非行人行人区域标定H O G 特征轮廓检测H a a r 特征头肩检测行人行人头肩确认是否否是图４㊀ＨＯＧ和Ｈａａｒ－ｌｉｋｅ特征穿行级联Ｆｉｇ．４㊀ＣｒｏｓｓｃａｓｃａｄｅｏｆＨＯＧａｎｄＨａａｒ－ｌｉｋｅｆｅａｔｕｒｅｓ㊀㊀使用上述特征融合后的检测方法进行检测，检测样本为ＩＮＩＲＡ行人数据库中的测试样本，针对此测试集的测试结果见表１㊂㊀㊀由表１中数据可知，传统的３种描述特征应用在行人检测的场景中，ＨＯＧ特征的检测效果最优，Ｈａａｒ－ｌｉｋｅ特征次之，而ＬＢＰ特征虽速度快㊁但效果最差㊂本文使用串行级联的方式将ＨＯＧ特征和Ｈａａｒ－ｌｉｋｅ特征结合的检测方法可以提升行人检测的性能，在提升识别率的同时将误检率和虚警率控制得较低㊂表１㊀行人检测效果统计Ｔａｂ．１㊀Ｓｔａｔｉｓｔｉｃｓｏｆｐｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔ特征类型行人总数实际识别数量人识别准确率／％误检率／％召回率／％虚警率／％ＨＯＧ５２６８９．３４．３９１．３７．７Ｈａａｒ－ｌｉｋｅ５８９５１３８７．１５．１９０．８８．９ＬＢＰ４９６８４．６８．７８７．５１１．７本文算法５３１９０．２３．５９４．２５．２２㊀行人异常行为检测算法设计２．１㊀行人异常行为检测Ｈｕ不变矩及其改进图像的矩特征是指矩特征算子在特定的图像中有关几何特征的性质，简称几何矩㊂通常将图像在缩放㊁平移和旋转等操作之后仍然保持不变的矩算子特征称为不变矩，常见的７个Ｈｕ不变矩为：Ｍ１＝η２０＋η０２Ｍ２＝（η２０－η０２）２＋４η２１１Ｍ３＝（η３０－３η１２）２＋（３η２１－η０３）２Ｍ４＝（η３０＋η１２）２＋（η２１＋η０３）２Ｍ５＝（η３０－３η１２）（η３０＋η１２）［（η３０＋η１２）２－３（η２１＋η０３）２］＋（３η２１－η０３）（η２１＋η０３）［３（η３０＋η１２）２－（η２１＋η０３）２］Ｍ６＝（η２０－η０２）［（η３０＋η１２）２－（η２１＋η０３）２］＋４η１１（η３０＋η１２）（η２１＋η０３）Ｍ７＝（３η２１－η０３）（η３０＋η１２）［（η３０＋η１２）２－３（η２１＋η０３）２］＋（３η２１－η０３）（η２１＋η３０）［３（η３０＋η１２）２－（η２１＋η０３）２］（２）对于离散ｆ（ｘ，ｙ）数字图像的７个Ｈｕ矩组，设其进行比例因子为λ的缩放变换，可以得到：㊀ｘᶄ－ ｘᶄ＝λｘ－λðＭＸ＝１ðＮＹ＝１ｘｆ（ｘ，ｙ）ðＭｘ＝１ðＮｙ＝１ｆ（ｘ，ｙ）＝λ（ｘ－ ｘ）（３）经过变换之后的中心矩和标准化中心矩变为：μｐｑᶄ＝ðＭｘ＝１ðＮｙ＝１（λｘ－λ ｘ）ｐ（λｙ－λ ｙ）ｑｆ（λｘ，λｙ）＝λｐ＋ｑðＭｘ＝１ðＮｙ＝１（ｘ－ ｘ）ｐ（ｙ－ ｙ）ｑｆ（ｘ，ｙ）＝λｐ＋ｑμｐｑ（４）㊀㊀㊀㊀ηｐｑᶄ＝μｐｑᶄ（μ００ᶄ）λ＝λｐ＋ｑ＋２ηｐｑ（５）由式（４） 式（５）可知，尺度变换之后的中心矩μｐｑᶄ和标准化中心矩ηｐｑᶄ随着比例系数发生了变化，且同ｐ㊁ｑ㊁λ的值有关㊂根据式（２）给出的Ｈｕ矩的定义，可知在离散数字图像场景中，传统的７个Ｈｕ矩不具有尺度不变性㊂为了消去比例系数λ，构造新的不变矩组：Φ１＝Ｍ２ᶄ（Ｍ１ᶄ）２＝Ｍ２Ｍ１２Φ２＝Ｍ３ᶄ（Ｍ１ᶄ）３＝Ｍ３Ｍ１３Φ３＝Ｍ４ᶄ（Ｍ１ᶄ）３＝Ｍ４Ｍ１３Φ４＝Ｍ５ᶄ（Ｍ１ᶄ）６＝Ｍ５Ｍ１６Φ５＝Ｍ６ᶄ（Ｍ１ᶄ）４＝Ｍ６Ｍ１４Φ６＝Ｍ７ᶄ（Ｍ１ᶄ）６＝Ｍ７Ｍ１６ìîíïïïïïïïïïïïïïïïïïïï（６）㊀㊀式（６）中的６个不变矩组消去了比例因子，具０４智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀有平移㊁旋转和尺度不变性㊂２．２㊀基于Ｈｕ矩不变性行人异常行为识别算法本小节通过实验验证改进后的Ｈｕ矩对行人动作的判别㊂为了降低运算量，提高计算准确度，本文使用提取到的行人动作的二值图像进行判别㊂首先对正常行走的３帧图像进行验证，如图５所示，提取３幅图像的Ｈｕ特征值，得到的结果见表２㊂（a）（b）（c）图５㊀正常行走二值图像Ｆｉｇ．５㊀Ｂｉｎａｒｙｉｍａｇｅｏｆｎｏｒｍａｌｗａｌｋｉｎｇ表２㊀正常行走的Ｈｕ特征值Ｔａｂ．２㊀ＨｕｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｌｕｅｓｏｆｎｏｒｍａｌｗａｌｋｉｎｇＨｕ特征值图像ａｂｃｌｇ｜Φ１｜－０．２０２３－０．２２４５－０．２１７０ｌｇ｜Φ２｜－１．４１４９－１．６７７３－１．４８２５ｌｇ｜Φ３｜－１．４３４７－１．４６９８－１．４７０９ｌｇ｜Φ４｜－２．９９４１－３．２６８４－２．８５１２ｌｇ｜Φ５｜－１．５５７３－１．５９４４－１．６１９７ｌｇ｜Φ６｜－３．０２７２－２．８９９１－２．９６８７㊀㊀本文使用ＫＴＨ数据集作为样本数据集［１６］，由于其不含弯腰㊁下蹲㊁摔倒动作，因此使用自己拍摄的３００幅图像作为增补样本数据集，使用自己拍摄的一段２ｍｉｎ５４ｓ长的视频作为测试数据，包含了行走㊁弯腰㊁下蹲㊁摔倒几种动作，每个动作提取５０个测试数据，得到的特征值如图６所示㊂测试数据最终的识别准确率见表３，将７种不同的行为，与样本数据集中的动作进行对比，通过欧式距离进行交叉匹配㊂㊀㊀由表３分析可知，基于原始Ｈｕ矩的动作检测结果准确性一般，对 下蹲 动作的检测准确率只有７０％；而改进后的Ｈｕ矩对不同动作的检测准确率均有提升，主要原因就在于改进后的Ｈｕ矩具有尺度不变性，因而对视频画面中行人占比大小具有良好的适应性㊂表３㊀动作检测准确率结果Ｔａｂ．３㊀Ａｃｃｕｒａｃｙｒｅｓｕｌｔｓｏｆｍｏｔｉｏｎｄｅｔｅｃｔｉｏｎ％动作矩类型原始Ｈｕ矩改进Ｈｕ矩行走７８．０８８．０弯腰７４．０８２．０下蹲７０．０８０．０摔倒８４．０９２．０平均７６．５８５．５行走弯腰下蹲摔倒拳击鼓掌挥手43210123456改进后的H u矩特征序号特征值图６㊀不同姿态Ｈｕ矩组特征图Ｆｉｇ．６㊀ＣｈａｒａｃｔｅｒｉｓｔｉｃｄｉａｇｒａｍｏｆＨｕｍｏｍｅｎｔｇｒｏｕｐｗｉｔｈｄｉｆｆｅｒｅｎｔａｔｔｉｔｕｄｅ３㊀系统在ＤＳＰ平台的实现３．１㊀程序设计与移植在本文中，要进行行人异常行为检测研究，依次需要实现的算法有感兴趣区域提取㊁行人检测㊁以及行为的判别㊂基于前文理论分析，按照均衡负载的原则，将整体任务分配为以下几个子任务：通过改进型ＶｉＢｅ算法进行前景检测㊁感兴趣区域提取㊁基于ＨＯＧ特征的行人区域筛选㊁基于Ｈａａｒ－ｌｉｋｅ特征的行人检测㊁改进型Ｈｕ矩的计算㊂为了保证核间通信的时效性，在数据流的基础上，设计了适用于多核场景的并行处理框架，如图７所示㊂该框架的特点为：（１）使用核间中断的方式进行同步触发，相较于传统的同步脉冲触发的方式实现简单㊂（２）第一帧数据需要首先填满整个模型，以串行方式来驱动，而其余帧数据按照后驱机制的方式驱动㊂前驱机制使用到的核间中断ＩＤ为１６，后驱机制中的核间中断ＩＤ各不相同㊂１４第８期张文卓，等：基于嵌入式平台的行人行为检测系统设计（３）并行处理的实现可以使得多核的利用率大大提升，在８个核的子任务分配均衡的理想情况下，处理一帧完整数据的耗时最多可以减少到原来的１／４，提高任务处理效率㊂核间中断核间中断核间中断核间中断核间中断核间中断内核0内核1内核2内核3内核4内核5N D K接收图片M S M输入32641282565121616161616运动目标检测感兴趣区域提取行人轮廓检测行人头肩检测H u 特征值计算输出图７㊀多核并行框架下的程序流程Ｆｉｇ．７㊀Ｐｒｏｇｒａｍｆｌｏｗｕｎｄｅｒｍｕｌｔｉ－ｃｏｒｅｐａｒａｌｌｅｌｆｒａｍｅｗｏｒｋ㊀㊀当特定核完成子任务后，该核共享内存区的数据已被处理过，失去了时效性，可以被覆盖㊂从图像接收㊁运动检测㊁感兴趣区域提取㊁行人轮廓检测㊁行人头肩检测㊁Ｈｕ矩特征值计算对被检测目标进行分析㊂研究中给出的对该程序中的数据实时性进行分析的过程如图８所示㊂感兴趣区域检测感兴趣区域检测感兴趣区域检测感兴趣区域检测感兴趣区域检测行人轮廓检测行人轮廓检测行人轮廓检测行人轮廓检测行人头肩检测行人头肩检测行人头肩检测H u 矩特征值计算H u 矩特征值计算运动检测运动检测运动检测运动检测运动检测运动检测图像接收图像接收图像接收图像接收图像接收图像接收图像接收1234567内核帧序号C o r e 0C o r e 1C o r e 2C o r e 3C o r e 4C o r e 5图８㊀多核并行处理实时性分析Ｆｉｇ．８㊀Ｒｅａｌｔｉｍｅａｎａｌｙｓｉｓｏｆｍｕｌｔｉ－ｃｏｒｅｐａｒａｌｌｅｌｐｒｏｃｅｓｓｉｎｇ㊀㊀除了第一帧数据填满整个６个核的过程中是串行执行外，其余帧均处于多核并行的状态㊂设当前帧为第Ｎ帧，各个核均在执行运行，即处于满载状态，以上６个核的状态如下：（１）核５响应来自核４的ＩＤ为１６的核间中断，对当前第Ｎ帧进行改进后Ｈｕ矩的计算，最终得到２４智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀当前行为的特征值㊂当第Ｎ帧处理完成后，发送ＩＤ为５１２的核间中断，触发核４进行行人检测操作㊂（２）核４接收到ＩＤ为５１２的核间中断，对第Ｎ＋１帧数据执行Ｈａａｒ－ｌｉｋｅ特征行人检测，完成处理之后向核５发送ＩＤ为１６的核间中断，触发第（１）步操作；发送ＩＤ为２５６的核间中断触发核３进行ＨＯＧ特征行人检测㊂（３）核３接收到ＩＤ为２５６的核间中断，对Ｎ＋２帧数据执行ＨＯＧ特征行人检测，完成后向核４发送ＩＤ为１６的核间中断，触发（２）所述操作；发送ＩＤ为１２８的核间中断触发核１进行感兴趣区域提取㊂（４）核２收到ＩＤ为１２８的核间中断，对第Ｎ＋３帧进行感兴趣区域提取㊂完成后发送ＩＤ为６４的核间中断触发核１操作㊂（５）核１接收到ＩＤ为６４的核间中断，对第Ｎ＋４帧数据执行ＶｉＢｅ算法，为后续操作提供数据；向核０发送ＩＤ为３２的核间中断触发核０工作㊂（６）核０接收到ＩＤ为３２的核间中断，开始接受第Ｎ＋５帧图像并保存，完成后发送ＩＤ为１６的核间中断通知核１已完成接受，可以开始处理㊂通过以上操作，实现了多核并行图像处理操作㊂３．２㊀实验结果分析本文所采用的Ｃ６６７８ＤＳＰ开发板由于不具备视频输入输出接口，因此为了分析视频序列设计了检测系统，其架构图和实物图分别如图９㊁图１０所示㊂本文使用ＱｔＣｒｅａｔｏｒ集成开发环境搭建了上位机，其功能是通过千兆网口和ＤＳＰ开发板建立ＴＣＰ通信，向ＤＳＰ开发板发送图像数据，接收到ＤＳＰ回传的图像数据进行显示㊂Ｃ６６７８ＤＳＰ运行行人异常行为检测算法，并将检测后的结果通过千兆网口发送回上位机㊂千兆网口J T A G 异常行为检测算法C 6678开发板仿真器下载调试上位机图９㊀系统架构图Ｆｉｇ．９㊀Ｓｙｓｔｅｍａｒｃｈｉｔｅｃｔｕｒｅ㊀㊀本文选取了ＫＴＨ数据集中大小为１６０ˑ１２０视频和通过手机拍摄的３段大小为９６０ˑ５４０的视频作为测试数据，拍摄的测试数据通过摄像头平时静止拍摄，分为３个不同的场景，其中包含了行走㊁跑步两种正常动作以及弯腰㊁下蹲㊁摔倒㊁挥手和拳击五种异常动作㊂正常行走和摔倒场景的测试结果如图１１所示㊂图１０㊀系统实物图Ｆｉｇ．１０㊀Ｐｈｙｓｉｃａｌｄｉａｇｒａｍｏｆｔｈｅｓｙｓｔｅｍ（ａ）正常行走（ｂ）摔倒图１１㊀检测系统Ｆｉｇ．１１㊀Ｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍ㊀㊀当系统检测出值得注意的异常行为，包括挥手㊁下蹲㊁弯腰㊁摔倒和拳击时，会在窗口右侧显示警告标志以及文字提示㊂上述测试的检测结果见表４㊂由表４可知，在较为简单场景中，本文检测效果较为理想，可以满足要求㊂㊀㊀本文依次通过编译器优化㊁关键字优化㊁Ｃａｃｈｅ存储优化㊁库函数优化四个步骤进行优化，处理一帧９６０ˑ５４０图像的时间可以达到１５０ｍｓ左右，满足了实时性的要求，表明了该系统可以实现简单场景下的行人异常行为检测功能㊂３４第８期张文卓，等：基于嵌入式平台的行人行为检测系统设计表４㊀测试准确率Ｔａｂ．４㊀Ｔｅｓｔａｃｃｕｒａｃｙ场景总帧数实际异常帧数检测异常帧数误检数漏检数正确率／％误检率／％漏检率／％场景１１４９５１３９１３１５１３９０．６３．６９．４场景２６２９３７２８７０５６８９１８７．５９．３１２．５场景３３９８４４３７４１５３５５７８７．１８．０１３．０场景４３４７２５６７５４９４５６３８８．９７．９１１．１４㊀结束语本文在归纳总结行人检测和行为识别技术发展的基础上，围绕视频中的行人检测和行为识别问题，从检测行人和行为特征出发，重点研究了运动目标检测算法㊁基于特征融合的行人检测算法以及行人异常行为检测算法，设计了适合多核ＤＳＰ平台的行人检测和行为识别程序，完成了基于嵌入式平台的行人异常行为检测系统的开发㊂首先，设计了基于运动目标检测的感兴趣区域提取算法，解决了ＶｉＢｅ算法出现的 死区 ，实现了对运动区域的提取㊂其次针对单一特征在行人检测过程中存在的问题，基于ＨＯＧ特征和Ｈａａｒ－ｌｉｋｅ特征的特点，设计了基于串行级联方式的特征融合方法㊂然后，提出了基于改进后的Ｈｕ矩不变性的行人异常行为检测算法，使用欧氏距离作为待检测动作Ｈｕ矩组特征值相似程度的衡量准则，实现了几种行人行为的识别㊂最后，设计了基于多核ＤＳＰ平台的行人异常行为检测系统㊂通过实验测试，验证了系统功能的有效性㊂参考文献［１］程石磊．视频序列中人体行为的特征提取与识别方法研究［Ｄ］．成都：电子科技大学，２０２０．［２］ＭＯＥＳＬＵＮＤＴＢ，ＨＩＬＴＯＮＡ，ＫＲÜＧＥＲＶ．Ａｓｕｒｖｅｙｏｆａｄｖａｎｃｅｓｉｎｖｉｓｉｏｎ－ｂａｓｅｄｈｕｍａｎｍｏｔｉｏｎｃａｐｔｕｒｅａｎｄａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＭｅｄｉｃａｌＩｍａｇｉｎｇ，２００６，１０４（２－３）：９０－１２６．［３］ＧＩＯＲＮＯＡＤ，ＢＡＧＮＥＬＬｌＪＡ，ＨＥＢＥＲＴＭ．Ａｄｉｓｃｒｉｍｉｎａｔｉｖｅｆｒａｍｅｗｏｒｋｆｏｒａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｉｎｌａｒｇｅｖｉｄｅｏｓ［Ｃ］／／ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１６：３３４－３４９．［４］ＩＯＮＥＳＣＵＲＴ，ＳＭＥＵＲＥＡＮＵＳ，ＡＬＥＸＥＢ，ｅｔａｌ．Ｕｎｍａｓｋｉｎｇｔｈｅａｂｎｏｒｍａｌｅｖｅｎｔｓｉｎｖｉｄｅｏ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｖｅｎｉｃｅ，Ｉｔａｌｙ：ＩＥＥＥ，２０１７：２８９５－２９０３．［５］ＴＲＡＮＤ，ＢＯＵＲＤＥＶＬ，ＦＥＲＧＵＳＲ，ｅｔａｌ．Ｌｅａｒｎｉｎｇｓｐａｔｉｏｔｅｍｐｏｒａｌｆｅａｔｕｒｅｓｗｉｔｈ３Ｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｓａｎｔｉａｇｏ，Ｃｈｉｌｅ：ＩＥＥＥ，２０１５：４４８９－４４９７．［６］ＨＡＳＡＮＭ，ＣＨＯＩＪ，ＮＥＵＭＡＮＮＪ，ｅｔａｌ．Ｌｅａｒｎｉｎｇｔｅｍｐｏｒａｌｒｅｇｕｌａｒｉｔｙｉｎｖｉｄｅｏｓｅｑｕｅｎｃｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＬａｓＶｅｇａｓ：ＩＥＥＥ，２０１６：７３３－７４２．［７］ＸＵＤａｎ，ＲＩＣＣＩＥ，ＹＡＮＹａｎ，ｅｔａｌ．Ｌｅａｒｎｉｎｇｄｅｅｐｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｏｆａｐｐｅａｒａｎｃｅａｎｄｍｏｔｉｏｎｆｏｒａｎｏｍａｌｏｕｓｅｖｅｎｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆｅｒｅｎｃｅ（ＢＭＶＣ）．Ｓｗａｎｓｅａ，ＵＫ：ＢＭＶＡＰｒｅｓｓ，２０１５：８．１－８．１２．［８］ＧＵＡＮＹｅｐｅｎｇ，ＨＵＷｅｉ，ＨＵＸｕｎｙｉｎ．Ａｂｎｏｒｍａｌｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇ３Ｄ－ＣＮＮｃｏｍｂｉｎｅｄｗｉｔｈＬＳＴＭ［Ｊ］．ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２１（２１）：１８７８７－１８８０１．［９］赵渊．基于ＤＭ６４３７的视频目标跟踪算法实现与优化［Ｄ］．成都：电子科技大学，２０１０．［１０］戴毅．行人检测算法及其在ＤＭ８１６８平台上的实现［Ｄ］．上海：上海交通大学，２０１５．［１１］ＫＥＨＴＡＲＮＡＶＡＺＮＤ，ＲＡＪＫＯＴＷＡＬＡＦ．Ｒｅａｌ－ｔｉｍｅｖｉｓｉｏｎ－ｂａｓｅｄｄｅｔｅｃｔｉｏｎｏｆｗａｉｔｉｎｇｐｅｄｅｓｔｒｉａｎｓ［Ｊ］．ＲｅａｌＴｉｍｅＩｍａｇｉｎｇ，１９９７，３（６）：４３３－４４０．［１２］ＷＡＮＧＣｈａｏ，ＪＩＭｉｎｇ，ＷＡＮＧＪｉａｏｙｉｎｇ，ｅｔａｌ．Ｍｕｌｔｉ－ｔａｒｇｅｔｄｅｔｅｃｔｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｉｇｉｔａｌｉｍａｇｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＯｐｔｉｃｓ，２０１５，３６（３）：３８６－３９０．［１３］许德衡，李昊伦，陈昊．基于ＤＳＰ的汽车辅助驾驶行人自动检测装置设计［Ｊ］．电子科技，２０１７，３０（０５）：１７６－１７９．［１４］ＦＡＮＲｕｉ，ＰＲＯＫＨＯＲＯＶＶ，ＤＡＨＮＯＵＮＮ．Ｆａｓｔｅｒ－ｔｈａｎ－ｒｅａｌ－ｔｉｍｅｌｉｎｅａｒｌａｎｅｄｅｔｅｃｔｉｏｎｉｍｐｌｅｍｅｎｔａｔｉｏｎｕｓｉｎｇＳｏＣＤＳＰＴＭＳ３２０Ｃ６６７８［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｉｎｇＳｙｓｔｅｍｓａｎｄＴｅｃｈｎｉｑｕｅｓ．Ｃｈａｎｉａ，Ｇｒｅｅｃｅ：ＩＥＥＥ，２０１６：３０６－３１１．［１５］ＡＬＩＭ，ＳＴＯＴＺＥＲＥ，ＩＧＵＡＬＦＤ，ｅｔａｌ．Ｌｅｖｅｌ－３ＢＬＡＳｏｎｔｈｅＴＩＣ６６７８ｍｕｌｔｉ－ｃｏｒｅＤＳＰ［Ｃ］／／２０１２ＩＥＥＥ２４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＣｏｍｐｕｔｅｒＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＨｉｇｈＰｅｒｆｏｒｍａｎｃｅＣｏｍｐｕｔｉｎｇ．ＮＷＷａｓｈｉｎｇｔｏｎ，ＤＣ，ＵＳＡ：ＡＣＭ，２０１２：１７９－１８６．［１６］ＷＡＮＧＱｉａｎ，ＴＩＡＮＨｕａｎ．ＩｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｍｕｌｔｉｔａｓｋＥｔｈｅｒｎｅｔｄａｔａｔｒａｎｓｍｉｓｓｉｏｎｂａｓｅｄｏｎＤＳＰ６６７８［Ｊ］．ＷｉｒｅｌｅｓｓＩｎｔｅｒｎｅｔＴｅｃｈｎｏｌｏｇｙ，２０１６（１４）：４４－４５．［１７］ＴｅｘａｓＩｎｓｔｒｕｍｅｎｔｓ．ＣＣＳｖ５．５ｓｏｆｔｗａｒｅｍａｎｉｆｅｓｔ［ＥＢ／ＯＬ］．［２０１３］．ｈｔｔｐ：／／ｗｗｗ．ｔｉ．ｃｏｍ，２０１３．［１８］牛金海．ＴＩＣ６６Ｘ多核软件开发（ＭＣＳＤＫ）技术基于ＣＣＳＶ５ＳＹＳ／ＢＩＯＳ的高级应用与实例精解［Ｍ］．上海：上海交通大学出版社，２０１５．［１９］丁峰平，袁常顺．利用多线程并发技术对ＳＰＩＦｌａｓｈ快速编程［Ｊ］．单片机与嵌入式系统应用，２０２０，２０（０５）：４１－４３．［２０］ＧＵＯＷｅｎｊｉ，ＺＥＮＧＸｉａｏｒｕ，ＺＨＡＯＢａｏｗｅｉ，ｅｔａｌ．Ｍｕｌｔｉ－ＤＳＰｐａｒａｌｌｅｌｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｉｑｕｅｏｆｈｙｐｅｒｓｐｅｃｔｒａｌＲＸａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｓｐｅｃｔｒｏｓｃｏｐｙａｎｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓ，２０１４，３４（５）：１３８３－１３８７．［２１］ＸＵＥＳｈａｎｓｈａｎ，ＷＡＮＧＪｉａｎ，ＬＩＹｕｂａｉ，ｅｔａｌ．ＰａｒａｌｌｅｌＦＦＴｉｍｐｌｅｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉ－ｃｏｒｅＤＳＰｓ［Ｃ］／／２０１１ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔａｔｉｏｎａｌＰｒｏｂｌｅｍ－Ｓｏｌｖｉｎｇ（ＩＣＣＰ）．Ｃｈｅｎｇｄｕ，Ｃｈｉｎａ：ＩＥＥＥ，２０１１：４２６－４３０．４４智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。
210806398_3〃×6〃BGO探测器响应函数蒙卡模拟
Science &Technology Vision 科技视界DOI :10.19694/ki.issn2095-2457.2022.29.293〃×6〃BGO 探测器响应函数蒙卡模拟袁伟尚修盛齐波张立娟尹璐(中海油田服务股份有限公司油田技术事业部,河北燕郊065201)【摘要】为了实现对3〃×6〃BGO 探测器响应函数的研究,本论文应用GEANT4数值模拟技术,从以下三个方面开展了工作:1.用实验方法获取足够多的单能γ光子在探测器中的真实响应;2.建立生成探测器响应函数的蒙卡MC 程序,该步骤实现建立MC 计算的几何尺寸,物质材料等;3.根据第一步获取的实验参数,调节第二步中的MC 程序,使得模拟与实验测量的响应一致。
通过以上研究,最终得到了3”×6〃BGO 探测器半高宽与能量的非线性函数关系式[1-3]。
【关键词】响应函数;能量分辨率;探测器;蒙卡模拟0引言探测器响应函数是对探测器性能的一个综合表述，包括探测器的能量分辨率、探测效率等物理特征。
探测器响应函数的研究对蒙特卡罗数值模拟有很重要意义，尤其是对元素的能谱解析方面的模拟有重要作用。
数值模拟程序自身带有默认的能量展宽，但是针对具体探测器时，该展宽已经不再适用该探测器，模拟出来的能量谱不能代表真实的测量谱，因此研究探测器响应函数主要目的就是通过实验和模拟得到探测器的能量展宽，反应探测器真实的探测规律，最终使得模拟谱与实测谱高度吻合，为相关的仪器研发起到指导作用。
1计算模型实验测量使用圣戈班提供的尺寸为3〃×6〃的BGO 晶体，配以滨松光子的R6645A 型光电倍增管。
根据实验条件，建立的蒙特卡罗模型如图1所示。
整个装置外围有铅板构成，防止外界对测量的影响。
实验过程中，可以随便改变源和BGO 探测器的位置，同时修改配套的数值模拟计算程序。
2能量分辨率探测器输出脉冲幅度的形成过程中存在着统计涨落，即使是确定能量的粒子脉冲幅度也仍具有一定的分布。
多源异构数据湖的聚存算关键技术及应用 科技进步奖
多源异构数据湖的聚存算关键技术及应用科技进步奖多源异构数据湖的聚存算关键技术及应用在科技进步奖中具有重要地位。
随着全民数智化应用的不断拓展，诸多业务平台数据量急剧膨胀，掌握多维度、多平台、多渠道、跨领域业务相关数据的离线和实时分析能力，成为当下和未来大数据研发工程师、系统架构师职场发展的必备技能。
作为大数据领域的下一个风口，数据湖技术正是这些问题的完美解决者。
数据湖技术能够实现全量数据的单一存储，通常存储原始格式的对象块或者文件。
不管是传统数仓承载的结构化数据还是半结构化数据、非结构化数据、二进制数据等任意类型的数据，数据湖都可以轻松实现采集、存储和分析。
如需更多关于“多源异构数据湖的聚存算关键技术及应用”的信息，建议查阅相关资料或咨询科技专家。
omuke方法
omuke方法【原创实用版4篇】篇1 目录1.OMUKE 方法的背景和意义2.OMUKE 方法的具体内容3.OMUKE 方法的实际应用4.OMUKE 方法的优势与不足5.OMUKE 方法的未来发展篇1正文OMUKE 方法是一种在人工智能领域广泛应用的方法，它的全称是“基于在线学习与知识嵌入的文本挖掘方法”。
这种方法的提出，旨在解决传统文本挖掘方法在处理大规模、高维数据时的计算难题，从而提高文本挖掘的效果和效率。
OMUKE 方法的具体内容主要包括以下几个方面：首先，它是一种在线学习方法，能够在训练过程中动态地调整模型参数，以适应数据的变化。
其次，它是一种知识嵌入方法，能够将文本数据嵌入到一个低维空间中，从而实现对文本数据的高效处理。
最后，它是一种文本挖掘方法，能够利用嵌入后的文本数据进行各种文本挖掘任务，如文本分类、情感分析等。
OMUKE 方法在实际应用中表现出了很好的效果，它在各种文本挖掘任务中都取得了较好的成绩。
篇2 目录1.OMUKE 方法的概述2.OMUKE 方法的优势3.OMUKE 方法的应用实例4.OMUKE 方法的局限性和未来发展篇2正文OMUKE 方法是一种新兴的用于解决复杂问题的方法，它代表了“客观、多元、包容、协作”四个核心价值观。
这种方法的优势在于它能够将不同的观点和专业知识融合在一起，以达成更全面、更公正的解决方案。
首先，OMUKE 方法的概述。
OMUKE 方法是一种基于多元视角和协作解决问题的方法。
它鼓励参与者客观地考虑问题，充分表达自己的观点，同时也尊重他人的观点。
通过这样的方式，OMUKE 方法能够提高决策的效率和质量。
其次，OMUKE 方法的优势。
OMUKE 方法的优势主要体现在它能够提高决策的效率和质量。
由于 OMUKE 方法充分考虑了不同的观点和专业知识，因此，它能够避免单一视角带来的决策偏差，提高决策的客观性和全面性。
同时，OMUKE 方法通过鼓励参与者之间的协作，能够提高决策的效率。
嵌入式粗颗粒度可重构处理器的软硬件协同设计流程
嵌入式粗颗粒度可重构处理器的软硬件协同设计流程
于苏东;刘雷波;尹首一;魏少军
【期刊名称】《电子学报》
【年(卷),期】2009(037)005
【摘要】面向多媒体应用的可重构处理器架构由主处理器和动态配置的可重构阵列(Reconfigurable Cell Array,RCA)组成.协同设计流程以循环流水线和流水线配置技术为基础,采用启发式算法对应用中较大的关键循环进行了软硬件划分,使用表格调度算法实现了任务在RCA上的映射.经过FPGA验证,H.264基准中的核心算法平均执行速度相比于PipeRench,MorphoSys,以及TI DSP TMS320C64X提高了3.34倍.
【总页数】5页(P1136-1140)
【作者】于苏东;刘雷波;尹首一;魏少军
【作者单位】清华大学信息科学与技术国家实验室,清华大学微电子所,北
京,100084;清华大学信息科学与技术国家实验室,清华大学微电子所,北京,100084;清华大学信息科学与技术国家实验室,清华大学微电子所,北京,100084;清华大学信息科学与技术国家实验室,清华大学微电子所,北京,100084
【正文语种】中文
【中图分类】TP311.52
【相关文献】
1.一种基于嵌入式微处理器SIMD核的可重构数据总线设计 [J], 王光
2.嵌入式软硬件协同设计与验证流程详解 [J], 张玢
3.嵌入式软硬件协同设计与验证流程详解 [J], 张玢;
4.一种嵌入式处理器的动态可重构Cache设计 [J], 张毅;汪东升
5.基于PSO的粗颗粒度可重构处理器时域划分算法设计 [J], 刘勰;绳伟光;何卫锋因版权原因，仅展示原文概要，查看原文内容请购买。
结合小波包与XGBoost的云平台时序监控数据异常检测方法
结合小波包与 XGBoost 的 云平台时序监控数据异常检测方法 *
苏海明 1,2 亓开元 1,2 逄立业 2 郭涛 1,2 张连法 2 1. 高效能服务器与存储技术国家重点实验室 ；2. 济南浪潮数据技术有限公司云计算研发部
针对云平台中单维时序监控数据异常检测的问题， 单纯的基于阈值的异常检测方法无法满足真实运维环境 的需求，提出了一种结合小波分析与 XGBoost 的云平台 时序监控数据异常检测算法。考虑单维时序数据的变化， 提取小波包能量特征，组成特征数据集，将特征数据集 作为 输入训练 XGBoost 分类模型。在某高校云平台监 控数据集上进行实验，样本数据由人工标注，在此数据 集上验证了该方法的准确性与有效性，最终异常检测的 误报率为 8.4%，准确率达到 92.29%，相对传统方案， 本文方案在异常识别准确率上并没有太大提升，但在误 报率上降低了 50% 以上。
检测模型 FPR
Recall
Pre
Acc
RF
9.71
91.30
90.38
90.79
BP[9]
16.82
91.72
84.50
87.45
SVM
15.27
92.75
85.85
88.73
SVM+PCA 11.72
91.58
88.63
89.92
XGBoost
8.40
92.88
91.70
92.29
本文中的 XGBoost 模型误报率与其他结果相比，从
本标记为负样本，异常样本标记为正样本。共提取出样
本数据总数为 21542，其中正常样本总数为 20074，异常
样本数为 1468。异常样本占据样本集中的比例为 6.81%。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机集成制造系统
Ｃ ｏ ｍ ｕ ｔ ｅ ｒ Ｉ ｎ ｔ ｅ ｒ ａ ｔ ｅ ｄ Ｍ ａ ｎ ｕ ｆ ａ ｃ ｔ ｕ ｒ ｉ ｎ Ｓ ｓ ｔ ｅ ｍ ｓ ｐ ｇ ｇ ｙ
Ｖ ｏ ｌ ． １ ９Ｎ ｏ ． ３ Ｍ ａ ｒ ． ２ ０ １ ３
６ ４ ２
计算机集成制造系统
第１ ９卷
可能处理无限数据 流 的 完 整 信 息 ， 因此一般采用窗 口机制来划定处理 边 界 ， 边界范围内的数据称为感 知历史数据 。 随着 短时间内积累大量的历史 据流速度不断提高 ， 当前数据流处理的长期性和 数据成为可能 。 同 时 ， 准确性需求也要求扩大历史数据规模 。 以一个物联 网环境下的车辆监 管 系 统 为 例 ， 该系统通过传感设 并实时完成数据流同历 备收集城市车辆运 行 数 据 ， 史数据的统计 、 分析 、 比较等计算 ， 从而实现套牌 、 超 速、 限行等违法车辆的自动识别 。 在这类应用中 ， 窗 口边界范围的不断扩 大 、 数据处理对象（ 如车牌） 数 以及每个处理对象数据量 （ 如车辆监 量的急速增加 ， 控信息 ） 的迅速增 加 ， 导 致 历 史 数 据 规 模 不 断 扩 大。 在上述趋势下 ， 如何 在 面 对 大 规 模 历 史 数 据 时 保 证 数据流处理的实时 性 ， 即满足数据流处理对历史数 据的伸缩性需求 ， 成为云制造领域的新挑战 。 现有数据流处理领域对于可伸缩性的研究分为 集中式和分布 式 两 类 。 在 集 中 式 的 单 节 点 环 境 下 ， 受内存容量限制 ， 侧重于针对小规模的历史数据进
； 。Ｒ 收稿日期 ： 修订日期 ： ２ ０ １ １ １ １ ２ ７ ２ ０ １ ２ ０ ５ ０ ４ ｅ ｃ ｅ ｉ ｖ ｅ ｄ ２ ７Ｎ ｏ ｖ ． ２ ０ １ １； ａ ｃ ｃ ｅ ｔ ｅ ｄ ０ ４Ｍ ａ ２ ０ １ ２ ． － － － － ｐ ｙ ） 。Ｆ ： 基金项目 ：国家自然科学基金资助 项 目 （ ６ ０ ９ ０ ３ １ ３ ７， ６ ０ ９ ７ ０ １ ３ ２ ｏ ｕ ｎ ｄ ａ ｔ ｉ ｏ ｎ ｉ ｔ ｅ ｍ ｓ Ｐ ｒ ｏ ｅ ｃ ｔ ｓ ｕ ｏ ｒ ｔ ｅ ｄ ｂ ｔ ｈ ｅ Ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｆ ｏ ｕ ｎ ｄ ａ － ｊ ｐ ｐ ｙ ， （ ） ｔ ｉ ｏ ｎ Ｃ ｈ ｉ ｎ ａ Ｎ ｏ ． ６ ０ ９ ０ ３ １ ３ ７， ６ ０ ９ ７ ０ １ ３ ２ ．
１ 问题的提出
借助 物 联 网 、 云计算等技术实现制造资源和制 造能力的共享 、 协同与服务化是云制造的基本追求 。
随着物联网的发展 ， 以实时传感数据为基础的各类 数据流处理逐渐成为当前云制造资源感知和接入的 主要形式 。 面对连 续 的 传 感 数 据 流 ， 处理系统必须 快速响应并及时输出结果 。 然而有限的处理系统不
（ ） 文章编号 ： １ ０ ０ ６－５ ９ １ １ ２ ０ １ ３ ０ ３－０ ６ ４ １－１ ３
面向大规模感知数据的实时数据流处理方法及关键技术
２， ３ ３ ， 亓开元１， 韩燕波１， 赵卓峰１， 马 强２，
（ 北方工业大学 云计算研究中心 ， 北京 １ １． ０ ０ １ ４ ４； ） 中国科学院 计算技术研究所 ， 北京 １ 中国科学院大学 ， 北京 １ ２． ０ ０ １ ９ ０； ３． ０ ０ １ ９ ０
摘 要： 为了在大规模历史感知数据基础上实现 针 对 高 速 传 感 数 据 流 的 实 时 计 算 ， 提出一种面向大规模历史 数据的数据流处理方法 Ｒ 通过中间结果缓存 、 流水化和本地化改进了 Ｍ ＴＭＲ， ａ Ｒ ｅ ｄ ｕ ｃ ｅ的 数 据 流 处 理 能 力 。 在 此 ｐ 基础上 ， 为了适应性地构造 Ｒ 利用模型 分 析 方 法 根 据 应 用 特 征 和 集 群 环 境 配 置 节 点 类 型 和 拓 扑 结 构 。 ＴＭＲ 集群 ， 为实现集群的负载均衡 ， 通过计算负载状态 转 换 关 系 分 组 空 闲 节 点 和 过 载 节 点 ， 将Ｎ Ｐ难的动态负载均衡问题快 速分解为规模较小的子问题 ， 并且综合执行时间和数 据 移 动 代 价 作 为 子 问 题 的 优 化 目 标 ， 提高应对负载倾斜的反 应速度 。 实验表明 ， 上述方法和技术能够保障大规模历史数据上数据流处理的可伸缩性 。 关键词 ： 数据流处理 ； 大规模数据处理 ； 适应性架构 ； 负载均衡 Ｍ ａ Ｒ ｅ ｄ ｕ ｃ ｅ方法 ； ｐ 中图分类号 ： Ｔ Ｐ ３ ９ ３ 文献标志码 ： Ａ
Ｒ ｅ ａ ｌ ｔ ｉ ｍ ｅ ｄ ａ ｔ ａ ｓ ｔ ｒ ｅ ａ ｍ ａ ｎ ｄ ｋ ｅ ｔ ｅ ｃ ｈ ｎ ｉ ｕ ｅ ｓ ｏ ｒ ｉ ｅ ｎ ｔ ｅ ｄ ｔ ｏ ｌ ａ ｒ ｅ ｓ ｃ ａ ｌ ｅ ｓ ｅ ｎ ｓ ｏ ｒ ｄ ａ ｔ ａ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ － － ｙ ｑ ｇ ｐ ｇ
１２３ １ ２３ １ ，ＨＡＮ ， Ｑ Ｉ Ｋ ａ ｉ Ｙ ａ ｎ－ ｂ ｏ ＺＨＡ Ｏ Ｚ ｈ ｕ ｏ Ｑ ｉ ａ ｎ ｕ ａ ｎ ｅ ｎ － － ｇ ｙ ｆ ｇ ，ＭＡ ，， ，
（ ，Ｎ ， ； １ ． Ｃ ｌ ｏ ｕ ｄ Ｃ ｏ ｍ ｕ ｔ ｉ ｎ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｃ ｅ ｎ ｔ ｅ ｒ ｏ ｒ ｔ ｈ Ｃ ｈ ｉ ｎ ａ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ Ｂ ｅ ｉ ｉ ｎ １ ０ ０ １ ４ ４， Ｃ ｈ ｉ ｎ ａ ｐ ｇ ｙ ｇ ｙ ｊ ｇ ， ， ； ２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃ ｏ ｍ ｕ ｔ ｉ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ Ｂ ｅ ｉ ｉ ｎ １ ０ ０ １ ９ ０， Ｃ ｈ ｉ ｎ ａ ｐ ｇ ｇ ｙ ｙ ｊ ｇ ， ， ） ３ ． Ｇ ｒ ａ ｄ ｕ ａ ｔ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ Ｂ ｅ ｉ ｉ ｎ １ ０ ０ １ ９ ０， Ｃ ｈ ｉ ｎ ａ ｙ ｙ ｊ ｇ ： ，ｈ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ Ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｄ ｅ ｖ ｅ ｌ ｏ ｍ ｅ ｎ ｔ ｏ ｆ Ｉ ｎ ｔ ｅ ｒ ｎ ｅ ｔ ｏ ｆ Ｔ ｈ ｉ ｎ ｓ ｏ ｗ ｔ ｏ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｒ ｅ ａ ｌ ｔ ｉ ｍ ｅ ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｈ ｉ ｈ ｓ ｅ ｅ ｄ ｄ ａ ｔ ａ ｐ ｇ ｐ ｇ ｐ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｌ ａ ｒ ｅ ｓ ｃ ａ ｌ ｅ ｈ ｉ ｓ ｔ ｏ ｒ ｓ ｅ ｎ ｓ ｏ ｒ ｄ ａ ｔ ａ ｂ ｅ ｃ ａ ｍ ｅ ａ ｎ ｅ ｗ ｃ ｈ ａ ｌ ｌ ｅ ｎ ｅ ｔ ｏ ｃ ｌ ｏ ｕ ｄ ｍ ａ ｎ ｕ ｆ ａ ｃ ｔ ｕ ｒ ｉ ｎ ． Ａ ｍ ｅ ｔ ｈ ｓ ｔ ｒ ｅ ａ ｍ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ － ｇ ｙ ｇ ｇ ｐ ｇ ， ｒ ｏ ｏ ｓ ｅ ｄ ｏ ｄ ｎ ａ ｍ ｅ ｄ Ｒ ｅ ａ ｌ ｉ ｍ ｅ Ｍ ａ Ｒ ｅ ｄ ｕ ｃ ｅ（ Ｒ ＴＭＲ） ｏ ｒ ｉ ｅ ｎ ｔ ｅ ｄ ｔ ｏ ｌ ａ ｒ ｅ ｓ ｃ ａ ｌ ｅ ｈ ｉ ｓ ｔ ｏ ｒ ｉ ｃ ａ ｌ ｄ ａ ｔ ａ ｗ ａ ｓ ｗ ｈ ｉ ｃ ｈ ｉ ｍ ｒ ｏ ｖ ｅ ｄ ｄ ａ ｔ ａ －Ｔ ｐ ｐ ｐ ｇ ｐ ， ｃ ａ ａ ｃ ｉ ｔ ｏ ｆ Ｍ ａ Ｒ ｅ ｄ ｕ ｃ ｅ ｔ ｈ ｒ ｏ ｕ ｈ ｉ ｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａ ｔ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｃ ａ ｃ ｈ ｅ ａ ｎ ｄ ｌ ｏ ｃ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ．Ｔ ｏ ｃ ｏ ｎ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｉ ｅ ｌ ｉ ｎ ｉ ｎ ｓ ｔ ｒ ｅ ａ ｍ － ｐ ｙ ｐ ｇ ｐ ｇ ｐ ｐ ｇ ， ｓ ｔ ｒ ｕ ｃ ｔ Ｒ ＴＭＲ ｓ ｅ ｔ ｓ ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ ａ ｎ ａ ｌ ｓ ｉ ｓ ｍ ｅ ｔ ｈ ｏ ｄ ｗ ａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｃ ｏ ｎ ｆ ｉ ｕ ｒ ｅ ｔ ｈ ｅ ｎ ｏ ｄ ｅ ｔ ｅ ａ ｎ ｄ ｔ ｏ ｏ ｌ ｏ ｉ ｃ ａ ｌ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｂ ａ ｓ ｅ ｄ ｙ ｇ ｙ ｐ ｐ ｇ ， ， ａ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ａ ｎ ｄ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍ ｅ ｎ ｔ ｓ ．Ｆ ｕ ｒ ｔ ｈ ｅ ｒ ｍ ｏ ｒ ｅ ｔ ｏ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｌ ｏ ａ ｄ ｂ ａ ｌ ａ ｎ ｃ ｉ ｎ ｔ ｈ ｅ ｉ ｄ ｌ ｅ ｏ ｎ ｐ ｐ ｇ ｎ ｏ ｄ ｅ ｓ ａ ｎ ｄ ｏ ｖ ｅ ｒ ｌ ｏ ａ ｄ ｎ ｏ ｄ ｅ ｓ ｗ ｅ ｒ ｅ ｒ ｏ ｕ ｅ ｄ ｂ ｃ ｏ ｍ ｕ ｔ ｉ ｎ ｌ ｏ ａ ｄ ｓ ｔ ａ ｔ ｅ ｔ ｒ ａ ｎ ｓ ｉ ｔ ｉ ｏ ｎ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ． Ｔ ｈ ｕ ｓ ｔ ｈ ｅ ｄ ｎ ａ ｍ ｉ ｃ ｌ ｏ ａ ｄ ｂ ａ ｌ ａ ｎ ｃ ｉ ｎ ｇ ｐ ｙ ｐ ｇ ｙ ｇ ， ｒ ｏ ｂ ｌ ｅ ｍ ｓ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ Ｎ Ｐ ｈ ａ ｒ ｄ ｗ ａ ｓ ｄ ｅ ｃ ｏ ｍ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｏ ｓ ｍ ａ ｌ ｌ ｓ ｃ ａ ｌ ｅ ｓ ｕ ｂ ａ ｎ ｄ ｅ ｘ ｅ ｃ ｕ ｔ ｉ ｏ ｎ ｔ ｉ ｍ ｅ ａ ｓ ｗ ｅ ｌ ｌ ａ ｓ ｄ ａ ｔ ａ ｃ ｏ ｓ ｔ ｗ ｅ ｒ ｅ ｉ ｎ －ｐ － ｐ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ ｒ ｏ ｏ ｓ ｅ ｄ ｔ ｅ ｒ ａ ｔ ｅ ｄ ａ ｓ ｓ ｕ ｂ ｏ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｂ ｅ ｃ ｔ ｉ ｖ ｅ ． Ｔ ｈ ｅ ｅ ｘ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗ ｅ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｍ ｅ ｔ ｈ ｏ ｄ ａ ｎ ｄ ｔ ｅ ｃ ｈ －ｐ － ｐ ｐ ｇ ｐ ｊ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｎ ｏ ｌ ｏ ｃ ｏ ｕ ｌ ｄ ｅ ｎ ｓ ｕ ｒ ｅ ｔ ｈ ｅ ｓ ｃ ａ ｌ ａ ｂ ｉ ｌ ｉ ｔ ｆ ｏ ｒ ｄ ａ ｔ ａ ｓ ｔ ｒ ｅ ａ ｍ ｏ ｆ ｌ ａ ｒ ｅ ｓ ｃ ａ ｌ ｅ ｈ ｉ ｓ ｔ ｏ ｒ ｉ ｃ ａ ｌ ｄ ａ ｔ ａ ． ｐ ｇ ｇ ｙ ｙ ｇ ： ； ；Ｍ ； ； ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｄ ａ ｔ ａ ｓ ｔ ｒ ｅ ａ ｍ ｌ ａ ｒ ｅ ｓ ｃ ａ ｌ ｅ ｄ ａ ｔ ａ ａ Ｒ ｅ ｄ ｕ ｃ ｅ ａ ｄ ａ ｔ ｉ ｖ ｅ ａ ｒ ｃ ｈ ｉ ｔ ｅ ｃ ｔ ｕ ｒ ｅ ｌ ｏ ａ ｄ ｂ ａ ｌ ａ ｎ ｃ ｅ ｐ ｇ ｐ ｇ ｇ ｐ ｐ ｙ