精华内容
下载资源
问答
  •  高密度环境下行人统计一直没有得到很好解决,主要原因是对高密度人群中行人检测和跟踪是一个很难问题,如下图所示环境,存在的困难包括: 检测方面: 由于人群整体处于运动状态,占据了背景60%以上...
    
     实验程序视频 下载

    1 问题描述

      高密度环境下的行人统计一直没有得到很好的解决,主要原因是对高密度人群中的行人检测和跟踪是一个很难的问题,如下图所示环境,存在的困难包括:

    检测方面:

    由于人群整体处于运动状态,占据了背景的60%以上的面积,导致许多目标检测的方法,如基于背景差的运动目标检测、分割方法难以奏效。另外,由于人群存在大量遮挡,导致基于行人轮廓的检测方法,如HOG也难以奏效。

    跟踪方面:

    高密度环境中的多目标跟踪,由于存在大量的遮挡、合并、分离,实现准确的跟踪是一个富有挑战性的研究问题。

    本实验的目的是对高密度行进人群中的行人流量进行统计,并能够区分上行和下行。实验的基本思路是:

    在一个行人头部大小的带状区域中进行头部检测(HaarLike Adaboost方法),然后利用一个滑动的跟踪门对检测的头部结果进行关联,同时利用运动历史图分析的方法估计行人轮廓的运动方向,最后对序列关联特征进行分析给出上下行的统计结果。

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

     

           下面分三个部分:头部检测、方向分析、关联统计,对算法进行描述。

     
    2 头部检测

    如图所示复杂环境下,能够较好的在高密度人群中区分行人的特征只有头部。当摄像机架设一定高度时,行人头部遮挡较少,对检测和跟踪较有利。

    头部检测优势在于:头部具有结构化的一些特征,相对于肤色、发色而言,受光线、噪声、阴影等影响较小。不足在于:头部的特征变化多样,不同的装束、肤色、方向都会有较大的差别。

     我们采用了较为成熟的基于HaarLike特征的Adaboost分类器算法,对头部进行检测。

    《AdaBoost头部分类器训练实验报告》一文中对算法基本原理,分类器样本的选择、处理和分类器的训练、测试进行了详细的描述,在这里不再赘述。只对实验中分类器的具体应用方法进行描述:

    Step1: 分类器设置:载入分类器,实验中使用的分类器的原始尺寸为10*10。在检测过程中通过逐级放大分类器实现不同尺寸头部检测(检测头部尺寸范围为10*10-28*28)。

    Step2:图像预处理:根据实际情况缩放图像(双线性差值)至合适大小,使图像中行人头部尺寸介于检测范围内(10*10-28*28)。并在图像中设置一高度为30(可以容纳1个头部高度),宽度为图像宽度的检测区域,将图像转换为灰度图像,此后所有操作均在此范围内进行,这样大大提高了检测算法的速度。如下图所示:

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

    Step3:头部检测:为了能够检测不同尺度的头部,将分类器以一定的比例(如1.1)逐级放大后遍历检测区域。例如要检测10*10至28*28尺寸范围内的头部,要将分类器(10*10)以1.1比例逐级放大12次,放大比例分别为:1.0 1.1 1.21 1.331 ……,然后用放大后的分类器以步长2在检测区域图像中遍历检测。输出头部的位置和矩形尺寸。

    注:一般来说,真实的头部的检测结果会出现一个位置多个尺度矩形检测结果重叠的情况,如上图所示。在之前的实验中,将重叠矩形数量少于1的检测结果滤除,这样可以滤除一部分误检。但是,这样做的同时也会显著增大漏检。所以在本次实验中没有进行该步操作,使尽量完整的初期检测结果参与后期的判决。

      
    3 方向分析
          目标运动方向分析的一种最常用方法是光流法,光流法通过相邻两帧图像中光流近似目标的运动。光流法比较适于估计较短时间内的目标运动趋势(如相邻几帧),且光流法对图像噪声非常敏感,如下图,为实验中视频的两种光流的计算结果。

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

     

    由于视频中环境复杂噪声大,且相邻两帧图像中目标的运动不规律,所以光流分析效果并不理想。

     基于运动历史图的运动分析方法比较适于估计目标较长时间内的运动趋势。该方法累积目标在一段时间内的运动,通过计算时间域梯度估计目标的运动方向。

       实验中算法如下:

    Step1:计算检测区域的Sobel边缘图(Sobel算子简单,计算速度快),由于只考虑目标上下行的速度,所以只计算图像在垂直方向上的梯度,核如下:

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV
     
    4 关联与统计

       由于行人头部目标在检测区域中的运动持续时间较短,位移较小,且较少发生遮挡,所以利用跟踪门进行目标的关联,实验中效果较好。

        每个头部模型的特征描述为:{x, y, dx, dy, width, height, score, scoreperfrm , scoremax,  frame, startfrm },解释如下:

    特征参数

    解释

    更新条件

    x

    中心x坐标

    目标匹配时

    y

    中心y坐标

    目标匹配时

    dx

    x方向运动的累积量

    目标匹配时

    dy

    y方向运动的累积量

    目标匹配时

    width

    矩形宽度

    目标匹配时

    height

    矩形高度

    目标匹配时

    score

    目标重复出现(匹配)的次数

    目标匹配时,++

    scoreperfrm

    每帧中目标重复出现(匹配)的次数

    目标匹配时,++,每帧结束时清零

    scoremax

    每帧中目标重复出现(匹配)次数的最大值

    每帧结束时更新

    frame

    目标上一次重复出现(匹配)的时刻(帧计数)

    每次匹配时

    startfrm

    目标第一次出现的时刻(帧计数)

    目标出现时

    其中,目标匹配的条件为:头部检测结果rect的中心落在模型中心的跟踪门内。跟踪门根据检测区域、头部大小以及运动速度进行设置,实验中设为10,即是以模型中心为中心的20*20的一个矩形跟踪门。

    Step1:目标模型初始化

    当前头部检测结果rect没有发现与之匹配的模型时,增加一个新的模型,x,y设置为当前rect中心,dx为cos(orient/180*PI),dy为sin(orient/180*PI),width, height与rect宽高相同,score为0,scoreperfrm为0,frame和startfrm为当前帧编号F。其中orient为方向分析中头部的运动方向(0-360)。

    Step2:目标模型的更新

    当头部检测结果rect与已有模型匹配时,采用滑动平均的方法对目标模型的x,y,width,height分别以速率alpha1,alpha2进行更新。若当前检测rect的中心为rx,与之匹配的目标模型中心为x,则模型参数x更新为:

    x=x*(1-alpha1)+rx*alpha1

    其他参数的更新类似。

    学习速率alpha1,alpha2变化范围在为0.-1.0之间,值越大,模型参数更新越快,实验中分别设置为0.95,0.35,目的是使位置更新较快,而宽高更新较慢。

     每当模型成功匹配一次,score=score+1,scoreperfrm=scoreperfrm+1, frame更新为当前帧编号F,dx=dx+cos(orient/180*PI), dy=dy+ sin(orient/180*PI)。

     当每一帧的检测结果更新结束后,令scoremax=max(scoremax, scoreperfrm),即scoremax记录该目标在每帧中检测结果匹配次数的最大值。

    Step3:行人的统计

    当每一帧检测的目标模型的匹配更新结束后,遍历所有目标模型,进行行人统计和上下行判决。

    基本思想:真实的目标模型一般存在时间(帧数)较长,存在期间匹配次数较多,且在单帧中匹配次数的最大值较大。所以可以根据目标模型存在的帧数、重复出现(匹配)的次数、匹配次数的均值、以及单帧中匹配次数最大值,判定是真实目标还是噪声。同时,多数噪声目标不存在运动,可以通过运动方向滤除一部分噪声。

    当模型有较长时间没有被匹配时,我们认为该目标已离开检测区域。根据模型中的frame值和当前帧F的差值可以判决目标是否已经消失或离开检测区域。

    行人判决准则为:

    行人:F-frame> BAD_FRAME且score>GOOD_SCORE

    且score / (frame - startfrm +1) > GOOD_SCORE_RATIO

    且|dy|/( frame - startfrm+1) > GOOD_DIR_AVER

    且scoremax >= GOOD_SCORE_MAX

    行人方向:目标上下行判决:dy>0为下行, dy<0为上行。

    实验中,BAD_FRAME为6,GOOD_SCORE为2,GOOD_SCORE_RATIO为0.7-0.9,GOOD_DIR_AVER为0.01,GOOD_SCORE_MAX为3。

    注:GOOD_SCORE_RATIO 平均匹配率门限,通过调节该参数在一定程度上实现漏检和误检的均衡,当该参数增大时,误检率降低,漏检率升高,反则反之。该参数一定程度上可以根据实际视频中行人通过检测区域的速度设置,速度快,则小,反则反之。

     
    5 实验

    利用VC++6.0和Intel OpenCV1.1编写实验程序,分别对低密度和高密度行人视频进行行人统计。

    实验1:VideoProcess(420 340).exe

    实验视频:00011.AVI (400*304,时长6分45秒)

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

     

    参数调整:

         为了使头部尺寸在检测范围内(10-28),将图像放大至 420*340

         GOOD_SCORE_RATIO  0.7 

    实验结果:

    实际通过检测区域行人(头部)共计110人次(人工统计结果),算法检测结果为109人次。

    其中 漏检8人次,漏检率7.3%

         误检7人次,误检率6.4%

    在检测正确的行人103人次中,行人运动方向计算错误1次。

    分析:

    漏检主要原因:1 打伞 2 骑车速度过快 3 头顶头发花白(老太太)4 戴白色帽子 5 受车辆通过时阴影遮挡

    误检主要原因:衣服某些区域被误检为头部。

    方向计算错误的原因:行人骑车速度过快。

    检测速度:每帧约耗时26-27ms,CPU占用率50%。 (Pentium Dual-Core T4400 2.2GHz)

     

    实验2:VideoProcess(352 288).exe

    实验视频:acvis09-5950.avi (640*480,时长47秒)

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

     

    参数调整:

          为了使头部尺寸在检测范围内(10-28),将图像放大至 420*340

          GOOD_SCORE_RATIO  0.9 

    实验结果:

    实际通过检测区域行人(头部)共计61人次(人工统计结果),算法检测结果为73人次。

    其中 漏检6人次,漏检率9.8%

    高密度环境下行人统计实验报告 - 海水和火焰 - 视频监控 形态学 OpenCV

     

      
    6 结论

           该行人统计方法柔性较好,针对不同的应用场景参数调整较少。实时性好,在普通PC上能够实现30FPS的检测速度。统计准确率较高,当行人密度低时能达到90%以上的准确率,当行人密度高时能达到70%以上的准确率。初步达到了实际应用需求。

    展开全文
  • 气化滤饼中碳赋存形态包括单独存在的絮状碳颗粒、与无机组分熔融不规则颗粒,且细颗粒中含碳量高,粗颗粒中无机组分含量高;在 500~700 ℃条件下进行热重分析,失重高达 27.38%,与碳硫分析和马弗炉烧失量结果...
  • 观赏植物在传统育种上取得了巨大的成就,但也...培育色彩新奇、形态优美、抗性优良、花期延长的花卉新品种是观赏植物转基因育种的主要目标,转基因技术在观赏植物的遗传改良中发挥着重要的作用,并有着极为广阔的前景。
  • 近期盘面依然非常活跃,黑马个股不断出现,虽然它们具体形态千差万别,但还是有一些共同点主要有以下四方面的技术特点: 从k线图看,当股价在低位进行震荡时,经常出现一些特殊图形,出现频率超出随机概率。...
     近期盘面依然非常活跃,黑马个股不断出现,虽然它们具体形态千差万别,但还是有一些共同点的,主要有以下四方面的技术特点: 
      从k线图看,当股价在低位进行震荡时,经常出现一些特殊图形,出现的频率超出随机概率。 典型的包括带长上、下影线的小阳小阴线,并且当日成交量主要集中在上影线区域,而下影线中存在着较大的无量空体,许多上影线来自临收盘时的大幅无量打压;跳空高开后顺势杀下,收出一根实体较大的阴线,同时成交量明显放大,但随后并未出现继续放量,反而迅速萎缩,股价重新陷入表面上无序的运动状态;小幅跳空低开后借势上推,尾盘以光头阳线报收,甚至出现较大涨幅,成交量明显放大,但第二天又被很小的成交量打下来。这些形态如果频繁出现,很可能是主力压低吸筹所留下的痕迹。 
      从k线组合看,经常出现上涨时成交量显著放大、但涨幅不高的"滞涨"现象,但随后的下跌过程中成交量却以极快的速度萎缩。
      有时,则是上涨一小段后便不涨不跌,成交量虽然不如拉升时大,但始终维持在较活跃的水平,保持一到两个月后开始萎缩。由于主力进的比出的多,日积月累,手中筹码就会不断增加。尽管目前的主力已无法操纵大盘,但调控个股走势还是绰绰有余的,往往会在收盘时通过各种手段改变股价走向,从而使一些技术指标逆转,以迷惑一般投资者。从这个意义上说,在研判个股走势时,收盘价虽然是重要的,但盘中总体走势也不可忽视,在建仓阶段和拉升末期尤其如此。 
      还有就是均线系统由杂乱无章、纠缠不清,逐渐转向脉络清晰、起伏有致。 
      从技术上说,这是黑马与失败案例的最大区别之所在,具有合理的内涵,而且在庄股时代有其必然性。其内在机理是:在建仓阶段,前期由于筹码分散,持仓成本分布较宽,加上主力刻意打压的结果,股价波动的规律性较差,反映到均线系统上,就是短、中、长期均线的不断交叉起伏,随着主力手中持筹的沉淀,市场上的浮筹随之减少,当主力持筹达到一定程度时,往往会把股价的波动幅度降下来,以拉平市场的平均成本,减少其他投资者做短差的机会。此时,短期均线系统的无序震动幅度会相应减少,过陡的斜率逐渐降下来,均线之间的距离逐渐缩小甚至完全贴紧。当开始试盘和拉升时,由于主力对股价走势拥有较大的发言权,尽管每日盘中震荡不断,但趋势已成,而反映趋势的均线系统自然也就会错落有致了。均线的起伏,其实是反映了主力真实思想的阶段性。如果主力控盘不充分,或只是想短期炒作,必然不会谋求对盘面的绝对控制,大量浮筹追涨杀跌的结果,就会造成股价波动中的无序性,从而使均线系统继续纠缠不清,这种拉升,是难以孕育出"黑马"的,投资者中线介入的风险也是很大的。正因为如此,股市上才有"牛股的均线系统必然优美"的说法。 
      在建仓阶段,主力与散户实际上是处于博弈的两端,主力总是力图制造种种假象,迫使散户低价吐出手中的廉价筹码。 
      正因为如此,在底部区域的顶端,主力往往发布种种利空,或者制造形态上的空头结构,意图使市场发生心理恐慌,主动促成股价下跌。这种下跌,表面上很难与"黑马"形态失败所构成的顶区分开来,但下跌幅度的深浅却往往暴露出主力的真实意图。一般来说,如果主力在下跌途中坚定持筹,并且继续逢低吸纳,则除非某些特殊情况出现,否则股价一般难以杀回前期密集成交区之下并维持较长时间。这是因为主力的建仓成本就在这附近,而他们当然不会容忍别人以比他们更低的价位从容买入。出货形态则没有这种顾虑。另一方面,在"黑马"的孕育阶段,这种震荡往往会多次出现,但随着主力持筹的不断增加,振幅往往会逐步收窄,其间如遇大盘急挫,更是考验"黑马"成色的大好时机,这种情况下,那些振幅很小的个股,主力控盘能力更强,日后突破上攻将只是个时间问题。
    展开全文
  • 结合视频分割的发展趋势,深入介绍了基于对象的视频分割的主要技术及国内外的最新研究算法,包括数 学形态学算法以及活动轮廓模型(蛇模型)在该领域的应用,并分析了当前视频分割技术存在的问题和研究前景
  • 这次的主要更新是形态学处理的部分,也就是膨胀、腐蚀、开与闭操作。 实现函数依然是放在Bmp.cpp这个文件里面。名字为Morphology的函数就是该形态学操作的函数。 可以通过在函数中调入不同的参数与设置使到一个函数...
  • 研究油气水三相流流动规律,包括流动形态、压力变化规律,具有重大理论和应用价值。多相流是一个多变随机过程,需要多方面测量技术,其难度主要体现在油气水三相组分含量和各相流速测量。目前,相流速...
  • 本论文研究内容主要包括: (1)通过收集大量不同类型的存在字符信息胶片图像,为BP神经网络训练与测试过程积累大量原始数据; (2)确立胶片字符识别系统整体架构和研究思路; (3)对收集到胶片图像进行...
  • 在这项研究中,主要目的是为了获得更多关于罗马时期埃及壁画El-Minia-Tuna el-Gabal墓地the仪馆中埃及壁画的技术和保存条件信息。 它可以追溯到公元2世纪,涉及托勒密和罗马礼拜堂不同地点。 有些采用了完美...
  • 病原细菌检测

    2020-06-03 01:41:09
    原料乳样品初步筛选是根据形态学,文化和生化技术进行。 使用16SrRNA序列分析进行最终鉴定。 从巴基斯坦不同城市收集了总共200个原奶样品。 选择性培养基木糖赖氨酸脱氧胆酸琼脂(XLD)和甘露醇盐琼脂用于...
  • 利用多种搜索方法获取有用的信息和商机,由单一向集群化、智能化的发展,以及向定向邮件搜索技术的延伸,寻找网上营销目标将成为一件易事。 2、信息发布功能 网络信息的扩散范围、停留时间、表现形式、延伸效果、...
  • 华为CGN解决方案的主要网元E8000E,能够支持的NAT(Network Address Translation)特性主要包含:无限地址转换、NAT ALG(Application Layer Gateways)、双向NAT和日志收集等。 不同于传统的NAT实现方式,E8000E...
  • 研发模式思考

    2020-11-27 21:34:40
    但前端资源依旧存在潜在瓶颈(比如新增加一条业务线时,很可能无前端去支持)。现有前后端配合开发模式,沟通协作成本偏高,可维护性不够方便。在现有研发模式下,前端...
  • 由于在目标跟踪中存在形态变化、图像分辨率低、背景复杂等情 况, 因此研究出一个性能优良跟踪器势在必行。 早期目标跟踪算法主要是根据目标建模或者 对目标特征进行跟踪, 主要的方法有: 基于目标模型建模方法...
  • 在本文中,讨论了具有度假休闲功能加固沿海地区,该地区因佐治亚州黑海人为压力而受到... 因此,出于建立自由人工海滩目的,奥卡姆奇雷失事区选择是基于沿海保护有效性和经济原则,包括技术经济有效性。
  • 二叉排序树与平衡二叉树实现

    热门讨论 2010-12-26 15:25:31
    2、课程设计内容和要求(包括原始数据、技术要求、工作要求等) (1) (1)以回车('\n')为输入结束标志,输入数列L,生成一棵二叉排序树T; (2)对二叉排序树T作中序遍历,输出结果; (3)计算二叉排序树T查找成功...
  • 脑”,主要能够对设备层进行连接与控制,提供智能分析与数据处理能力,将针对场景核心应用固化为功能模块等,这 一层对业务逻辑、统一建模、全链路技术能力、高并发支撑能力等要求较高,通常以aaS 形态存在。...
  • 如何洞察主力建仓?

    2007-01-21 08:56:00
    尽管“黑马”具体形态千差万别,但它们还是有一些共同点,它们是主力建仓活动所留下印记,主要有以下四方面的技术特点: 一、从k线图看,当股价在低位进行震荡时,经常出现一些特殊图形,出现频率超出随机...
    如何洞察主力建仓?

    尽管“黑马”的具体形态千差万别,但它们还是有一些共同点的,它们是主力建仓活动所留下的印记,主要有以下四方面的技术特点:


        一、从k线图看,当股价在低位进行震荡时,经常出现一些特殊图形,出现的频率超出随机概率。

      典型的包括带长上、下影线的小阳小阴线,并且当日成交量主要集中在上影线区域,而下影线中存在着较大的无量空体,许多上影线来自临收盘时的大幅无量打压;跳空高开后顺势杀下,收出一根实体较大的阴线,同时成交量明显放大,但随后并未出现继续放量,反而迅速萎缩,股价重新陷入表面上无序的运动状态;小幅跳空低开后借势上推,尾盘以光头阳线报收,甚至出现较大涨幅,成交量明显放大,但第二天又被很小的成交量打下来。这些形态如果频繁出现,很可能是主力压低吸筹所留下的痕迹。以大牛股山推股份(0680)为例,该股从1999年12月底至2000年4月初的建仓动作中,上述图形就曾频繁出现。

      二、从k线组合看,经常出现上涨时成交量显著放大、但涨幅不高的“滞涨”现象,但随后的下跌过程中成交量却以极快的速度萎缩。

      有时,则是上涨一小段后便不涨不跌,成交量虽然不如拉升时大,但始终维持在较活跃的水平,保持一到两个月后开始萎缩。由于主力进的比出的多,日积月累,手中筹码就会不断增加。尽管目前的主力已无法操纵大盘,但调控个股走势还是绰绰有余的,往往会在收盘时通过各种手段改变股价走向,从而使一些技术指标逆转,以迷惑一般投资者。从这个意义上说,在研判个股走势时,收盘价虽然是重要的,但盘中总体走势也不可忽视,在建仓阶段和拉升末期尤其如此。

      三、均线系统由杂乱无章、纠缠不清,逐渐转向脉络清晰、起伏有致。

      从技术上说,这是黑马与失败案例的最大区别之所在,具有合理的内涵,而且在庄股时代有其必然性。其内在机理是:在建仓阶段,前期由于筹码分散,持仓成本分布较宽,加上主力刻意打压的结果,股价波动的规律性较差,反映到均线系统上,就是短、中、长期均线的不断交*起伏,随着主力手中持筹的沉淀,市场上的浮筹随之减少,当主力持筹达到一定程度时,往往会把股价的波动幅度降下来,以拉平市场的平均成本,减少其他投资者做短差的机会。此时,短期均线系统的无序震动幅度会相应减少,过陡的斜率逐渐降下来,均线之间的距离逐渐缩小甚至完全贴紧。当开始试盘和拉升时,由于主力对股价走势拥有较大的发言权,尽管每日盘中震荡不断,但趋势已成,而反映趋势的均线系统自然也就会错落有致了。均线的起伏,其实是反映了主力真实思想的阶段性。如果主力控盘不充分,或只是想短期炒作,必然不会谋求对盘面的绝对控制,大量浮筹追涨杀跌的结果,就会造成股价波动中的无序性,从而使均线系统继续纠缠不清,这种拉升,是难以孕育出“黑马”的,投资者中线介入的风险也是很大的。正因为如此,股市上才有“牛股的均线系统必然优美”的说法。

        四、在建仓阶段,主力与散户实际上是处于博弈的两端,主力总是力图制造种种假象,迫使散户低价吐出手中的廉价筹码。

      正因为如此,在底部区域的顶端,主力往往发布种种利空,或者制造形态上的空头结构,意图使市场发生心理恐慌,主动促成股价下跌。这种下跌,表面上很难与“黑马”形态失败所构成的顶区分开来,但下跌幅度的深浅却往往暴露出主力的真实意图。一般来说,如果主力在下跌途中坚定持筹,并且继续逢低吸纳,则除非某些特殊情况出现,否则股价一般难以杀回前期密集成交区之下并维持较长时间。这是因为主力的建仓成本就在这附近,而他们当然不会容忍别人以比他们更低的价位从容买入。出货形态则没有这种顾虑。另一方面,在“黑马”的孕育阶段,这种震荡往往会多次出现,但随着主力持筹的不断增加,振幅往往会逐步收窄,其间如遇大盘急挫,更是考验“黑马”成色的大好时机,这种情况下,那些振幅很小的个股,主力控盘能力更强,日后突破上攻将只是个时间问题.
     
    展开全文
  • 软件设计规范

    2015-03-11 11:57:50
    想象部分占据主要的部分。需要对现实业务,基于设备具体能力,进行构造。 3个范畴定义了“软件”和“程序”分别。第1层和第3层论述是“软件”,而第2层论述是“程序”。 软件和程序研究方法不同。...
  • 教育技术的现代化 5.教育的多元化  四、人的发展  人的身心发展是指作为复杂整体的个体在从生命开始到生命结束的全部人生过程中,不断发生变化的过程,特别是个体的身心特点向积极的发面变化的过程。 人的...
  • ECG)信号进行分析是当前信号处理领域中研究热点和难点,能够自动进行心电图信号分析将会强有力促进医疗事业蓬勃发展,同时能够使国民健康水平有大幅度提高,对于现代信号处理技术在医疗领域中应用将...
  • 着AI、IoT、5G、云计算技术的成熟,高精深技术作为基础技术元素体现出了新 时代特有的形态,即作为“硬”科技组团共同形成了新型基础设施。随着市场场景 的日渐丰富,芯片行业作为提升算力的核心元素,同各行各业...

空空如也

空空如也

1 2 3
收藏数 49
精华内容 19
关键字:

技术的主要存在形态包括