基于USB摄像头的嵌入式远程视频监控系统

介绍一种用USB摄像头作为采集终端的视频监控系统,用户在远程端可以监控USB摄像头获取实时视频,并能够控制云台进行转动.整个系统能够独立完成实时视频的采集、处理及传输功能,可广泛应用在远程监控系统、可视电话、工业控制等领域.     

嵌入式视频图像传输系统的设计与实现

本文介绍了一种基于嵌入式Linux和S3C2410平台的视频传输系统.该系统通过USB摄像头采集视频数据,采用Video4Linux模块提供的编译接口进行视频.采集程序的设计,经MPEG-4压缩算法对视频流进行压缩编码,通过实时传输协议(RTP)和实时传输控制协议(RTCP)配合使用实现流媒体数据的网络传输.整个系统建立在嵌入式构架上,能独立完成实时视频的采集、处理及传榆功能,可广泛应用于远程监控系统、可视电话、工业控制等领域.     

深层链接的法律规制

信息网络传播权所控制的信息网络传播行为应当既包括把作品上传到服务器这一作品提供行为,又包括实质呈现作品的展示行为,该权利所关注的是对以上任一行为的实行者的身份控制。设链网站的深层链接因为未经许可实质呈现了受信息网络传播权保护的作品,构成直接侵权。《反不正当竞争法》对被链网站由此所受损失提供补充保护。而局限性很大的服务器标准也应当被实质呈现标准所取代。     

当互联网遇上环保

曾设计逾百座数据中心的格罗斯这样说道:"不仅是普通人,即使是业内人士得知这些数字后,都感到惊讶——一座稍具规模的数据中心的用电量,很可能已经超过一座中型城市。"互联网是零污染的绿色产业?事实上,目前全球约有24亿网民,各大互联网公司为了让网民24小时享受网络便利,一直提供全天候无间断服务。这样一来,服务器昼夜运行,造成的电力消耗是巨大的。虚拟数据也能造成资源浪费根据去年《纽约时报》的一项调查中显示,素来被认为是环保的因特网产业其实并     

嵌入式智慧工地安全帽检测系统设计与实现

针对施工作业人员不佩戴安全帽的问题,设计了一种基于计算机视觉的嵌入式智慧工地安全帽检测系统并进行了实用性的算法改进,解决了人力检测效率低下、标准不一的问题,同时提升了在目标检测领域小目标检测的精度。介绍了人工和传统算法在安全帽佩戴监管方面的弊端以及嵌入式系统的优势,详细介绍了算法优化的方法以及本系统的实验结果。     

我国污染物健康风险毒性数据库构建研究

污染物毒性数据是开展环境健康风险评估和管控的基础. 迄今为止,我国尚未建立本土化的污染物健康风险毒性数据库. 为此,本文基于收集、整编和经本土化改造的污染物健康风险毒性数据,构建了符合我国国情的污染物健康风险毒性数据库平台,为我国环境健康风险评估、风险管控及相关研究提供了基础数据和技术支撑服务. 该平台由公众端和管理端组成,公众端为公众用户提供了便捷实用的毒性数据查询与服务系统,而管理端为系统管理人员提供了高效的数据及用户组织管理工具. 该平台集成了国内外业界广泛使用的相关信息系统优点,创新性地构建了实时交互响应、自动生成审核信息的数据审核功能,同时拟利用生态环境云服务实现统一管理、统一监控、统一运维、统一服务和统一备份,将极大地保证系统的稳定性和安全性.      

基于嵌入式Linux的视频监控系统的设计

在软硬件协同设计的指导思想下,提出了在ARM微处理器平台上移植嵌入式Linux操作系统,并完成视频采集、压缩、控制等任务.为降低产品成本,系统采用ARM9微处理器S3C2410X作为主处理器,采用普通30万像素的USB摄像头作为图像采集设备,用软件对视频数据进行MPEG-4压缩.可以通过网络把数据传到中心服务器显示并保存.实现了一种体积小、成本低廉、数字化的监控解决方案,具有广泛的应用价值.     

顺势而为 稳健发展 铸造数字监控领域领先企业品牌——访北京汉邦高科数字技术股份有限公司董事长王立群

在"十一五"期间,随着中国安防行业的快速发展,一批以研发为主导、市场为导向的本土安防制造企业获得了快速发展和成长,逐步成为推动中国安防行业前进和安防技术进步的主体力量,在这批企业中,北京汉邦高科数字技术股份有限公司(下文简称汉邦高科)无     

印度CNL软件公司与意大利SYAC公司全力打造安防平台

由于看到了未来世界在安全方面将面临的机遇和挑战,日前印度CNL软件公司与意大利SYAC SpA公司结成了技术合作伙伴。印度CNL软件公司是世界领先的物理安全信息管理(PSIM)软件公司,而SYAC SpA公司是世界领先的数字图像安全管理系统与嵌入式产品制造商。两家公司     

人工智能与专家的故事

人工智能几起几落,一般认为这一轮热潮从2012年开始。这一年,Hinton和他的学生Alex Krizhevsky设计的Alex Net采用深度学习算法,在Image Net图像识别竞赛中获得冠军,图像错误识别率下降10多个百分比,同期的其他神经网络每次的成绩提升很少达到5%,立即引起业界对深度学习的极大关注。之后的两年时间,深度学习网络进一步把整体错误率下降至5%以内,达到了人眼的水平。随后,Google、Micro Soft、Facebook先后开源了自己的深度学习框架Tensorflow、CNTK和Caffe。一时间,国内外涌现了大量的人工智能创业公司。除了深度学习技术,GPU芯片、分布式计算、计算位数压缩等新的优化技术也加快了神经网络的训练和使用效率,人工智能应用从高性能数据中心向嵌入式设备发展。