简单介绍： 动物行为学视频分析系统是一套通过视频摄像机和计算机，采用图像处理技术，自动跟踪和记录动物活动的通用型运动轨迹记录分析系统，可以应用在神经药理，学习记忆药理，抗衰老药理和新药神经系统一般药理毒理研究，也可用于神经科学基础研究。可进行头中尾三点跟踪，适用于Morris水迷宫实验、旷场实验、条件性位置偏爱实验、T型迷宫、Y型迷宫、八臂迷宫、高架十字迷宫、Barnes迷宫、Zero迷宫、孔洞实验、新物体识别等各种动物实验。 ZL-099除了具有自动跟踪记录动物活动轨迹的基本功能外，还具有通过事件记录器记录视频系统无法自动识别的各项动物行为事件、轨迹数据导入再分析、实验数据管理以及实时录像功能，并能够接收16路外部输入信号，控制16路外部输出信号，充分体现了自动化与灵活性相结合的优势。 详情介绍： 一.详情介绍 1.可随心设计的平台区域图形 ZL-099可以使用户根据实验目的自行设计实验平台区域，用于计算机跟踪动物在不同区域内的各项指标。ZL-099提供了圆/椭圆、扇形、多边形、环形图元，用户可以使用这些图元设计任意形状的跟踪区域，从而在实验中获取动物在跟踪区域中的各项数据。实验平台设计的灵活性使ZL-099可以更好地适用于各种迷宫实验的研究。 2.稳定可靠的跟踪算法 ZL-099为用户提供了三种跟踪算法：灰度法、背景减法和色彩识别法。灰度法适合在动物与背景间的对比度较大，背景可能会有较小变化的场景下使用。背景减法适合在背景复杂、背景灰度接近甚至与动物灰度相同，但是背景基本不变化的场景下使用。根据背景情况选择跟踪算法，能够使跟踪效果达到*佳。色彩识别法适合对着色的动物进行跟踪。ZL-099也是能够进行头、中、尾三点识别的优良软件。 3.事件统计和分析功能 ZL-099能够记录26种键盘预定义事件、16路外部输入事件、12路外部输出控制事件以及目标所在区域事件，开创性地设计了事件关系图，形象地揭示各类事件之间的相互关系，为深入用户分析动物行为提供了有利支持。 4.可视化的实验数据管理功能 ZL-099内建的数据库通过实验目录树和属性页的方式，将实验过程中产生的大量数据有机地组织起来，使用户可以很方便地查阅实验历史数据和图形，使实验数据的管理成为一个有组织的数据系统。每个实验人员可以独立创建自己的实验数据库，设置密码保护，通过简单的拷贝命令即可实现数据的备份和携带，充分保障了数据的安全性。 5.强大的综合报表功能 ZL-099的综合报表功能允许用户进行实验数据的筛选，并将筛选后的数据进行统计和分析，输出动物在各区域的持续时间、游程、进入区域的次数、潜伏期、平均速度、静止时间等指标，以选定的属性项分组统计平均值和标准误差，并将其以直方图的形式呈现出来。用户可以通过对数据图表复制、粘贴的简单操作，很快形成自己风格的实验报告。同时系统还提供了导出数据的功能，，可以将原始数据和统计分析数据导出到Excel文件中，用户可以使用如：Excel、SPSS、SAS等第三方软件进行深入的数据统计分析。   6.灵活的实验启动和结束方式 ZL-099不但提供了手动开始/结束实验方式，还提供了自动开始/结束实验、延时开始/延时结束以及远程开关启动实验方式。在自动开始/结束实验方式下，用户设置开始区域、结束区域后，系统实时监测动物所在的位置，当动物运动到设定的开始区域、结束区域时，系统自动启动跟踪任务或结束跟踪任务。远程开关方式可以使用户在远离计算机的位置启动实验，极大地方便了研究人员的操作，降低了工作强度。     7.方便快捷的手动事件记录器 ZL-099提供一个可以自定义的事件记录器，通过键盘或鼠标用户可以方便、高效地将视频跟踪系统无法自动记录的事件记录下来。用户可以按照自己的操作习惯定义各个快捷键所对应的事件，如：站立、理毛、进食、排泄等，*多可以定义26个事件。事件记录器不但记录事件，同时还将事件的发生时刻和持续时间记录下来，并对事件发生的次数和事件总持续时间进行统计分析，便于用户对动物行为进行深入研究。 8.自定义实验动物的属性模板 ZL-099允许用户定义自己感兴趣的动物属性项，并将其作为模板存放在数据库中，这个模板不但可以在当前实验中使用，而且也可以在以后的实验中复用。通过动物属性模板，用户可以储存更多的关于实验动物的信息，这些信息在后期的批量数据处理中，作为分组条件进行分组统计分析，使研究人员可以更加深入地探究各个因素与动物行为之间的内在关系。   9.实时分析和录像分析以及压缩录像功能 能够在实验的同时进行实时动物行为分析，也可以进行实验录像视频文件的分析。录像文件批处理功能只需要用户指定录像文件所在的目录即可自动进行大量录像文件的动物行为分析而不需要用户的任何介入。提供实时压缩录像功能，可以将实验图像采用通用的视频文件格式保存下来，便于后期的研究分析和备案。ZL-099系统从设计实验、预定义属性模板、设计区域平台、执行实验、数据分析到数据的导入导出，为用户提供完整的解决方案，是一个适用于多种迷宫实验的通用型视频跟踪系统。     二.性能指标 视频源 摄像机：黑白/彩色 录像机、DVD：黑白/彩色 视频文件：黑白/彩色 解析度 视频摄像机：640×480点 视频文件：≤1024×768点 算法 灰度法 背景减法 采样频率 1~20帧/秒 启动方式 手动开始/结束 延时开始/结束 自动开始/结束 远程按钮启动 输出指标 各区域持续时间及百分比、游程、进入区域的次数、潜伏期、平均速度、静止时间及百分比 总持续时间、游程、进入次数、平均速度、静止时间及百分比 运动轨迹图、直方图、事件关系图 特点 自定义属性项、可设计的区域平台图形、自定义事件记录器、实时录像     三.软硬件配置 计算机 台式机/笔记本 Intel P42G，512M内存 视频源 低照度工业监控摄像机（推荐） 数字/磁带摄像机 USB摄像头 AVI视频文件 镜头 3.5-8mm变焦、F1.2或F1.4光圈 图像采集卡 PCI/USB接口 640×480点解析度，24位真彩色 输入输出控制器（可选件） 16路继电器输出（每路4A@220V） 16路光电隔离开关量输入 照明 泛光照明 操作系统 Microsoft Windows 2000/XP/7/10  

产品详细介绍  网络视频家教系统   腾创网络视频互动教育培训系统打破传统的教学模式，运用腾创网络教育系统帮你形成最大化的软件。降低培训教育的成本，增加利润，提高工作效率，为学校，政府机构，企业，培训机构扩大了招生范围。腾创网络视频教育系统不限制人数，是专业做WEB语音视频技术，免下载的网页形式，基于Flash+Red5技术的视频产品，以高质量的画面，流畅的语音视频效果，占用带宽小，简便直观的用户操作，简洁的外观、简便的配置使用户操作更方便，功能完善，可定制开发。根据不同需要可应用到教园多媒体教学、远程教育、远程培训等多个领域 腾创网络教育系统为你提供以下功能：    1、视频，语音清晰：能清楚的显示视频中人物的动态和清晰的声音，实现音视频的互动，达成网上面对面的沟通，进行多人视频讨论;具有很强的互动性。    2、电子白板：网络课堂中，用户可以实现任意打开电子白板，编辑多种格式文件，老师与学生之间可产生互动沟通   3、手写白板：手写白板功能,直接在小黑板上写字画图，即可远程看到。   4、同步共享：老师与学员生可同步电子白板功能，如翻页，修改电子白板，画图都依依跟学生同步操作。    5、文档共享：如：图片，JPG.PPT.Word.文档等，也可上传文档到网络课堂上，供学生下载学习，保证及时互动性。   6、共享桌面：老师可把自己的电脑桌面与所有人共享，学生可看到老师的操作，应用在软件、设计、培训教学中取得极佳的效果   7、录制视频：用户还能把上课过程自动录制成课件，回放和教学板书的轻松存取，一次没学会或想再次学习所学内容，学生还可以随时再次观看教学视频录像，带来学生复习方便，又方便存档。         腾创网络教育系统是网络实时授课，在线辅导，问题答疑，企业远程培训的选择，目前被众多教育培训机构所使用，适合中外企业，教育培训机构应用，除了以上一些重要功能之外还有更多功能：如： 1.文字对话功能 2.可以发送表情 3.排麦功能 4.自动上麦功能 5.在线充值等等 网址：http://www.tenchong.com/ 标签：网络教学系统 网络教学软件 远程教育平台 网络教学平台 网络培训平台 网络视频家教系统咨询热线：0755-26070697  QQ：751503375

产品详细介绍　　随着视频通信的发展,远程教育和远程教育管理成为现实.深圳市腾创网络技术有限公司自主产权的业界领先的Tcedu远程音视频系统以流畅的音视频效果、强大的系统功能、稳定的性能、极优的价格，为开展远程教育提供了最好的软件音视频系统产品，有近百家安装用户使用了该系统。  　　这套系统音流畅音质清晰可辩,可以实现多点对多点的实时交流,便于互动教学;可以录音录像,便于教学资料编辑;可以连接手写电子白版,便于笔教;还可以协同数据流览,共享教学资料.；系统操作简单，使用方便，消费者只要安装了宽带，有一台电脑和小型镜头耳麦就可以使用；系统扩展性强，可同时有上千人在线，用户可根据教育对象的增长，分批分时扩展系统；系统成本低廉，投资极少；系统注册用户不限，可根据教育对象的流动变化，输入网站域名，就能很快很方便地登陆教育平台。使用这套系统，教育不发达的偏远地区，教育对象可以足不出户，坐在家中，通过音视频接受远程教育培训，就可以与大城市一样听到看到高校专家教授传授讲课，极大地方便了受教育者，提高了教育效果，为普及我国全民教育创造了更好条件。　　凡有意使用产品的客户，公司均以最惠价提供长期优质服务，用户可视使用户数的增加分期分批付款，并享受产品终身技术支持服务。　　腾创远程教育平台(Tcedu) 网络教育平台 和远程教育平台   TCEdu是一款基于Flash+Red5技术的视频产品，是一个整体成熟的现代远程教育平台,当然也可以结合现有网站方便实现一对多视频远程教育的应用。该产品是由深圳市腾创网络技术有限公司(http://www.tenchong.com)独立研发的一个产品，为了满足不同的客户需要，可以根据客户需要定制，让客户方便结合自己的网站做应用。如果你想在你的网站上加视频教育功能的话,TCEdu将是你最佳的选择。   (一)产品主要功能包括如下：      1.视频功能      2.音频功能      3.文字对话功能      4.可以发送表情      5.白板画图功能(临时文件上传,支持:jpg,png,gif,doc,ppt,pdf,swf,flv格式)      6.排麦功能      7.自动上麦功能      8.共享桌面功能      9.在线充值    (二)演示地址：        http://edu.tenchong.com:9005        教师账号:teacher        教师密码:123456        学生账号:student        学生密码:123456    (三)购买咨询请联系电话：0755-26070697 QQ：1152136167   联系人：蔚蓝 语音视频远程教育平台TCedu远程视频教育平台中文版在线视频培训课堂 网络聊天 视频组件远程教育 视频教育  供应远程教育软件 

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

主要功能和应用领域：主要应用在数字视频芯片（DVB，DAB，DMB等数字视频广播标准）和通信网络（WLAN，WiFi，WiMAX等）领域。具有极为广泛的用途和应用价值。 特色及先进性：在满足数字视频芯片和通信网络要求下，采用了自创的校正方法，实现了更低的功耗、大大节省了芯片面积、降低了芯片的复杂度、提高了芯片的稳定性、不易受外界环境如温度、电源电压和工艺的影响，使性能更加出色。 技术指标：采样速率200MSps，分辨率10-Bit，ENOB达到8.7-Bit以上（±10%电源电压变化和-40~125度温度变化），总体功耗 < 100mW。 实施后可取得的效果：此类ADC芯片应用领域极广，中高端领域均有大量且稳定的需求。一旦形成产品，产量和销售极其可观。现在市场上此类ADC芯片主要掌握在国外大公司手里，定价相对较高，如果能够实现同等性能下更低的定价或者同等价位但是更出色的性能，将有巨大的市场。

ADC芯片

本发明公开了一种基于视频的交通流量获取方法，首先通过绘制虚拟线框，并获取一个检测区域；然后对每一帧检测区域图像提取运动前景并通过腐蚀和膨胀、连通区域过滤后，提取每一块连通区域中的SURF(Speeded？up？robust？features)特征点；最后，提取每一块连通区域的最小外接矩形，当且仅当当前帧的某一连通区域不在虚拟线框内，且该块通区域块与上一帧中某个与虚拟线框相交的连通区域块的SURF特征点匹配达到90％以上，则认为有一车辆通过虚拟线框，从而完成交通流量的获取。

本发明提供了一种基于视频的生猪检测方法和系统，该方法包括：S1，通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；S2，通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；S3，根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。通过区域连通性分析和混合高斯背景模型，能够提取完整、准确的目标生猪轮廓，获取目标生猪运动行为的视频，为后续目标生猪跟踪和行为识别提供理论依据，还为规模化生猪养殖进行实时监控和分析提供有效解决方案。