没有合适的资源?快使用搜索试试~ 我知道了~
⃝⃝可在www.sciencedirect.com上在线ScienceDirectICT Express 5(2019)94www.elsevier.com/locate/icte通过视觉刺激Nahumi Nugrahaningsiha,Marco Portab,a印度尼西亚帕朗卡拉亚,帕朗卡拉亚大学信息学系b下降。di Ingegneria Industriale e dell接收日期:2017年11月21日;接收日期:2018年3月4日;接受日期:2018年4月25日2018年6月25日在线提供摘要我们提出了一种新的生物识别解决方案,利用手势,跟踪由微软Kinect传感器,响应于一个圆圈随机出现在五个预定义的屏幕位置。手和屏幕指针的特征都用于分类目的,同时考虑整个20路径轨迹和较短的路线。特别是,我们寻找对于识别,该方法实现的分类精度范围从0.748到0.942。对于验证,准确度仍然令人满意(总是高于0.962),尽管中等特异性值。c2018 韩 国 通 信 与 信 息 科 学 研 究 所 ( KICS ) 。 Elsevier B. V. 的 出 版 服 务 。 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:软生物特征识别;手势;视觉刺激1. 介绍肢体动作是非语言交流的重要组成部分,也可能是人与人之间互动中最自然的组成部分之一。在某些情况下,手势语言可能比口头陈述更有效(例如,当通信发生在一定距离处时)。因此,毫不奇怪,身体姿势越来越多地被考虑用于生物测定应用,无论是用于识别(即,识别个人)和用于验证(即,确认或否认个人所声称的身份)。在各种不同的身体姿势中,那些涉及手的姿势可能是最普遍的。因此,基于手势的显式识别和验证似乎是可行的方法,无论是作为额外的验证机制(除了更传统的技术,例如利用PIN的技术),还是当身份检查必须在一定距离处进行时(例如,在非接触过程是强制性的环境中*通讯作者。电子邮件地址:nahumi@it.upr.ac.id(N.Nugrahaningsih),marco. unipv.it(M. Porta)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2018.04.014基于手势的方法具有优于其他常见识别和认证技术的优点,因为与其他解决方案相比,手势可能需要较低的注意力和精度-虽然错误输入的文本密码被自动拒绝,但手势代码中的一些不准确性可以被容忍。由于微软Kinect [1]和Leap Motion [2]等廉价设备的出现,基于视觉的手势识别最近已经成为一项相对容易的任务这些工具可以合并2D和3D数据,从而允许在“RGBZ”(颜色+距离)空间中工作在本文中,我们提出了一种生物识别方法的基础上,在手势中,用户必须“遵循”一个圆圈在屏幕上移动,作为一个视觉刺激。在一组五个可能的位置中,圆在成对的位置(路径)之间随机移动在初步研究[3]中,我们考虑了连续执行的所有20条路径。分类结果表明,该方法的识别率和验证率均在90%以上。然而,我们发现执行所有20条路径对用户来说很累(例如,ATM PIN通常不超过6位)。所以我们决定进行进一步的分析,目的是找到更短的轨迹长度,可以提供令人满意的识别,2405-9595/c2018韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。N. Nugrahaningsih和M.Porta/ICT Express 5(2019)9495×验证率,同时在实际应用中提供更好的用户体验换句话说,我们试图在圆的轨迹长度与识别和验证过程的精度之间找到一个折衷。所获得的结果是总体上令人满意的,并表明所提出的方法可以是一个可行的生物识别解决方案(特别是对于软生物识别应用,其中不需要极高的识别据我们所知,所描述的方法从来没有提出在以前的生物特征研究。2. 相关工作本节简要概述了利用手势进行生物识别的相关工作。第一类基于手势的生物识别应用使用需要保持在手中或佩戴的物理设备。例如,Okumura等人[4]收集了22名参与者的加速度数据,这些参与者必须摇动加速度计。随后通过欧氏距离的平方误差、角度误差和DP匹配对数据进行检查。Matsuo等人[5],来自同一研究小组,提出了一种模板更新方法来解决表征他们先前研究的长期稳定性问题。Zaharis等人[6]采用了来自任天堂WiiMote设备获得的手部签名手势的七个特征来验证四个参与者(即手势完成的时间,每个时间段每个轴的最大和最小加速度值,开始和结束传感器位置,以及每个轴的最大和最小总加速度)。Liu等人[7,8]创建了一个名为uWave的验证系统,其中包括诺基亚之前研究的八个预定义手势[9]。动态时间弯曲(DTW)算法应用于三个轴的时间序列数据(通过任天堂WiiMote采集)类似地,Guna等人[10]利用任天堂WiiMote创建了一个基于三个手势的识别系统,即在空中签名,拿起设备和摇动设备。通过DTW算法处理从10名参与者获得的数据。一种基于邻近度的传感和生物识别应用开发,是由Reddy和Mashetty [11],谁研究了手部运动产生的电场的失真。可靠的生物识别方法利用计算机视觉识别手势是最近的,通常对用户造成较少的约束,用户不需要持有任何物理校准设备。例如,Kratz和Aumi [12]实现了AirAuth,这是一种基于空中手势的生物识别认证技术。用户在基于视觉的技术的上下文中,微软Kinect在几个实现中被采用。例如,Tian等人[13]使用它开发了一个名为Kin-Write的身份验证系统。18名测试者在空中进行了手部签名,并对手部位置和帧间位置差异、速度、加速度、倾斜角度等特征进行了测试,路径角和对数曲率半径进行了分析,使用DTW算法。类似地,Cuevas等人[14]使用Kinect通过一系列简短的空中手势来区分人。该系统的体系结构是基于“模型-视图-解释器”。Ducray等人[15]提出了一种生物识别认证系统,其中手势可以由用户改变。通过DTW算法分析了通过Kinect获得的六个骨架点,以找到手势之间的最佳对齐。Lee等人[16]还利用Kinect开发了基于骨架和手势的用户身份验证系统,这表明骨架和行为数据的联合使用可以提高用户身份验证的精度。Leap Motion是另一种基于视觉的传感器,可用于生物识别目的。例如,Aslan等人[17]使用该设备通过在购物中心组织的为期三天的科学活动期间收集的许多数据来探索空中认证手势的潜力类似地,Chan等人[18]利用LeapMotion使用静态和动态数据来执行登录和连续身份验证。其他技术(例如,[19])是基于对用户静态手势)中的手势语言。还有一些生物识别系统并不是专门基于手部动作,而是使用Kinect或类似设备作为数据源。例如,Lai etal.[20]专注于身体轮廓,而吴等人。[21] Ball et al.[22]第22话身体在[23]中,Wu等人在认证性能方面比较了轮廓特征和骨架属性。同一作者在[24]中提出了一个框架,将手势分解为三个部分,即初始姿势,肢体比例和手势动态。最后,为了弥补作为基准数据开发的有限的公开可用的数据库,以标准化手部跟踪区域的研究,Asaari等人。[25]开发了一个手势跟踪数据库,包括60个视频序列(在不同情况下捕获),也可以用于生物识别目的。3. 实验设计3.1. 器械、参与者和实验程序在我们的研究中,手部运动是通过微软Kinectv1传感器检测的,该传感器的RGB摄像头以每秒30帧的速度工作视觉刺激显示在一个30英寸(2048 - 1536像素)的监视器。对于第一项(第4节)和第二项(第5节)研究,我们使用了从20名年龄在14至50岁之间的测试人员(8名男性,12名女性)获得的相同测试数据。然而,在第二项研究中,我们用五名新参与者(仍然是两名男性和三名女性)替换了五名测试者(两名男性,三名女性),他们连续会话之间的间隔小于24小时(与其他测试者不同),他们的最小会话距离为24小时。这样才能获得更可靠的结果在这两种情况下,由于每个测试人员都参与了20次会议,因此我们获得了来自总共400次会议的数据集。在每个测试阶段,测试者站在距离显示器约150 cm处。Kinect被放置在它的顶部,距离地板约120厘米(图10)。①的人。96N. Nugrahaningsih和M.Porta/ICT Express 5(2019)94×Fig. 1. 实验设置。视觉刺激是一个蓝色的圆圈出现(随机和顺序)在一个空白的白色屏幕的五个预定义的位置-四个角落和中心,如图2所示。测试人员必须用手控制屏幕指针,使其始终保持在圆圈内。在每个位置显示350像素直径的圆,3.8 S.这个时间是经过一些试验后选择的,作为任务持续时间和所获取数据的重要性之间的折衷。如图 2(底部),所有位置对之间的所有20条路径都被每个测试仪覆盖-即,两个圆在五个位置上的排列因此,该圆圈在每个位置总共显示了轨迹是3.2. 采集的数据和选定的特征Kinect提供了两种原始数据:屏幕上的2D指针位置和3D空间中的手位置对于这些原始数据中每条路径(1-20)的每个样本给定路径AB(其中圆首先出现在位置A,然后出现在位置B),所采用的特征如下:F1.屏幕指针在目标圆内的平均位置(在2D空间中),即当指针在位置B的圆内时指针的平均x和y坐标(特征f1a和f1 bf2。当屏幕指针在目的地圆内时手的平均位置(在3D空间中),即当指针在位置B的圆内时手的x、y和z坐标(特征f2 a、f2 b和f2c)的平均值F3.指针在圆内位置B所花费的总时间;f4。用户指针行进时间,即从位置A的圆消失到当指针进入新位置B的圆时;图二. 圆的位置和可能的路径。f6。指针从位置A的圆行进到位置B的圆时的平均速度;f7。指针从位置A的圆移动到位置B的圆时的手平均速度。我们没有考虑第一项研究[3]中使用的两个特征,即手到达的最高和最低垂直位置,因为它们与测试者的身体特征直接相关(而其他特征仅与手势执行方式相关)。由于每个测试人员在每个会话中执行所有可能的20条路径,因此构建了200列的行向量(每个会话的特征f1a、f1b、f2a、f2b、f2c和f3至f7一个400行的特征矩阵(20个测试员20个会话)成为分类过程的输入。4. 首次研究在第一个初步研究[3]中,对于分类过程,我们仅使用从20条路径获得的特征向量。我们采用了k-近邻,朴素贝叶斯,支持向量机,分类树,神经网络和随机森林分类器。通过随机抽样(70%:30%和50%:50%)和10倍和20倍交叉验证进行数据划分。鉴定和验证结果均令人满意。对于识别,在70%:30%的情况下,我们发现成功率在0.73(分类树)和0.94(支持向量机)之间。验证结果也很好,准确度值范围(仍然是70%:30%随机抽样)从0.88(朴素贝叶斯)到0.99(其他五个分类器)。初步取得了较好的分类效果。初步研究表明,由视觉刺激驱动的手势可以用于生物识别目的。然而,这些结果是在假设用户执行所有20个可能路径的识别和验证过程的情况下获得的,这是一个相当长和累人的过程,不适合于实际应用。因此,我们进行了进一步的、更深入的研究,以找到轨迹长度与识别和验证过程的准确性之间的权衡。N. Nugrahaningsih和M.Porta/ICT Express 5(2019)9497表1分类准确度阈值。轨迹长度CA阈值10.72–40.85–200.95. 二项研究在第二次调查中,我们的目标是找到由于视觉刺激是沿着由连续路径组成的轨迹行进的圆,因此我们仅考虑所有可能的路径长度组合C(20,1),C(20,2),. . .,C(20,20).结果,我们获得了683,052个连续轨迹,分为20组(每个轨迹长度一组)。为了处理如此多的案件,我们选择了神经网络分类器这一选择是由在我们以前的研究中使用的六个分类器之间的比较[3]:事实上,神经网络是唯一一个在性能和计算时间之间进行良好权衡的分类器-这是一个重要因素,因为可能的连续轨迹数量非常多。所采用的神经网络是一个多层感知器,使用L-BFGS(归一化数据,10个隐藏层节点,1作为正则化因子,不超过300次迭代)最小化L2正则化成本函数我们使用70%的数据集进行训练,30%用于测试。同时考虑了识别和验证,自顶向下的子路径选择。首先,我们处理了识别案例的所有683,052个连续子路径。然 后 ,从 识 别 结果 中 , 我们 选 择 了平 均 分 类准 确 度(CA)高于特定阈值的组合(表1)。通过考虑每组中的最大准确度和组合数量来选择这些阈值。当组内组合数(1-20)大于1000时,我们选择具有最高CA的1000个组合。然后使用选定的组合在核查过程中。由于每个组合都可以在不同的路径安排中排列,我们认为1000是一个足够大的数字,可以避免测试人员的5.1. 鉴定结果如所解释的,针对从1到20的所有轨迹长度计算分类准确度。图3示出了平均CA的总体趋势是随着轨迹长度而增加(与长度12和16对应的几个小的例外)。如表2所示,平均CA的范围从1路径轨迹的0.747到20路径轨迹的0.9425。虽然分类精度甚至可以在只有一条路径的情况下是可接受的,但是可以注意到显著的改进图三. 识别结果:不同弹道长度的平均分类准确率。从五条轨迹开始我们认为,一个识别过程的轨迹组成的五个或六个路径可以被认为是一个很好的权衡令人满意的5.2. 验证结果用于验证的特征向量的结构与用于识别的特征向量的结构相同,但是,在这种情况下,通过考虑两个类别(即特定测试者和对每名测试人员重复该程序采用分层随机抽样方法选取有效样本。表3示出了根据定义的阈值(表1)从识别结果(表2可 以看 出 ,结 果 在准 确度 、 灵敏 度 和曲 线 下面 积(AUC)方面非常好,但在特异性方面较差。在最差情况下,对于1路径轨迹,特异性仅为0.3191。这意味着该系统对于检测真阳性实例是良好的,但是在真阴性发生的情况下较少。然而,ROC平面上的结果图(图4)显示它们都在随机猜测线(直线45)之上:低于它的任何点都意味着分类器是无用的,因为它能够在不到50%的情况下确定所声称的身份是真还是假。考虑到总体的低特异性,我们认为由九条路径组成的验证程序可以被认为是准确性和可接受的用户体验之间的适当折衷6. 讨论和结论在本文中,我们提出了一种生物识别方法,手势的基础上,其中一个移动的圆圈被用作视觉刺激。虽然考虑五个预定义圆位置之间的所有20个可能路径允许实现最佳结果,但在真实识别或验证场景中执行许多手势对于用户来说将过于苛刻(在任务持续时间和随之而来的疲劳方面)。减少了98N. Nugrahaningsih和M.Porta/ICT Express 5(2019)94表2鉴定结果。崔吉长度连续路径阈值以上的连续路径平均CA平均CA高于阈值120190.74700.7497270530.81200.820932602510.83950.841241,0351,0340.85810.858153,8841630.87180.9050611,8801,1280.87910.9053729,0006,8060.88900.9067856,59024,8090.89680.9082991,06058,6170.90320.910110120,83697,4350.90860.912411128,839114,0080.90870.915212108,54093,7450.90130.91811371,98071,3630.92070.92091437,56037,1880.92150.92241515,31215,2630.92510.9256164,8354,7080.92390.9280171,1401,1400.92960.9296181901870.93080.93221920200.93460.934620110.94250.9425表3见图4。中华民国的飞机进行验证。圆出现的位置减少了用户的努力,使得所提出的方法成为更可行的手势通常是直观的,易于执行。当然,我们提出的生物识别技术属于所谓的出于识别目的,这意味着该方法仅在不需要100%精确度时才能使用。然而,为了验证目的,除了传统的认证技术之外,还可以使用该方法,作为对用户声称的身份的进一步确认此外,基于手势的生物识别技术在这些情况其中非接触过程是强制性的(例如,当身份检查必须在一定距离处发生时,例如在消毒环境或半导体工厂中,如[17]中所解释的总体而言,所获得的结果与第2节[12然而,不同的是手势的执行方式。与“不受约束”的手部运动(如在空中书写签名)不同,在所提出的方法中,用户的任务非常简单,并且简单的是引导它的视觉提示:屏幕上显示的移动圆圈。在我们的实验中,所有测试人员都正确地实现了这一目标,在第一次测试开始的时候。关于识别,我们已经获得了从0.747(一条路径)到0.9425(20条路径)的平均分类精度。当然,轨迹越长,准确性越高,因为识别过程涉及更多的数据。然而,从5路径轨迹(0.905)开始可以观察到重大改进这表明,5验证结果。轨迹长度精度灵敏度特异性AUC10.96260.99650.31910.935620.96960.99460.49430.963730.97240.99300.58120.970440.97490.99330.62650.974250.97700.99350.66480.981060.97810.99390.67800.981870.97890.99420.68890.983680.97910.99400.69620.984890.97990.99460.70090.9858100.98020.99470.70480.9867110.98040.99490.70650.9871120.98040.99470.70950.9878130.98080.99510.70980.9885140.98120.99540.71240.9892150.98180.99560.71980.9897160.98180.99570.71840.9900170.98230.99590.72260.9904180.98250.99600.72540.9909190.98260.99610.72730.9916200.98280.99630.72640.9920N. Nugrahaningsih和M.Porta/ICT Express 5(2019)9499路径足以执行合理可靠的识别过程,具有超过90%的正确识别。精度对于验证来说也相当好,总是大于0.962。灵敏度也非常好,甚至对于1路径轨迹也高于0.99-即,在超过99%的情况下,真正声称的身份被正确识别。另一方面,特异性中等偏低(尽管ROC平面上的结果均高于随机猜测线)。然而,9路径轨迹(小于整个轨迹长度的一半)足以实现0.7009的特异性值,即,在70%的案件中发现了即使这对于高安全性的应用程序来说是不够的,但在软生物识别场景中或采用多生物识别系统时,这可能是可以接受的与第一项研究[3]相比,可以观察到长度20的特异性降低是由于引入了5种不同的测试仪,并且(特别是)排除了手到达的最高和最低垂直位置作为特征未来的工作将研究所提出的方法与其他解决方案的集成,例如面部识别(例如[26])或一般身体运动,以实现多模式生物识别系统。此外,为了提高几何检测的精度,将考虑并行地联合使用两个Kinect设备。虽然迄今为止已经开发了几种利用手部运动数据的生物识别系统,但它们都没有使用视觉刺激作为指导线索。据我们所知,基于视觉刺激驱动的手势的生物识别方法在以前的生物识别研究中从未被提出过因此,我们认为,这项工作可以成为更深入和更有针对性的调查的起点,促进对这一问题的进一步研究。利益冲突作者声明,本文中不存在利益冲突引用[1] Z. Zhang,Microsoft Kinect传感器及其效果,IEEE MultiMedia 19(2013)4-10。[2] J. Guna,G.Jakus,M.Pogacnik,S.Tomaenic.,J.Sodnik,跳跃运动传感器的精度和可靠性分析及其对静态和动态跟踪的适用性,传感器14(2014)3702-3720。[3] N. Nugrahaningsih,M.波尔塔湾Scarpello,手势方法ICIAP 2015研讨会,施普林格国际出版社,2015年,第100页。51比58[4] F. Okumura,A.久保田湾Hatori,K. Matsuo,M. Hashimoto,A.小池,基于加速度传感器的手臂扫描动作的生物识别认证研究,在:Proc. 2006年智能信号处理和通信国际研讨会(ISPACS '06),Springer International Publishing,2006年,第100页。219-222[5] K. 松 尾 角 , 澳 - 地 Okumura , M. Hashimoto , S. Sakazawa , Y.Hatori,Armswing identification method with template update for longtermstability , in : Proc.2007InternationalConferenceonBiometrics,(ICB '07),Springer Berlin Heidelberg,2007,pp.211-221[6] A. Zaharis , A. Martini , P. Kikiras , G.Stamoulis , Userauthenticationmethodandimplementationusingathree-axisaccelerometer , in : Proc.2ndInternationalICSTConference(MOBILIGHT '10),2010,pp. 192-202.[7] J. Liu,Z.王湖,加-地Zhong,J. Wickramasuriya,V. Vasudevan,uWave:Accelerometer-based personalized gesture recognition and itsapplications , in : Proc. IEEE International Conference on PervasiveComputing and Communications(PerCom'09),2009,pp. 一比九[8] J. Liu,L. Zhong,J. Wickramasuriya,V. Vasudevan,使用单个三轴加速度计的轻量级用户认证的用户评估,在:Proc. 2009年第11届国际人机交互与移动设备和服务会议十五岁[9] J. Kela,P. Korpipää,J. Mäntyjärvi,S. Kallio,G.萨维诺湖Jozzo,S.D. Marca,基于加速计的手势控制设计环境,Ubiquit。Comput.10(2005)285-299。[10] J. 古 纳 岛 Humar , M.Pogacnik , Intuitive gesture based useridentification system,Proc.2012年第35届信号处理国际会议629-633[11] 多发性硬化Reddy,M.G.K.Mashetty,基于自由空气手部运动签名的家庭娱乐控制的实现,Int.J.Curr。工程技术-编号5(4)(2015)2862-2867。[12] S.麻省理工的克拉兹Aumi,AirAuth:使用空中手势的生物识别认证系统,在:Proc.2014 Conference on Human Factors in ComputingSystems(CHI'14),Extended Abstracts,2014,pp. 499-502[13] J. Tian,C. Qu,W. Xu,S. Wang,KinWrite:Handwriting-basedauthentication using kinect,in:Proc.2013年第20届网络分布式系统安全研讨会(NDSS[14] H. Cuevas,A.M. Bernardos,X.王湖,加-地Bergesio,J.R. Casar,在上下文感知应用中集成基于手势的识别:系统方法,在:Proc.2014年第10届IEEE无线和移动计算,网络和通信国际会议257-264。[15] B. Ducray,S.科伯恩湾Mayes,K. Markantonakis,基于可变生物特征的身份验证,使用KinectTM进行手势识别,在:Proc. 2015International Conference on Biometrics(ICB 38比45[16] H.F. Lee ,Y.S. 卢,J.L. Huang,C.L. Hu,A skeleton and gesturebased user authentication system , in : Proc.2015 第 8 届 Ubi-MediaComputing国际会议(UMEDIA'15),2015年,pp. 254-258[17] I. Aslan , A. Uhl , A. Meschtscherjakov , M. Tscheligi , Mid-airauthentication gestures:an exploration of authentication based on palmand finger motions , in : Proc.16th International Conference onMultimodal Interaction(ICMI'14),2014,pp. 311-318[18] A. Chan,T.Halevi,N.Memon,用于通过手部几何形状和手势进行认证的Leap运动控制器13比22[19] S.方,澳-地庄岛菲斯特岛小菲斯特,一种基于手势图像的生物认证模型。第111章:一夜情[20] K. Lai , J. Konrad , P. Ishwar , Towards Gesture-based userauthentication , in : Proc. 9th IEEE International Conference onAdvanced Video and Signal-Based Surveillance(AVSS282-287[21] J. Wu , J. Konrad , P. Ishwar , Dynamic time warping for gesture-based user identification and authentication with Kinect , in : Proc.2013 IEEE International Conference on Acoustics,Speech and SignalProcessing(ICASSP'13),2013,pp. 2371-2375[22] A.鲍尔,D。Rye,F.拉莫斯,M。Velonaki,来自“骨架”数据的人的无监督聚类225比22[23] J. Wu,P.Ishwar,J.Konrad,Silhouettes versus skeletons in gesture-based authentication with Kinect ,in:Proc. 11th IEEE InternationalConferenceonAdvanced VideoandSignalBasedSurveillance(AVSS99比106[24] J. Wu,P. Ishwar,J. Konrad,基于手势的用户身份验证中的姿势,构建和动态的价值,在:Proc.2014年IEEE国际生物识别联合1-8号。[25] 多发性硬化症Asaari,B.A. Rosdi,S.A. Suandi,智能生物群体手部跟 踪 ( IBGHT ) 数 据 库 , 用 于 视 觉 手 部 跟 踪 研 究 和 开 发 ,Multimed。70(2012)1869-1898。[26] F.巴塔利亚湾扬尼佐托湖Lo Bello,基于RFID标签和级联人脸识别的个人认证系统,IEEE Trans. Circuits Syst. Video Technol. 27(8)(2017)1676-1690。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功