本發明實施例提供的一種事件檢測方法，包括如下步驟：s300：實時獲取關于目標防護艙的圖像，并將當前時刻所采集到的圖像作為當前幀圖像；其中，目標防護艙指代的是需要進行事件檢測的防護艙，并不具有任何其他限定意義。目標防護艙所對應的目標圖像采集設備，實時對目標防護艙的內部空間進行圖像采集，并將得到的關于目標防護艙的圖像實時傳輸給的目標防護艙所對應的電子設備。這樣，電子設備便可以實時獲取關于目標防護艙的圖像。其中，可以理解的，關于目標防護艙的圖像可以為目標防護艙內部空間的圖像。也就是說，上述目標圖像采集設備可以在每個時刻采集關于目標防護艙的圖像，進而，電子設備可以在每個時刻獲得在該時刻時，關于...

m個第二攝像頭14還可以采用其他的無線通信協議與控制器12進行無線通信，本實用新型實施例不做贅述。給出了本實用新型實施例中的另一種溺水事件檢測系統的結構。在本實用新型實施例中，m個第二攝像頭14均可以設置在游泳池水面的上方，從而能夠從上向下采集游泳池內的圖像。在垂直方向上，任一個第二攝像頭14設置的位置與游泳池水面的距離可以大于預設距離。也就是說，在垂直方向上，m個第二攝像頭14均設置在n個攝像頭11的上方。為能夠采集較大視角范圍內的圖像，m個第二攝像頭14均可以設置在游泳池上方的懸梁上，游泳池上方的懸梁可以是游泳場館的懸梁，也可以是設置在游泳池上方較高處的桿狀物。具體的，第二攝像頭1...

基于光流圖檢測模型輸出的檢測結果，確定關于目標防護艙的事件檢測結果，可以包括以下步驟g21-g23：步驟g21：將至少包含當前幀圖像的類圖像確定為輔助圖像；步驟g22：將輔助圖像輸入到預設的場景檢測模型中，得到場景檢測模型輸出的檢測結果；步驟g23：將場景圖像檢測模型輸出的檢測結果和光流圖檢測模型輸出的檢測結果進行融合計算，基于融合計算的結果，確定當前時刻，關于目標防護艙的事件檢測結果。其中，關于類圖像的相關描述內容、場景檢測模型的相關描述內容、場景圖像檢測模型輸出的檢測結果和光流圖檢測模型輸出的檢測結果進行融合的融合過程等，可以參見上述的以第二類圖像作為輔助圖像時的相關描述內容。相對...

根據設定的span寬度，對語句進行span劃分，以將語句劃分為多個span，并對每個span進行標記；其中，每個標記表示x+y+1種類型中的任意一種，1表示所述觸發詞的類型和所述事件主體的類型以外的其他類型。在本申請的示例性實施例中，所述對所述向量化語義表示w1進行span劃分，得到多個語義片段可以包括：獲取設定的span的大寬度max_span_width；根據span的寬度從1到max_span_width依次在所述向量化語義表示w1上進行選取，獲得多個span的語義表示span_embedding。在本申請的示例性實施例中，所述對所述新的語義表示w3進行span分類可以包括：使用...

控制器12分別與n個攝像頭11以及m個第二攝像頭14通信連接，從而可以獲取n個攝像頭11實時采集的圖像以及m個第二攝像頭14實時采集的圖像。下面對本實用新型實施例中提供的溺水事件檢測系統的工作原理進行說明。由本實用新型上述實施例中可知，控制器12可以接收到n個攝像頭11以及m個第二攝像頭14實時采集的圖像。控制器12可以根據n個攝像頭11采集到的圖像，從中識別出目標人物，進而獲取目標人物在游泳池中的具置。具體的識別目標人物的算法可以參照現有的人臉識別算法，本實用新型實施例不做贅述。在具體實施中，在檢測到目標人物之后，控制器12可以對目標人物進行，以實時獲取目標人物的圖像。在對目標人物進...

在本申請的示例性實施例中，在通過雙向lstm網絡獲得語句的向量化語義表示w1之前，所述方法還可以包括：將語句中的m個字符隨機初始化為一個維度為[m，n]的n維向量d，其中，對于從0到m-1的索引id，每個id對應一個不同的字符；對于長度為s的語句，該語句中每一個字符能夠在向量d中找到對應的id，從而獲得維度為[s，d]的向量。在本申請的示例性實施例中，通過雙向lstm網絡獲得語句的向量化語義表示w1可以包括：將維度為[s，d]的向量輸入預設的雙向lstm神經網絡，將所述雙向lstm神經網絡的輸出作為語句的向量化語義表示w1。在本申請的示例性實施例中，通過bert模型獲得語句的向量化語義...

缺點在于：首先處理繁瑣，其次這些工具在處理的過程中本身具有一定的誤差，因此在后續建模分析的過程中會存在誤差累積的問題。3、基于序列標注的一系列模型很難解決事件主體存在交叉的情況，比如“北京的法院”為一個事件主體(機構)，但是“北京”本身也是一種主體/實體(地名)。技術實現要素：本申請提供了一種事件檢測方法和裝置，能夠獲取更加有用的信息，具有較強的實際應用價值；在數據處理和建模的過程中操作簡單，避免了因使用自然語言處理工具而導致的誤差累積的問題；通過劃分span的方式，完美解決了序列標注存在的問題，效率更高，適用性更強。本申請提供了一種事件檢測方法，所述方法可以包括：獲得語句的向量化語義...

便可以極大地減少監控人員在查看視頻時所耗費的時間。另一種具體實現方式中，上述本發明實施例提供的一種事件檢測方法還可以包括如下步驟c2：步驟c2：在關于目標防護艙的監控視頻中，為當前幀圖像添加第二標簽，其中，第二標簽包括：所發生異常事件類型對應的類型標簽。當用于采集關于目標防護艙的圖像的圖像采集設備和用于對目標防護艙進行監控的攝像頭為同一設備時，電子設備實時獲取的關于目標防護艙的圖像即為關于目標防護艙的監控視頻中的每個視頻幀。這樣，當電子設備確定當前時刻目標防護艙內出現的異常事件的類型后，便可以通過第二標簽對當前幀圖像進行標記，該第二標簽中包括：當前時刻目標防護艙內出現的異常事件的類型的...

倒地事件概率75％，劇烈運動事件15％，破壞設備事件5％；這樣，電子設備便可以確定目標防護艙內出現用戶意外倒地的事件。可以理解的，對防護艙內發生的異常事件進行檢測的目的之一是保證監控人員能夠及時發現各類異常事件，保證防護艙內的用戶的人身和財產安全，因此，可以實時對目標防護艙內發生的事件進行檢測。具體的，在本發明實施例中，電子設備是實時獲取當前幀圖像的，進而，便可以繼續實時判斷該當前幀圖像是否包括目標對象時，并在判斷結果為是時，實時對目標防護艙內發生的事件進行檢測，得到在采集當前幀圖像的當前時刻，關于目標防護艙的事件檢測結果。即電子設備可以實現對關于目標防護艙的事件檢測結果的實時檢測，其...

本實用新型涉及監控技術領域，尤其涉及一種溺水語音關鍵事件檢測系統。背景技術：隨著生活水平的提高，游泳運動這一全身性鍛煉的體育運動越來越受到人們的歡迎。由于游泳運動在水中進行，在游泳過程中，存在一定的危險性。對于初學者，在游泳過程中，因游泳技術不足導致無法隨意呼吸、換氣、行動等導致嗆水，容易造成溺水事件；對于有經驗的游泳者，可能會出現抽筋、碰撞受傷、意識模糊等原因導致溺水事件發生。若無法及時發現溺水的游泳者，極易導致溺水時間過長造成傷亡。為了有效地解決溺水問題，通常在游泳場館中安裝有攝像頭。后臺工作人員根據攝像頭獲取到的實時畫面，判斷是否有人發生溺水。當發現有人溺水時，通知游泳池邊的救生...

便可以得到一個第二樣本圖像組及樣本圖像組的事件檢測結果。實施例三：上述步驟f2，基于場景圖像檢測模型輸出的檢測結果，確定關于目標防護艙的事件檢測結果，可以包括以下步驟f21-f23：步驟f21：將至少包含光流圖在內的第二類圖像確定為輔助圖像，第二類圖像中各個圖像的類型均為：基于每兩幀連續的關于所述目標防護艙且包括所述目標對象的圖像獲取的光流圖，光流圖為當前幀圖像對應的光流圖；步驟f22：將輔助圖像輸入到預設的光流圖檢測模型中，得到光流圖檢測模型輸出的檢測結果；其中，光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中的圖像與...

控制器12分別與n個攝像頭11以及m個第二攝像頭14通信連接，從而可以獲取n個攝像頭11實時采集的圖像以及m個第二攝像頭14實時采集的圖像。下面對本實用新型實施例中提供的溺水事件檢測系統的工作原理進行說明。由本實用新型上述實施例中可知，控制器12可以接收到n個攝像頭11以及m個第二攝像頭14實時采集的圖像。控制器12可以根據n個攝像頭11采集到的圖像，從中識別出目標人物，進而獲取目標人物在游泳池中的具置。具體的識別目標人物的算法可以參照現有的人臉識別算法，本實用新型實施例不做贅述。在具體實施中，在檢測到目標人物之后，控制器12可以對目標人物進行，以實時獲取目標人物的圖像。在對目標人物進...

本申請提供了一種事件檢測方法，如圖1所示，所述方法可以包括s101-s105：s101、獲得語句的向量化語義表示w1。在本申請的示例性實施例中，在獲得語句的向量化語義表示w1之前，可以首先對要進行事件抽取的數據進行預處理。在本申請的示例性實施例中，所述方法還可以包括：預先將觸發詞的類型劃分為x種，將事件主體的類型劃分為y種，其中，x、y均為正整數；在獲得語句的向量化語義表示w1之前，根據設定的span寬度，對語句進行span劃分，以將語句劃分為多個span，并對每個span進行標記；其中，每個標記表示x+y+1種類型中的任意一種，1表示所述觸發詞的類型和所述事件主體的類型以外的其他類型...

電子設備在上述步驟s304中得到的事件檢測結果可以為：關于未發生異常事件的結果，即目標防護艙內未發生異常情況；相對應的，電子設備在上述步驟s304中得到的事件檢測結果也可以為：關于發生異常事件的結果，即目標防護艙內發生異常情況。可選的，一種具體實現方式中，上述事件檢測結果為：關于未發生異常事件的結果。具體的，當事件檢測結果為：關于未發生異常事件的結果時，則在上述步驟s304中，上述檢測模型可以直接輸出：未發生異常事件，這樣，電子設備便可以確定目標防護艙內未發生異常事件。可選的，另一種具體實現方式中，上述事件檢測結果為：關于發生異常事件的結果。具體的，當事件檢測結果為：關于發生異常事件的...

與所述控制器通信連接，適于在接收到所述控制器輸出的告警指令時執行告警操作；所述告警裝置由救生人員佩戴或設置在游泳場館中。可選的，所述溺水事件檢測裝置還包括：m個第二攝像頭，均與所述控制器耦接，設置在所述游泳池水面的上方，且在垂直方向上與所述游泳池水面的距離大于所述預設值；所述m個第二攝像頭適于從上向下采集所述游泳池內的圖像。可選的，所述n個攝像頭均勻分布在所述游泳池壁上。可選的，在水平方向上，所述n個攝像頭均設置在所述游泳池水面上方。可選的，在水平方向上，所述n個攝像頭均設置在所述游泳池水面下方。可選的，在水平方向上，所述n個攝像頭中的一部分均設置在所述游泳池水面上方，另一部分均設置在...

本發明涉及語音關鍵事件檢測技術，特別是涉及一種事件語音關鍵事件檢測。背景技術：當前，很多銀行通過設置語音關鍵事件檢測防護艙來為用戶提供更便捷的金融服務。所謂防護艙，是一種離行式或在行式的智能化金融服務設施，其具有完善的結構設計，可以實現智能化控制和遠程監控，保障內部atm(automatictellermachine，自動柜員機)及其它金融服務設備全天候安全、以及可靠地運行。其中，離行式是指設置在銀行營業網點之外的地方，例如，住宅小區、校園、地鐵站等公共場所；在行式是指設置在銀行營業網點中。可以理解的，當用戶進入語音關鍵事件檢測防護艙進行金融活動時，有些時候會出現倒地、劇烈運動、破壞設...

并判斷當前時刻所采集到的當前幀圖像是否包括目標對象，由于目標對象為：能夠表征用戶進入目標防護艙的用戶身體部位，則可以基于當前幀圖像判斷當前時刻是否有用戶進入目標防護艙。則當判斷結果為是時，便可以基于當前幀圖像，確定待分析圖像，進而將該待分析圖像輸入到預設的檢測模型中，得到當前時刻，關于目標防護艙的事件檢測結果。這樣，由于檢測模型是基于各個樣本圖像和各個樣本圖像的事件檢測結果所訓練得到的模型，因此，檢測模型充分學習了樣本圖像和事件檢測結果之間的對應關系。基于此，在本發明實施例中，利用采集到的真實圖像來確定待分析圖像，利用訓練好的檢測模型對待分析圖像進行檢測，便可以提高關于目標防護艙的事件...

并判斷當前時刻所采集到的當前幀圖像是否包括目標對象，由于目標對象為：能夠表征用戶進入目標防護艙的用戶身體部位，則可以基于當前幀圖像判斷當前時刻是否有用戶進入目標防護艙。則當判斷結果為是時，便可以基于當前幀圖像，確定待分析圖像，進而將該待分析圖像輸入到預設的檢測模型中，得到當前時刻，關于目標防護艙的事件檢測結果。這樣，由于檢測模型是基于各個樣本圖像和各個樣本圖像的事件檢測結果所訓練得到的模型，因此，檢測模型充分學習了樣本圖像和事件檢測結果之間的對應關系。基于此，在本發明實施例中，利用采集到的真實圖像來確定待分析圖像，利用訓練好的檢測模型對待分析圖像進行檢測，便可以提高關于目標防護艙的事件...

直至電子設備判斷預設時長內采集到的連續多幀圖像中均包含相同的目標對象后，電子設備繼續獲得下一幀圖像，即預設時長后的當前時刻對應的當前幀圖像，并判斷該當前幀圖像中是否包括預設時長內采集到的連續多幀圖像所包含的目標對象。這樣，當判斷結果為是時，電子設備便可以繼續執行后續步驟s303。當前，光流法是圖像分析領域中被重點關注的一種方法，所謂光流是指圖像亮度模式的表觀運動。可以理解的，當用戶在防護艙中進行各類金融活動時，用戶的某些身體部位也是運動的，例如，手指等。光流表達了圖像的變化，可以引申出光流場。所謂光流場是指圖像中所有像素點構成的一種二維(2d)瞬時速度場，其中的二維速度矢量是景物中可見...

在本申請的示例性實施例中，所述對所述向量化語義表示w1進行span劃分，得到多個語義片段可以包括：獲取設定的span的大寬度max_span_width；根據span的寬度從1到max_span_width依次在所述向量化語義表示w1上進行選取，獲得多個span的語義表示span_embedding。在本申請的示例性實施例中，可以根據設定的span的大寬度max_span_width＝8對步驟s101得到的語義表示w1進行劃分。劃分方法可以包括：span的寬度從1至max_span_width依次在向量w1上進行選取，得到n個span的語義表示，即span_embedding。s103...

語音關鍵事件檢測JLayer和LayerUI結合起來可以檢測任意區域上發生的事件(包括嵌套的子組件)，這些類共同提供了4個方法來檢測事件。·publicvoidsetLayerEventMask(longlayerEventMask)調用這個JLayer方法時必須使用位掩碼AWTEvent常量選擇它檢測到的事件類型，如：setLayerEventMask(|);可以檢測到按鍵和焦點改變事件。·publicvoidinstallUI(JComponentc)這個LayerUI方法通常放在setLayerEventMask()方法之前，這個方法類的代碼首先調用超類方法((c);)，然后是引...

實施例一：待分析圖像為上述類圖像，即待分析圖像為至少包含當前幀圖像的目標防護艙的圖像：則上述步驟s304，包括如下步驟f1-f2：步驟f1：將待分析圖像輸入到預設的場景圖像檢測模型中，得到場景圖像檢測模型輸出的檢測結果；步驟f2：基于場景圖像檢測模型輸出的檢測結果，確定關于目標防護艙的事件檢測結果；其中，由于待分析圖像為目標防護艙的場景圖像，則在本實施例一中，所采用的檢測模型即為預設的場景圖像檢測模型，且用于訓練該場景圖像檢測模型的各個樣本圖像組中所包括的圖像可以稱為場景圖像。需要說明的是，場景圖像檢測模型為：采用各個樣本圖像組和每個樣本圖像組的事件檢測結果所訓練得到的模型，且每一樣本...

光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中包括n+1幀光流圖。第二種情況：待分析圖像為：當前幀圖像和當前幀圖像之前的連續m幀圖像的多張圖像；場景圖像檢測模型為：采用各個樣本圖像組和每個樣本圖像組的事件檢測結果所訓練得到的模型，且每一樣本圖像組中包括m+1幀場景圖像；輔助圖像為：光流圖；光流圖檢測模型為：采用各個第二樣本圖像和每個第二樣本圖像的事件檢測結果所訓練得到的模型，且每個第二樣本圖像為一幀光流圖。第三種情況：待分析圖像為：當前幀圖像；場景圖像檢測模型為：采用各個樣本圖像和每個樣本圖像的事件檢測結果所訓練得到的...

產品功能ProductFunctions●自動語音關鍵事件檢測（交通事故、違章停車、逆行、物品遺撒、行人穿越車道、排隊等）●交通數據檢測（車流量、車速、占有率、車型等）（固定場景）系統事件檢測實景系統測速實景系統優勢SystemAdvantages●高魯棒性的背景更新技術，使得設備可在極短時間內適應所切換的新背景；●單設備檢測區域廣闊，采用視頻識別、的方法，使得一個攝像頭監控的區域能夠覆蓋多個車道；●誤觸發少，由于采用了運動軌跡的方法，能夠保證每個目標只觸發一次，避免了由于目標本身的差異造成的多次觸發；●操作無需人為干預，采用了DSP前端處理，可以24小時不間斷進行監測；●由于有豐富的...

m個第二攝像頭14還可以采用其他的無線通信協議與控制器12進行無線通信，本實用新型實施例不做贅述。給出了本實用新型實施例中的另一種溺水事件檢測系統的結構。在本實用新型實施例中，m個第二攝像頭14均可以設置在游泳池水面的上方，從而能夠從上向下采集游泳池內的圖像。在垂直方向上，任一個第二攝像頭14設置的位置與游泳池水面的距離可以大于預設距離。也就是說，在垂直方向上，m個第二攝像頭14均設置在n個攝像頭11的上方。為能夠采集較大視角范圍內的圖像，m個第二攝像頭14均可以設置在游泳池上方的懸梁上，游泳池上方的懸梁可以是游泳場館的懸梁，也可以是設置在游泳池上方較高處的桿狀物。具體的，第二攝像頭1...

使得每一個攝像頭能夠采集到泳池內相同面積的圖像。例如，在游泳池的一側壁上，均勻設置有4個攝像頭11，4個攝像頭11均設置在游泳池水面以上，4個攝像頭11的高度相等，且水平方向上4個攝像頭11等間距排列。給出了本實用新型實施例中的一種攝像頭11安裝位置。圖2中，4個攝像頭依次為21、22、23、24，在水平方向上四個攝像頭等間距排列，且均設置在游泳池壁20上。需要說明的是，在設置多個攝像頭11時，可以獲取所有攝像頭11采集到的圖像，并判斷所有攝像頭11采集到的圖像的總和是否覆蓋了整個游泳池，也即判斷所有攝像頭11采集到的圖像是否存在盲區。若存在盲區，則可以對多個攝像頭11的安裝位置進行調...

該m+1幀圖像便可以組成一個樣本圖像組，并進一步確定該樣本圖像組的事件檢測結果為：采集該m+1幀圖像時，該防護艙內發生的事件類型。具體的，當待分析圖像為：當前幀圖像，則場景圖像檢測模型為：采用各個樣本圖像和每個樣本圖像的事件檢測結果所訓練得到的模型，且每個樣本圖像為一幀場景圖像。其中，針對至少一個防護艙，在該防護艙中發生各類事件時，采集一幀關于該防護艙的圖像，并將采集該圖像時，該防護艙內發生的事件類型作為該圖像的事件檢測結果，這樣，便可以得到一個樣本圖像組及樣本圖像組的事件檢測結果。實施例二：待分析圖像為上述第二類圖像，即待分析圖像為：至少包含光流圖的光流圖；則上述步驟s303，包括如...

使用自注意力機制對獲得的每個span的表示w2進行計算，得到每個span的新的語義表示w3；對所述新的語義表示w3進行span分類，確定每個span是否為一個事件的觸發詞或事件主體。通過該實施例方案，能夠同時抽取事件觸發詞和事件的主體，可獲取更加有用的信息，具有較強的實際應用價值；在數據處理和建模的過程中不使用現有的自然語言處理工具，使得操作簡單，也避免了因使用自然語言處理工具而導致的誤差累積的問題，同時也更加符合真實應用場景；通過劃分span的方式，完美解決了序列標注存在的問題，效率更高，適用性更強。本申請的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或...

得到正常事件以及每種類型的異常事件的概率和。這樣，電子設備便可以將概率和值比較高的事件確定為目標防護艙內用戶出現的事件的類型，并將該類型作為：關于目標防護艙的事件檢測結果。其中，當正常事件的概率和比較高時，電子設備可以確定目標防護艙內未發生異常事件，當某類型異常事件的概率和比較高時，電子設備可以確定目標防護艙內發生該類型異常事件。例如，場景圖像檢測模型輸出的檢測結果為：正常事件概率5％，倒地事件概率50％，劇烈運動事件43％，破壞設備事件2％；場景圖像檢測模型的權重為：，則可以得到乘積為：正常事件概率4％，倒地事件概率40％，劇烈運動事件％，破壞設備事件％；光流圖檢測模型輸出的檢測結果...

在本申請的示例性實施例中，在通過雙向lstm網絡獲得語句的向量化語義表示w1之前，所述方法還可以包括：將語句中的m個字符隨機初始化為一個維度為[m，n]的n維向量d，其中，對于從0到m-1的索引id，每個id對應一個不同的字符；對于長度為s的語句，該語句中每一個字符能夠在向量d中找到對應的id，從而獲得維度為[s，d]的向量。在本申請的示例性實施例中，通過雙向lstm網絡獲得語句的向量化語義表示w1可以包括：將維度為[s，d]的向量輸入預設的雙向lstm神經網絡，將所述雙向lstm神經網絡的輸出作為語句的向量化語義表示w1。在本申請的示例性實施例中，通過bert模型獲得語句的向量化語義...