湖南无限语音关键事件检测介绍

    本实用新型涉及监控技术领域，尤其涉及一种溺水语音关键事件检测系统。背景技术：随着生活水平的提高，游泳运动这一全身性锻炼的体育运动越来越受到人们的欢迎。由于游泳运动在水中进行，在游泳过程中，存在一定的危险性。对于初学者，在游泳过程中，因游泳技术不足导致无法随意呼吸、换气、行动等导致呛水，容易造成溺水事件；对于有经验的游泳者，可能会出现抽筋、碰撞受伤、意识模糊等原因导致溺水事件发生。若无法及时发现溺水的游泳者，极易导致溺水时间过长造成伤亡。为了有效地解决溺水问题，通常在游泳场馆中安装有摄像头。后台工作人员根据摄像头获取到的实时画面，判断是否有人发生溺水。当发现有人溺水时，通知游泳池边的救生人员。然而，上述方案存在效率低下和准确度较低的问题，无法及时地发现溺水现象。技术实现要素：本实用新型解决的问题是无法及时地发现溺水现象。为解决上述问题，本实用新型提供一种溺水事件检测系统，包括：n个适于实时采集图像的摄像头；所述n个摄像头均匀设置在游泳池壁上，且在垂直方向上与游泳池水面之间的距离小于预设值；n为正整数；控制器，与所述n个摄像头通信连接，适于获取所述n个摄像头实时采集的图像；告警装置。语音关键事件检测有哪些关键技术？欢迎咨询！湖南无限语音关键事件检测介绍

    存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述方面提供的一种事件检测方法中的任一方法步骤。第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方面提供的一种事件检测方法中的任一方法步骤。以上可见，应用本发明实施例提供的方案，实时获取目标防护舱的图像，并判断当前时刻所采集到的当前帧图像是否包括目标对象，由于目标对象为：能够表征用户进入目标防护舱的用户身体部位，则可以基于当前帧图像判断当前时刻是否有用户进入目标防护舱。则当判断结果为是时，便可以基于当前帧图像，确定待分析图像，进而将该待分析图像输入到预设的检测模型中，得到当前时刻，关于目标语音关键事件检测防护舱的事件检测结果。这样，由于检测模型是基于各个样本图像和各个样本图像的事件检测结果所训练得到的模型，因此，检测模型充分学习了样本图像和事件检测结果之间的对应关系。基于此，在本发明实施例中，利用采集到的真实图像来确定待分析图像，利用训练好的检测模型对待分析图像进行检测。山东无限语音关键事件检测特征语音关键事件检测技术可以帮助我们在海量的音频数据中快速找到感兴趣的部分，提高信息处理的效率。

    将w2与w4进行横向拼接得到终的语义表示w3，w3的维度可以为[n,2*d1]。在本申请的示例性实施例中，自注意力机制计算具体可以包括：将w2分别进行多次(如三次)线性变换得到w21、w22、w23,然后可以执行矩阵相乘运算得到w4＝(w22*w23t)*w21，w3＝w2||w4。s105、对所述新的语义表示w3进行span分类，确定每个span是否为一个事件的触发词或事件主体。在本申请的示例性实施例中，所述对所述新的语义表示w3进行span分类可以包括：使用两层全连接神经网络和softmax层对每个span进行分类；其中，在训练阶段，将分类结果与带有标记的span进行误差计算和反向传播。在本申请的示例性实施例中，得到步骤s104的span的表示w3后，可以使用两层全连接神经网络和softmax层对span进行分类。在本申请的示例性实施例中，如果如步骤s101中所述，预先对数据进行了预处理，即预先对数据进行了span分类和标记，则在训练阶段，可以将分类结果与预处理过程所得的带有标记的span进行误差计算和反向传播，并进行参数更新操作完成训练过程。在本申请的示例性实施例中，在预测阶段，根据分类的结果即可得到每个span的类型。softmax的输出是每个span所属对应类型(预处理过程获得的带类型标记的span)的概率。

    控制器12分别与n个摄像头11以及m个第二摄像头14通信连接，从而可以获取n个摄像头11实时采集的图像以及m个第二摄像头14实时采集的图像。下面对本实用新型实施例中提供的溺水事件检测系统的工作原理进行说明。由本实用新型上述实施例中可知，控制器12可以接收到n个摄像头11以及m个第二摄像头14实时采集的图像。控制器12可以根据n个摄像头11采集到的图像，从中识别出目标人物，进而获取目标人物在游泳池中的具置。具体的识别目标人物的算法可以参照现有的人脸识别算法，本实用新型实施例不做赘述。在具体实施中，在检测到目标人物之后，控制器12可以对目标人物进行，以实时获取目标人物的图像。在对目标人物进行的过程中，控制器12可以实时获取目标人物相对于游泳池水面的沉浮频率。人物算法以及沉浮频率统计方法均可以采用现有的方法进行。例如，在实际应用中可知，游泳者在游泳时，需要频繁露出水面换气。当游泳者露出水面时，可以视为游泳者浮出水面；当游泳者潜水时，可以视为游泳者沉入水面。因此，控制器12可以根据目标人物的浮出水面的频率和沉入水面的频率，确定目标人物相对于游泳池水面的沉浮频率。在具体实施中，控制器12可以根据多个摄像头11采集到的图像。语音关键事件检测算法的性能评估通常包括准确率、召回率和F1分数等指标。

    确定关于目标防护舱的事件检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。可选的，一种具体实现方式中，上述装置还包括：光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；则在本实现方式中，上述结果确定子模块包括：辅助图像确定单元，用于将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，光流图为当前帧图像对应的光流图；辅助图像检测单元，用于将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图；结果确定单元。语音关键事件检测和摄像头有联系吗?上海无限语音关键事件检测特征

随着深度学习技术的不断发展，语音关键事件检测的准确性和实时性将得到进一步提高。湖南无限语音关键事件检测介绍

    该m+1帧图像便可以组成一个样本图像组，并进一步确定该样本图像组的事件检测结果为：采集该m+1帧图像时，该防护舱内发生的事件类型。具体的，当待分析图像为：当前帧图像，则场景图像检测模型为：采用各个样本图像和每个样本图像的事件检测结果所训练得到的模型，且每个样本图像为一帧场景图像。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，采集一帧关于该防护舱的图像，并将采集该图像时，该防护舱内发生的事件类型作为该图像的事件检测结果，这样，便可以得到一个样本图像组及样本图像组的事件检测结果。实施例二：待分析图像为上述第二类图像，即待分析图像为：至少包含光流图的光流图；则上述步骤s303，包括如下步骤g1-g2：步骤g1：将待分析图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；步骤g2：基于光流图检测模型输出的检测结果，确定关于目标防护舱的事件检测结果。其中，由于待分析图像为目标防护舱的场景图像对应的光流图，则在本实施例二中，所采用的检测模型即为预设的光流图检测模型，且用于训练该光流图检测模型的各个第二样本图像组中所包括的图像即为光流图。需要说明的是。湖南无限语音关键事件检测介绍