使用自注意力机制对获得的每个span的表示w2进行计算，得到每个span的新的语义表示w3；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。通过该实施例方案，能够同时抽取事件触发词和事件的主体，可获取更加有用的信息，具有较强的实际应用价值；在数据处理和建模的过程中不使用现有的自然语言处理工具，使得操作简单，也避免了因使用自然语言处理工具而导致的误差累积的问题，同时也更加符合真实应用场景；通过划分span的方式，完美解决了序列标注存在的问题，效率更高，适用性更强。本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或...

电子设备便可以基于该当前帧图像，确定待分析图像。由于是对目标防护舱内发生的事件进行检测，因此，也就是检测目标防护舱内的用户是否处于正常情况中。这样，电子设备所确定的待分析图像便可以为：关于目标防护舱内的用户的图像，进一步的，目标防护舱内的用户通过当前帧图像中的目标对象表征。因此，电子设备所确定的待分析图像即为：关于目标防护舱及目标对象的图像。例如，包括目标防护舱内部情况及目标对象的图像。需要说明的是，电子设备可以通过多种方式基于当前帧图像，确定待分析图像，对此，本发明实施例不做具体限定。可选的，一种具体实现方式中，上述步骤s303，可以为：将至少包含当前帧图像的类图像确定为待分析图像，...

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...

向告警装置输出告警指令。告警装置在接收到告警指令后执行告警操作，从而可以提醒救生人员。因此，本实用新型实施例中的方案能够及时准确地检测到溺水事件的发生，并及时地通知救生员进行救援。为使本实用新型的上述目的、特征和优点能够更为明显易懂，下面结合对本实用新型的具体实施例做详细的说明。本实用新型实施例提供了一种溺水事件检测系统。在本实用新型实施例中，溺水事件检测系统可以包括n个摄像头11、控制器12以及告警装置13。在具体实施中，n个摄像头11可以均设置在游泳池壁上。n个摄像头11在工作时，可以实时采集到游泳池内的图像。n个摄像头11与控制器12可以通信连接，从而可以将实时采集到的图像传输至...

控制器可以根据接收到的图像确定是否存在溺水现象发生，并在确定存在溺水现象发生时，向告警装置输出告警指令。告警装置在接收到告警指令后执行告警操作，从而可以提醒救生人员。因此，本实用新型实施例中的方案能够及时准确地检测到溺水事件的发生，并及时地通知救生员进行救援。说明是本实用新型实施例中的一种溺水事件检测系统的结构；本实用新型实施例中的一种摄像头安装位置；是本实用新型实施例中的另一种溺水事件检测系统的结构示意图。具体实施方式现有技术中，为有效解决溺水问题，通常在游泳场馆中安装有摄像头，摄像头通常安装在游泳池的上方，以实时采集游泳池内的图像。后台工作人员在监控室查看摄像头实时采集到的图像，并...

确定关于目标防护舱的事件检测结果；其中，场景图像检测模型为：采用各个样本图像组和每个样本图像组的事件检测结果所训练得到的模型，且每一样本图像组中的图像与待分析图像的图像数量相同，各个样本图像组中的图像为：所采集到的关于防护舱的图像。可选的，一种具体实现方式中，上述装置包括：光流图确定模块，用于每当获取到一帧图像时，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，上述图像确定模块630包括：第二图像确定子模块，用于将至少包含光流图在内的第二类图像确定为待分析图像，其中，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...

得到正常事件以及每种类型的异常事件的概率和。这样，电子设备便可以将概率和值比较高的事件确定为目标防护舱内用户出现的事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。其中，当正常事件的概率和比较高时，电子设备可以确定目标防护舱内未发生异常事件，当某类型异常事件的概率和比较高时，电子设备可以确定目标防护舱内发生该类型异常事件。例如，场景图像检测模型输出的检测结果为：正常事件概率5％，倒地事件概率50％，剧烈运动事件43％，破坏设备事件2％；场景图像检测模型的权重为：，则可以得到乘积为：正常事件概率4％，倒地事件概率40％，剧烈运动事件％，破坏设备事件％；光流图检测模型输出的检测结果...

从而可以提高对防护舱内用户出现异常事件的检测准确率可选的，一种具体实现方式中，上述装置还包括图像判断模块；在本实现方式中，一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和当前帧图像之前的连续预设数量帧图像，是否均包含目标对象；在本实现方式中，另一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，触发图像确定模块。可选的，一种具体实现方式中，上述图像确定模块630包括：图像确定子模块，用于将至少包含当前帧图像的类图像确定为待分析图像，其中...

倒地事件概率75％，剧烈运动事件15％，破坏设备事件5％；这样，电子设备便可以确定目标防护舱内出现用户意外倒地的事件。可以理解的，对防护舱内发生的异常事件进行检测的目的之一是保证监控人员能够及时发现各类异常事件，保证防护舱内的用户的人身和财产安全，因此，可以实时对目标防护舱内发生的事件进行检测。具体的，在本发明实施例中，电子设备是实时获取当前帧图像的，进而，便可以继续实时判断该当前帧图像是否包括目标对象时，并在判断结果为是时，实时对目标防护舱内发生的事件进行检测，得到在采集当前帧图像的当前时刻，关于目标防护舱的事件检测结果。即电子设备可以实现对关于目标防护舱的事件检测结果的实时检测，其...

电子设备在上述步骤s304中得到的事件检测结果可以为：关于未发生异常事件的结果，即目标防护舱内未发生异常情况；相对应的，电子设备在上述步骤s304中得到的事件检测结果也可以为：关于发生异常事件的结果，即目标防护舱内发生异常情况。可选的，一种具体实现方式中，上述事件检测结果为：关于未发生异常事件的结果。具体的，当事件检测结果为：关于未发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：未发生异常事件，这样，电子设备便可以确定目标防护舱内未发生异常事件。可选的，另一种具体实现方式中，上述事件检测结果为：关于发生异常事件的结果。具体的，当事件检测结果为：关于发生异常事件的...

可以获取概率大值的索引所对应的类型即可。本申请实施例通过双向lstm网络或者bert得到句子的向量化语义表示，然后进行span的划分从而得到多个语义片段，然后对每个语义片段进行平均池化得到每个span的表示，使用自注意力机制获取不同span之间的关系从而得到深层的语义表示，后使用两层全连接网络进行分类操作从而确定每个span是否为某一事件的触发词或者是事件主体。本申请实施例公开了一种采用span划分方式，同时抽取事件触发词和事件主体的事件检测方法，至少具有以下优势：1、同时抽取事件触发词和事件的主体，可获取更加有用的信息，具有较强的实际应用价值。2、在数据处理和建模的过程中不使用现有的...

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...

本发明实施例提供的一种事件检测方法可以引用于任一能够利用模型进行图像检测的电子设备，例如，平板电脑、笔记本电脑、台式电脑等，这都是合理的。为了描述方便，以下简称电子设备。需要说明的是，当前存在多台投入使用的防护舱，而针对每台防护舱都可以采用本发明实施例提供的一种事件检测方法来对关于该防护舱的事件进行检测。其中，每台电子设备可以只针对一台防护舱，检测关于该防护舱的事件；也可以针对多台防护舱，分别检测关于该多台防护舱的事件。这都是合理的。具体的，当一台电子设备针对多台防护舱，分别检测关于该多台防护舱的事件时，可以为每台防护舱添加标签，进而，确定的每台防护舱对应的待分析图像中也会携带有该防护...

电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤s303。需要说明的是，在本实现方式中，电子设备可以采用任一能够检测出当前帧图像和当前帧图像之前的连续预设数量帧图像中是否均包含目标对象的图像识别算法执行上述步骤s302a，对此，本发明实施例不做具体限定。其中，上述预设数量可以为任一正整数，例如，5，10等，这都是合理的。下面，对电子设备执行上述步骤s302a的具体过程进行说明：电子设备在获取到每帧关于目标防护舱的图像后，判断该图像中是否包含目标对象。进而，在获取该图像的下一帧图像后，判断该下一帧图像中是否包括与前一帧图...

电子设备便可以基于该当前帧图像，确定待分析图像。由于是对目标防护舱内发生的事件进行检测，因此，也就是检测目标防护舱内的用户是否处于正常情况中。这样，电子设备所确定的待分析图像便可以为：关于目标防护舱内的用户的图像，进一步的，目标防护舱内的用户通过当前帧图像中的目标对象表征。因此，电子设备所确定的待分析图像即为：关于目标防护舱及目标对象的图像。例如，包括目标防护舱内部情况及目标对象的图像。需要说明的是，电子设备可以通过多种方式基于当前帧图像，确定待分析图像，对此，本发明实施例不做具体限定。可选的，一种具体实现方式中，上述步骤s303，可以为：将至少包含当前帧图像的类图像确定为待分析图像，...

上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息...

告警装置13在接收到告警指令后，可以输出与告警指令对应的告警信号。告警装置13通过输出告警信号，提醒游泳场馆内的救生员当前存在溺水事件的发生。在实际应用中，告警装置13可以为便携式的智能手环。当智能手环接收到告警指令后，可以输出振动信号。智能手环可以被佩戴在游泳馆救生员的手腕上。当智能手环振动时，救生员即可获知当前有游泳者发生溺水。告警装置13也可以为智能手机。当智能手机接收到告警指令后，可以同时输出振动信号以及语音信号。救生员可以随身携带该智能手机。当智能手机输出振动信号及语音信号时，救生员即可获知当前有游泳者发生溺水。可以理解的是，告警装置13还可以为其他类型的终端。例如，告警装置...

n个摄像头11与控制器12之间进行无线通信时，所采用的无线通信协议可以为wifi、蓝牙、zigbee等。可以理解的是，n个摄像头11还可以采用其他的无线通信协议与控制器12进行无线通信，本实用新型实施例不做赘述。在具体应用中，可以在游泳池壁的四周均匀设置摄像头11。通过设置的n个摄像头，可以采集水平方向上游泳池内的图像。在具体实施中，在设置n个摄像头11时，在垂直方向上，每一个摄像头11所设置的位置与游泳池水面之间的距离可以均小于预设值。摄像头11所设置的位置可以位于游泳池水面以下，也可以位于游泳池水面以上，还可以位于游泳池水面附近。在设置摄像头11时，可以将n个摄像头11均设置在游泳...

产品功能ProductFunctions●自动语音关键事件检测（交通事故、违章停车、逆行、物品遗撒、行人穿越车道、排队等）●交通数据检测（车流量、车速、占有率、车型等）（固定场景）系统事件检测实景系统测速实景系统优势SystemAdvantages●高鲁棒性的背景更新技术，使得设备可在极短时间内适应所切换的新背景；●单设备检测区域广阔，采用视频识别、的方法，使得一个摄像头监控的区域能够覆盖多个车道；●误触发少，由于采用了运动轨迹的方法，能够保证每个目标只触发一次，避免了由于目标本身的差异造成的多次触发；●操作无需人为干预，采用了DSP前端处理，可以24小时不间断进行监测；●由于有丰富的...

直至电子设备判断预设时长内采集到的连续多帧图像中均包含相同的目标对象后，电子设备继续获得下一帧图像，即预设时长后的当前时刻对应的当前帧图像，并判断该当前帧图像中是否包括预设时长内采集到的连续多帧图像所包含的目标对象。这样，当判断结果为是时，电子设备便可以继续执行后续步骤s303。当前，光流法是图像分析领域中被重点关注的一种方法，所谓光流是指图像亮度模式的表观运动。可以理解的，当用户在防护舱中进行各类金融活动时，用户的某些身体部位也是运动的，例如，手指等。光流表达了图像的变化，可以引申出光流场。所谓光流场是指图像中所有像素点构成的一种二维(2d)瞬时速度场，其中的二维速度矢量是景物中可见...

本申请提供了一种事件检测方法，如图1所示，所述方法可以包括s101-s105：s101、获得语句的向量化语义表示w1。在本申请的示例性实施例中，在获得语句的向量化语义表示w1之前，可以首先对要进行事件抽取的数据进行预处理。在本申请的示例性实施例中，所述方法还可以包括：预先将触发词的类型划分为x种，将事件主体的类型划分为y种，其中，x、y均为正整数；在获得语句的向量化语义表示w1之前，根据设定的span宽度，对语句进行span划分，以将语句划分为多个span，并对每个span进行标记；其中，每个标记表示x+y+1种类型中的任意一种，1表示所述触发词的类型和所述事件主体的类型以外的其他类型...

还可以在检测到发生异常事件时，确定所发生的异常事件的事件类型。即事件检测结果为：关于发生异常事件且所发生异常事件类型的结果。这样，电子设备可以根据检测模型的输出结果，确定目标防护舱内发生哪种异常事件。可选的，一种具体实现方式中：在上述步骤s304中，上述检测模型可以直接输出：所发生的异常事件的类型，这样，电子设备便可以直接确定目标防护舱内用户出现的异常事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。例如，倒地事件；这样，电子设备便可以确定目标防护舱内出现用户意外倒地的事件。可选的，另一种具体实现方式中：在上述步骤s304中，在训练检测模型时，可以预先设定多种类型的异常事件，则...

确定在时刻t0目标人物所处的位置信息，以及在时刻t1目标人物所处的位置信息。根据两个时刻目标人物所处的位置信息，可以获取目标人物的运动轨迹。根据目标人物的运动轨迹，可以获知目标人物所处的理论位置范围。在确定了目标人物的理论位置范围之后，控制器12可以从m个第二摄像头14采集到的实时图像中，识别出目标人物游泳时的动作姿势，进而获取目标人物的泳姿信息。在实际应用中，游泳者在游泳时，其对应的泳姿可以为蝶泳、蛙泳、仰泳、自由泳等。无论哪种泳姿，都存在一定的规律性。在具体实施中，控制器12可以采用现有的图像识别方法来识别目标人物游泳时的动作姿势。控制器12可以将识别出的动作姿势与现有的泳姿信息库...

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...

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...

在本申请的示例性实施例中，所述对所述向量化语义表示w1进行span划分，得到多个语义片段可以包括：获取设定的span的大宽度max_span_width；根据span的宽度从1到max_span_width依次在所述向量化语义表示w1上进行选取，获得多个span的语义表示span_embedding。在本申请的示例性实施例中，可以根据设定的span的大宽度max_span_width＝8对步骤s101得到的语义表示w1进行划分。划分方法可以包括：span的宽度从1至max_span_width依次在向量w1上进行选取，得到n个span的语义表示，即span_embedding。s103...

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，可以包括以下步骤g21-g23：步骤g21：将至少包含当前帧图像的类图像确定为辅助图像；步骤g22：将辅助图像输入到预设的场景检测模型中，得到场景检测模型输出的检测结果；步骤g23：将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定当前时刻，关于目标防护舱的事件检测结果。其中，关于类图像的相关描述内容、场景检测模型的相关描述内容、场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合的融合过程等，可以参见上述的以第二类图像作为辅助图像时的相关描述内容。相对...

可以获取概率大值的索引所对应的类型即可。本申请实施例通过双向lstm网络或者bert得到句子的向量化语义表示，然后进行span的划分从而得到多个语义片段，然后对每个语义片段进行平均池化得到每个span的表示，使用自注意力机制获取不同span之间的关系从而得到深层的语义表示，后使用两层全连接网络进行分类操作从而确定每个span是否为某一事件的触发词或者是事件主体。本申请实施例公开了一种采用span划分方式，同时抽取事件触发词和事件主体的事件检测方法，至少具有以下优势：1、同时抽取事件触发词和事件的主体，可获取更加有用的信息，具有较强的实际应用价值。2、在数据处理和建模的过程中不使用现有的...

检测模型为：基于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。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。需要强...

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...