CN111160289A - 针对目标用户的意外事故的检测方法、装置及电子设备 - Google Patents
针对目标用户的意外事故的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111160289A CN111160289A CN201911413757.2A CN201911413757A CN111160289A CN 111160289 A CN111160289 A CN 111160289A CN 201911413757 A CN201911413757 A CN 201911413757A CN 111160289 A CN111160289 A CN 111160289A
- Authority
- CN
- China
- Prior art keywords
- accident
- target
- target user
- user
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 206010042772 syncope Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种针对目标用户的意外事故的检测方法、装置及电子设备，用于解决现有检测方法无法确定意外事故类型，存在功能单一，可靠性差的问题。该方法包括：获取在目标场景下目标用户的目标图像；将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的，能够检测出多种类型的意外事故，稳定可靠。
Description
技术领域
本发明实施例涉及安全检测技术领域，尤其涉及一种针对目标用户的意外事故的检测方法、装置及电子设备。
背景技术
越来越多的成年人选择离开家乡去外地打工，导致出现越来越多的孤寡老人和留守儿童，这类人群较容易发生意外事故。其中，大部分意外事故均是没能及时发现和处理导致的。因此，针对孤寡老人和留守儿童的意外事故的检测至关重要。
现有的检测方法是通过孤寡老人和留守儿童随身携带的运动手环和随身携带传感器采集位置信息和运动信息等，通过判断采集的位置信息和运动信息是否出现异常，从而判断孤寡老人和留守儿童是否发生意外事故。
但是，现有的检测方法仅能判断孤寡老人和留守儿童是否发生意外事故，并不能确定发生了哪种意外事故，功能单一，可靠性较差。
发明内容
本发明实施例提供一种针对目标用户的意外事故的检测方法、装置及电子设备，用于解决现有检测方法无法确定意外事故类型，存在功能单一，可靠性差的问题。
本发明实施例采用下述技术方案：
第一方面，提供了一种针对目标用户的意外事故的检测方法，所述方法包括：
获取在目标场景下目标用户的目标图像；
将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
第二方面，提供了一种电子设备，所述电子设备包括：
第一获取模块，用于获取在目标场景下目标用户的目标图像；
输出模块，用于将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
第三方面，提供了一种电子设备，包括：存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如上述所述的针对目标用户的意外事故的检测方法。
第四方面，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包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如上述所述的针对目标用户的意外事故的检测方法。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：
本发明实施例提供的针对目标用户的意外事故的检测方法，通过获取在目标场景下目标用户的目标图像；将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的，能够检测出多种类型的意外事故，稳定可靠。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书的一个实施例提供的针对目标用户的意外事故的检测方法流程示意图；
图2为本说明书的一个实施例提供的针对目标用户的意外事故的检测方法的实际应用场景示意图；
图3为本说明书的一个实施例提供的针对目标用户的意外事故的检测装置结构示意图；
图4为本说明书一个实施例提供的电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供一种针对目标用户的意外事故的检测方法及电子设备，以解决现有检测方法无法确定意外事故类型，存在功能单一，可靠性差的问题。本发明实施例提供一种针对目标用户的意外事故的检测方法，该方法的执行主体，可以但不限于应用程序、电子设备或能够被配置为执行本发明实施例提供的该方法的装置或***。
为便于描述，下文以该方法的执行主体为能够执行该方法的电子设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为电子设备只是一种示例性的说明，并不应理解为对该方法的限定。
图1为本发明实施例提供的针对目标用户的意外事故的检测方法的流程图，图1的方法可以由电子设备执行，如图1所示，该方法可以包括：
步骤101、获取在目标场景下目标用户的目标图像。
该目标用户可以指特定用户，如孤寡老人、留守儿童、残疾人等特殊类人。当然，目标用户也可以指普通用户，如健全的人。
该目标用户的目标图像可以通过图像采集设备采集，该图像采集设备可以为摄像头。其中，图像采集设备可以实时进行图像采集，也可以按照预设时间间隔进行图像采集。
本步骤具体可实现为，电子设备实时或按照预设时间间隔接收图像采集设备采集的目标用户的目标图像。
步骤102、将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故。
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
事故检测模型的训练具体可实现为，获取在各类事故场景下用户的多个样本图像；基于所述各类事故场景的类型和所述在各类事故场景下用户的多个样本图像，通过神经网络学习训练得到事故检测模型，以通过所述事故检测模型检测用户发生意外事故，及所述意外事故的类型。
其中，神经网络可以采用tensorflow神经网络，TensorFlowTM是一个基于数据流编程(dataflow programming)的符号数学***，被广泛应用于各类机器学习(machinelearning)算法的编程实现。
示例性的，假设用户出现跌倒意外，选取跌倒场景对应的多个跌倒样本图像，在事故检测模型训练时，将多个跌倒样本图像通过神经网络学习训练得到跌倒事故检测模型。
示例性的，假设用户出现晕厥意外，选取晕厥场景对应的多个晕厥样本图像，在事故检测模型训练时，将多个晕厥样本图像通过神经网络学习训练得到晕厥事故检测模型。
示例性的，假设用户出现跌倒意外和晕厥意外，选取跌倒场景对应的多个跌倒样本图像，及晕厥场景对应的多个晕厥样本图像，在事故检测模型训练时，将多个跌倒样本图像和多个晕厥样本图像通过神经网络学习训练得到跌倒事故检测和晕厥事故检测的组合模型。
本发明实施例提供的针对目标用户的意外事故的检测方法，通过获取在目标场景下目标用户的目标图像；将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的，能够检测出多种类型的意外事故，稳定可靠。
作为一个实施例，在执行步骤102之后，本发明实施例提供的针对目标用户的意外事故的检测方法，还可以包括：
向所述目标用户的关联用户推送所述目标用户发生意外事故的检测结果对应的信息。
该目标用户的关联用户可以指与目标用户有关联的人。
例如，若目标用户为留守儿童，关联用户可以为留守儿童的监护人；若目标用户为残疾人，关联用户可以为残疾人的配偶或直系亲属；若目标用户为孤寡老人，关联用户可以为孤寡老人的护理人或亲属。
该目标用户发生意外事故的检测结果对应的信息，可以指检测结果对应的信息，该检测结果为目标用户发生意外事故的检测结果。
其中，检测结果对应的信息可以为报警信息、意外事故的提醒信息等。
示例性的，假设目标用户为孤寡老人，关联用户为护理人，当电子设备检测到孤寡老人发生晕厥意外事故，电子设备向孤寡老人的护理人发送孤寡老人发生晕厥意外事故的报警信息。
具体实施时，电子设备可以通过4G通信模组向关联用户的终端设备上发送报警信息，使用4G模组，无需联网和对接云服务器，本地直接发送短信进行消息推送，使得消息推送更加稳定可靠。
本发明实施例通过向目标用户的关联用户推送目标用户发生意外事故的检测结果对应的信息，当意外事故发生时，可以及时通知关联用户，以便于关联用户及时发现和处理意外事故，减小意外事故带来的伤害。
作为一个实施例，在执行步骤101之后，本发明实施例提供的针对目标用户的意外事故的检测方法，还可以包括：
将所述目标用户的目标图像进行二值化处理，以得到二值化图像；
步骤102具体可实现为：
将所述二值化图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故。
示例性的，若目标用户的目标图像为彩色图像，则将彩色图像进行二值化处理，得到黑白图像。再将黑白图像作为事故检测模型的输入，输出目标场景所属的事故场景类型，事故场景类型用于表征目标用户发生意外事故。
本发明实施例通过将目标用户的目标图像进行二值化处理，以得到二值化图像，以便事故检测模型处理时更简便，简化事故检测模型对图像的处理难度。
下面将结合具体的实施例，对本发明实施例的方法做进一步的描述。
图2示出了本发明实施例提供的针对目标用户的意外事故的检测方法在实际应用场景下的流程图；
具体地说，如图2所示，在201，获取在目标场景下目标用户的目标图像。
在202，将所述目标用户的目标图像进行二值化处理，以得到二值化图像。
在203，将所述二值化图像作为事故检测模型的输入，输出目标用户是否发生意外事故的检测结果；若检测结果为发生意外事故，且所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故，则执行步骤204；若检测结果为未发生意外事故，则执行步骤201。
在204，向所述目标用户的关联用户推送所述目标用户发生意外事故的检测结果对应的信息。
本发明实施例提供的针对目标用户的意外事故的检测方法，通过获取在目标场景下目标用户的目标图像；将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的，能够检测出多种类型的意外事故，稳定可靠。
以上，结合图1～图2详细说明了本说明书实施例的针对目标用户的意外事故的检测方法，下面，结合图3，详细说明本说明书实施例的针对目标用户的意外事故的检测装置。
图3示出了本说明书实施例提供的针对目标用户的意外事故的检测装置的结构示意图，如图3所示，该装置可以包括：
第一获取模块301，用于获取在目标场景下目标用户的目标图像；
输出模块302，用于将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
在一实施例中，所述装置包括：
推送模块303，用于向所述目标用户的关联用户推送所述目标用户发生意外事故的检测结果对应的信息。
在一实施例中，所述装置包括：
第二获取模块304，用于获取在各类事故场景下用户的多个样本图像；
训练模块305，用于基于所述各类事故场景的类型和所述在各类事故场景下用户的多个样本图像，通过神经网络学习训练得到事故检测模型，以通过所述事故检测模型检测用户发生意外事故，及所述意外事故的类型。
在一实施例中，所述装置包括：
处理模块306，用于将所述目标用户的目标图像进行二值化处理，以得到二值化图像；
所述输出模块302包括：
输出单元，用于将所述二值化图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故。
本发明实施例提供的针对目标用户的意外事故的检测装置，通过获取在目标场景下目标用户的目标图像；将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的，能够检测出多种类型的意外事故，稳定可靠。
下面将结合图4详细描述根据本发明实施例的电子设备。参考图4，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图4所示，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括实现其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成资源增值对象与资源对象的关联装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。
上述图1至图3所示实施例揭示的方法、针对目标用户的意外事故的检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
图4所示的电子设备还可执行图1至图2的方法，并实现针对目标用户的意外事故的检测方法在图1至图2所示实施例的功能，本发明实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种针对目标用户的意外事故的检测方法，其特征在于，包括：
获取在目标场景下目标用户的目标图像；
将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
2.根据权利要求1所述的方法，其特征在于，在将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故之后，包括：
向所述目标用户的关联用户推送所述目标用户发生意外事故的检测结果对应的信息。
3.根据权利要求1所述的方法，其特征在于，在将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故之前，包括：
获取在各类事故场景下用户的多个样本图像；
基于所述各类事故场景的类型和所述在各类事故场景下用户的多个样本图像，通过神经网络学习训练得到事故检测模型，以通过所述事故检测模型检测用户发生意外事故，及所述意外事故的类型。
4.根据权利要求1所述的方法，其特征在于，在获取在目标场景下目标用户的目标图像之后，包括：
将所述目标用户的目标图像进行二值化处理，以得到二值化图像；
将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故，包括：
将所述二值化图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故。
5.一种针对目标用户的意外事故的检测装置，其特征在于，包括：
第一获取模块，用于获取在目标场景下目标用户的目标图像；
输出模块，用于将所述目标用户的目标图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故；
其中，所述事故检测模型基于各类事故场景的类型和在各类事故场景下用户的多个样本图像训练得到的。
6.根据权利要求5所述的装置，其特征在于，所述装置包括：
推送模块，用于向所述目标用户的关联用户推送所述目标用户发生意外事故的检测结果对应的信息。
7.根据权利要求5所述的装置，其特征在于，所述装置包括：
第二获取模块，用于获取在各类事故场景下用户的多个样本图像；
训练模块，用于基于所述各类事故场景的类型和所述在各类事故场景下用户的多个样本图像，通过神经网络学习训练得到事故检测模型，以通过所述事故检测模型检测用户发生意外事故，及所述意外事故的类型。
8.根据权利要求5所述的装置，其特征在于，所述装置包括：
处理模块，用于将所述目标用户的目标图像进行二值化处理，以得到二值化图像；
所述输出模块包括：
输出单元，用于将所述二值化图像作为事故检测模型的输入，输出所述目标场景所属的事故场景类型，所述事故场景类型用于表征目标用户发生意外事故。
9.一种电子设备，其特征在于，包括：
存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如权利要求1至4任一项所述的针对目标用户的意外事故的检测方法。
10.一种计算机可读存储介质，其特征在于，
所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如权利要求1至4任一项所述的针对目标用户的意外事故的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911413757.2A CN111160289A (zh) | 2019-12-31 | 2019-12-31 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911413757.2A CN111160289A (zh) | 2019-12-31 | 2019-12-31 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160289A true CN111160289A (zh) | 2020-05-15 |
Family
ID=70559950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911413757.2A Pending CN111160289A (zh) | 2019-12-31 | 2019-12-31 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160289A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836626A (zh) * | 2021-01-29 | 2021-05-25 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技（深圳）有限公司 | 车险理赔照片的分析方法及*** |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN108629963A (zh) * | 2017-03-24 | 2018-10-09 | 纵目科技（上海）股份有限公司 | 基于卷积神经网络的交通事故上报方法及***、车载终端 |
| CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
-
2019
- 2019-12-31 CN CN201911413757.2A patent/CN111160289A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技（深圳）有限公司 | 车险理赔照片的分析方法及*** |
| CN108629963A (zh) * | 2017-03-24 | 2018-10-09 | 纵目科技（上海）股份有限公司 | 基于卷积神经网络的交通事故上报方法及***、车载终端 |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
| WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836626A (zh) * | 2021-01-29 | 2021-05-25 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
| CN112836626B (zh) * | 2021-01-29 | 2023-10-27 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190539B (zh) | 人脸识别方法及装置 | |
| CN112016413B (zh) | 对象间异常行为的检测方法及装置 | |
| CN109086734B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
| CN108256404B (zh) | 行人检测方法和装置 | |
| CN111104664B (zh) | 一种电子设备的风险识别方法及服务器 | |
| CN111935319B (zh) | 一种基于车辆终端***的监控处理方法、***及相关设备 | |
| CN117035452A (zh) | 一种业务场景的根因定位方法、***及电子设备 | |
| CN111163067B (zh) | 一种安全测试方法、装置及电子设备 | |
| CN112689132B (zh) | 目标对象监控方法和监控设备 | |
| CN111488835A (zh) | 一种同行人员的识别方法及装置 | |
| CN113379999A (zh) | 火情检测方法、装置、电子设备及存储介质 | |
| CN111160289A (zh) | 针对目标用户的意外事故的检测方法、装置及电子设备 | |
| CN109189677B (zh) | 一种针对变量数值更新状态的测试方法及装置 | |
| CN110099074B (zh) | 一种物联网设备的异常检测方法、***及电子设备 | |
| CN111222592B (zh) | 一种获取设备二维码的方法和装置 | |
| CN112017401A (zh) | 监测人员安全的警报***、相应的方法和存储介质 | |
| CN112052774B (zh) | 行为检测方法及装置 | |
| CN111985438A (zh) | 一种静态人脸处理方法、装置及设备 | |
| CN111753662A (zh) | 一种交通事故处理方法、设备及介质 | |
| CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
| CN108667893B (zh) | 数据推荐方法、装置和电子设备 | |
| CN110648314A (zh) | 一种识别翻拍图像的方法、装置及设备 | |
| CN111652184B (zh) | 烟雾识别方法、装置、存储介质及数据处理设备 | |
| CN109376585B (zh) | 一种人脸识别的辅助方法、人脸识别方法及终端设备 | |
| EP4148538A1 (en) | Action association method based on internet of things, and electronic device and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |