一种辅助执法的方法、装置、服务端及可读存储介质
技术领域
本申请实施例涉及通信技术领域,具体而言,涉及一种辅助执法的方法、装置、服务端及可读存储介质。
背景技术
随着社会活动多元化发展和依法治国政策的稳步实施,一方面,当人与人之间、人与企业之间、企业与企业之间发生纠纷或造成事故时,通常会向报警中心报案,以寻求警察和公职人员(以下简称执法人员)的调解、支援或解救。另一方面,执法人员也会根据工作计划,例行或突击地对企业开展检查活动,例如排污标准检查、消防设施配备检查、经营活动合法性检查等。
执法人员对企业、个人等进行调解、检查或处罚,旨在以法律手段捍卫正义方的权益。基于同样的道理,执法人员在进行调解、检查、处罚时,也需要遵循符合规定的执法流程,并接受人民群众的监督。然而实际实施时,由于案件现场环境复杂,执法人员不易对案件进行整体把握,很难确定出最合理的执法流程,导致执法过程出现执法漏洞。
发明内容
本申请实施例提供一种辅助执法的方法、装置、服务端及可读存储介质,旨在自动帮助执法人员确定合理的执法流程,避免执法过程出现执法漏洞。
本申请实施例第一方面提供一种辅助执法的方法,应用于辅助执法***中的服务端,所述辅助执法***还包括执法终端,所述执法终端和所述服务端通信连接,所述方法包括:
所述服务端接收所述执法终端发送的媒体数据,并接收所述执法终端发送的预判案件类型,所述媒体数据是所述执法终端针对案件现场所采集的媒体数据,所述预判案件类型是执法人员向所述执法终端输入的案件类型;
所述服务端根据所述媒体数据,确定至少一个参考案件类型;
所述服务端判断所述预判案件类型是否与一个参考案件类型相同;
在所述预判案件类型与一个参考案件类型相同的情况下,所述服务端将所述预判案件类型确定为最终案件类型,并建立与所述最终案件类型相关的工作流,以及将所述工作流的信息发送给所述执法终端。
本申请实施例第二方面提供一种辅助执法的装置,所述装置包括:
接收模块,用于接收所述执法终端发送的媒体数据,并接收所述执法终端发送的预判案件类型,所述媒体数据是所述执法终端针对案件现场所采集的媒体数据,所述预判案件类型是执法人员向所述执法终端输入的案件类型;
参考案件类型确定模块,用于根据所述媒体数据,确定至少一个参考案件类型;
判断模块,用于判断所述预判案件类型是否与一个参考案件类型相同;
工作流建立模块,用于在所述预判案件类型与一个参考案件类型相同的情况下,将所述预判案件类型确定为最终案件类型,并建立与所述最终案件类型相关的工作流,以及将所述工作流的信息发送给所述执法终端。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面所述的方法的步骤。
采用本申请提供的辅助执法的方法,执法人员在现场执法时,可以通过执法终端采集案件现场的媒体数据,并根据自己的判断,向执法终端输入预判案件类型。执法终端将采集的媒体数据和执法人员输入的预判案件类型发送给服务端。如此,服务端可以根据案件现场的媒体数据,自动判断出至少一个最可能符合案件现场的参考案件类型。然后服务端判断执法人员的预判案件类型是否与某一参考案件类型相同。如果相同,则说明执法人员的判断与服务端的自动判断相符,从而将执法人员判断的预判案件类型确定为最终案件类型。如此,确保了案件类型的准确把握,避免因案件类型的确定不当而导致执法流程整体错误。
此外,服务端还建立与该最终案件类型相关的工作流,以及将该工作流的信息发送给执法终端,使得执法人员可以遵循执法终端中显示的工作流实施执法操作,进而避免执法过程出现执法漏洞。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提出的辅助执法的方法的流程图;
图2是本发明一实施例提出的确定参考案件类型的流程图;
图3是本发明一实施例提出的训练词向量转换模型的示意图;
图4是本发明一实施例提出的辅助执法的装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
相关技术中,执法人员对企业、个人等进行调解、检查或处罚,旨在以法律手段捍卫正义方的权益。基于同样的道理,执法人员在进行调解、检查、处罚时,也需要遵循符合规定的执法流程,并接受人民群众的监督。然而实际实施时,由于案件现场环境复杂,执法人员不易对案件进行整体把握,很难确定出最合理的执法流程,导致执法过程出现执法漏洞。
为此,本申请通过以下一些实施例提出辅助执法的方法、装置、服务端及可读存储介质,旨在自动帮助执法人员确定合理的执法流程,避免执法过程出现执法漏洞。
参考图1,图1是本发明一实施例提出的辅助执法的方法的流程图。所述方法应用于辅助执法***中的服务端,该辅助执法***还包括执法终端,所述执法终端和所述服务端通信连接。如图1所示,该方法包括以下步骤:
步骤S110:所述服务端接收所述执法终端发送的媒体数据,并接收所述执法终端发送的预判案件类型,所述媒体数据是所述执法终端针对案件现场所采集的媒体数据,所述预判案件类型是执法人员向所述执法终端输入的案件类型。
其中,执法终端针对案件现场所采集的媒体数据包括但不限于:视频数据、音频数据、音视频数据、图像数据。具体实现时,执法终端具有媒体数据采集功能,执法人员到达案件现场后,开启执法终端的媒体数据采集功能,以通过执法终端采集案件现场的媒体数据。执法终端采集到案件现场的媒体数据后,将采集的媒体数据发送给服务端。
执法终端的界面上可以展示全部种类的案件类型,执法人员可以通过点击界面上显示的案件类型,从而将被点击的案件类型作为预判案件类型输入执法终端。为便于理解,示例地,执法终端的界面上可以展示:交通肇事案件、交通肇事逃逸案件、交通事故纠纷案件、危险驾驶案件、环境保护行政处罚案件、环境污染与破坏事故案件等。执法人员通过分析案件现场的情况,确定一种最可能地案件类型,并在执法终端的界面上点选该种案件类型,作为输入执法终端的预判案件类型。如此,执法终端接收到执法人员输入的预判案件类型,并将该预判案件类型发送给服务端。
步骤S120:所述服务端根据所述媒体数据,确定至少一个参考案件类型。
其中,参考案件类型是指:根据案件现场的所述媒体数据所确定的可能的案件类型。为便于理解,假设通过执行步骤S120,确定出的参考案件类型包括“交通肇事案件”和“交通事故纠纷案件”。
对于服务端具体如何根据媒体数据确定出参考案件类型,请参见下文实施例,本发明在此暂不赘述。
步骤S130:所述服务端判断所述预判案件类型是否与一个参考案件类型相同。
其中,如果执法人员所判断的预判案件类型与服务端所判断的某一参考案件类型相同,则说明执法人员的判断和服务端的判断相吻合,两者相互印证,进而说明执法人员的判断和服务端的判断均具有较高的可信程度。
如果执法人员所判断的预判案件类型与服务端所判断的全部参考案件类型均不相同,则说明执法人员的判断和服务端的判断不吻合,两者不能相互印证,进而说明执法人员的判断和服务端的判断不均有较高的可信程度。
为便于理解,沿用上述假设,上述步骤S120所确定出的参考案件类型包括“交通肇事案件”和“交通事故纠纷案件”。又假设在上述步骤S110中,服务端接收到的预判案件类型为“交通事故纠纷案件”。则预判案件类型与两个参考案件类型中的一个相同。
步骤S140:在所述预判案件类型与一个参考案件类型相同的情况下,所述服务端将所述预判案件类型确定为最终案件类型,并建立与所述最终案件类型相关的工作流,以及将所述工作流的信息发送给所述执法终端。
具体实现时,服务端预先根据法律法规所规定的执法流程,为每种案件类型设定了对应的工作流,并存储每种案件类型各自对应的工作流。为便于理解,简单以“交通事故纠纷案件”为例,服务端预先为“交通事故纠纷案件”设定的工作流依次包括如下步骤:(1)询问当事双方是否接受调解、(2)如果当事双方接受调解则主持调解、(3)如果双方达成协议则计入事故认定书、(4)双方当事人签名、(5)现场将事故认定书交付双方当事人。
需要说明的是,由于法律法规针对每种案件类型所规定的执法流程不全部相同,因此预先为每种案件类型分别设定的工作流也不全部相同。
由于服务端已经预先为每种案件类型分别设定和存储了相应的工作流,因此在执行步骤S140时,服务端可以直接将最终案件类型对应的工作流启动,从而建立了与最终案件类型相关的工作流。此外,服务端还将该工作流的信息发送给所述执法终端,使执法终端向执法人员显示该工作流,进而使执法人员遵循该工作流进行执法。
通过执行上述包括步骤S110至步骤S140的辅助执法的方法,执法人员在现场执法时,可以通过执法终端采集案件现场的媒体数据,并根据自己的判断,向执法终端输入预判案件类型。执法终端将采集的媒体数据和执法人员输入的预判案件类型发送给服务端。如此,服务端可以根据案件现场的媒体数据,自动判断出至少一个最可能符合案件现场的参考案件类型。然后服务端判断执法人员的预判案件类型是否与某一参考案件类型相同。如果相同,则说明执法人员的判断与服务端的自动判断相符,从而将执法人员判断的预判案件类型确定为最终案件类型。如此,确保了案件类型的准确把握,避免因案件类型的确定不当而导致执法流程整体错误。
另一方面,由于服务端还建立与该最终案件类型相关的工作流,以及将该工作流的信息发送给执法终端,因此使得执法人员可以遵循执法终端中显示的工作流实施执法操作,进而避免执法过程出现执法漏洞。
此外,在执行上述步骤S130之后,在所述预判案件类型与多个参考案件类型均不相同的情况下,所述服务端还可以向所述执法终端发送提示信息,所述提示信息用于提示所述执法终端重新拍摄媒体数据。
如此,执法终端可以重新采集媒体数据,执法人员也可以向执法终端输入重新确定的预判案件类型。执法终端将重新采集的媒体数据和执法人员重新输入的预判案件类型发送给服务端。如此,服务端可以重新开始执行上述步骤S110。
参考图2,图2是本发明一实施例提出的确定参考案件类型的流程图。其中,所述媒体数据包括视频数据和音频数据。如图2所示,该确定流程包括以下步骤:
步骤S121:所述服务端根据所述视频数据,确定多个候选案件类型。
具体实现时,步骤S121可包括以下子步骤:
子步骤S121-1:所述服务端从所述视频数据中获取多个关键帧,所述多个关键帧包括以下几者中的至少一者:视频数据的第一帧图像、视频数据中拍摄时长超过预设时长的拍摄角度所对应的一帧图像。
考虑到执法人员在手持执法终端拍摄案件现场的视频数据时,通常会先对准案件现场的目标物(例如受损车辆、躺在地上的伤者等),然后开启执法终端的拍摄功能。因此服务端可以将视频数据的第一帧图像作为关键帧,并提取该帧图像。
又考虑到执法人员在拍摄期间,通常会对准案件的关键信息、并保持拍摄角度以拍摄较长时间的视频,因此可以服务端可以将视频数据中拍摄时长超过预设时长的拍摄角度所对应的一帧图像作为关键帧,并提取。
具体实现时,执法终端可以支持“打标记”功能。执法人员在利用执法终端进行拍摄期间,如果执法人员需要转换拍摄角度,可以在转换拍摄角度时,按压执法终端上的“打标记”按键,执法终端在按压“打标记”按键之前的一帧图像,与按压“打标记”按键之后的一帧图像之间,***一个标记帧。如此,两个标记帧之间的多帧图像,即是以同一拍摄角度所拍摄的多帧图像。服务端在接收到执法终端发送的视频数据之后,可以根据视频数据中的各个标记帧,将视频数据划分为多个分段,每个分段即是以同一拍摄角度所拍摄的多帧图像。然后服务端确定各个分段的时间长度,并且对于时间长度超过预设时长(例如3秒)的分段,从这些分段中提取出一帧图像,作为关键帧。
考虑到如果执法人员对“打标记”功能的操作不熟练,执法人员可能会在拍摄角度转换之前按压“打标记”按键,或者可能会在已经转换拍摄角度很久之后才按压“打标记”按键,因此标记帧前后的几帧图像的拍摄角度可能不与主要的拍摄角度相同。有鉴于此,为了避免提取出错误的关键帧,服务端在针对时间长度超过预设时长的分段提取关键帧时,可以将该分段的最中间的一帧图像提取为关键帧。
子步骤S121-2:所述服务端对每个关键帧进行目标检测,得到多个目标物图像,每个目标物图像对应一个目标物名称。
具体实现时,可以预先获取多个样本图像,这些样本图像是来自案件现场的图像。然后对这些样本图像进行标注,例如针对一张来自车祸现场的样本图像,该样本图像中包括受损车辆和倒地伤者。在对该样本图像进行标注时,可以标注受损车辆在该样本图像中的位置,以及标注倒地伤者在该样本图像中的位置。接着利用标注后的多个样本图像对预设模型进行训练,其中,预设模型可选用常规的目标检测模型,例如R-CNN 模型、Fast R-CNN 模型或者Faster R-CNN 模型等。最后将训练完成的预设模型作为目标检测模型,并对目标检测模型进行持久化存储。
在执行上述子步骤S121-2时,可以将依次将每个关键帧输入预先训练的所述目标检测模型,目标检测模型针对每个关键帧输出检测图像。每个检测图像中被圈定出目标物图像的位置,以及每个目标物图像对应的目标物名称。
为便于理解,假设某一关键帧是对准车祸现场所拍摄的图像,则将该关键帧输入目标检测模型后,目标检测模型输出的检测图像中包括多个矩形框,每个矩形框分别圈定一个目标物图像,例如受损车辆图像、站立的当事人图像等。此外,每个矩形框的旁边还会附上文字,以表示目标物图像对应的目标物名称。
子步骤S121-3:所述服务端根据所述多个目标物图像对应的多个目标物名称,以及根据多种案件类型各自对应的多个预设目标物名称,从所述多种案件类型中确定多个候选案件类型。
具体实现时,可以预先为每种案件类型分别设定多个预设目标物名称。为便于理解,示例地,预先为“交通肇事案件”设定如下预设目标物名称:受损车辆、倒地伤者、救护车、交通路锥、医用推车、医生等。预先为“交通事故纠纷案件”设定如下预设目标物名称:受损车辆、站立的当事人、紧贴的两个车辆等。预先为“危险驾驶案件”设定如下预设目标物名称:驾驶位的驾驶员、暂停行驶的车辆、酒精检测仪、酒精检测仪屏幕等。
子步骤S121-3的第一种具体实施方式:
所述服务端将所述多个目标物图像对应的多个目标物名称转换为第一词向量,并将所述多种案件类型各自对应的多个预设目标物名称分别转换为第二词向量;所述服务端针对所述多种案件类型中的每种案件类型,对该种案件类型对应的第二词向量和所述第一词向量计算向量距离,并根据所述向量距离确定该种案件类型的置信度,其中,向量距离越大,所述置信度越小;所述服务端根据所述多种案件类型各自的置信度,从所述多种案件类型中确定多个候选案件类型。
具体地,可以将子步骤S121-2所确定出的多个目标物名称输入预先训练的词向量转换模型(例如连续词袋模型CBOW),得到词向量转换模型输出的第一词向量。并且针对每种案件类型,将该案件类型对应的多个预设目标物名称输入该词向量转换模型,得到词向量转换模型为该案件类型输出的第二词向量。
然后针对每种案件类型,计算所述第一词向量与该种案件类型的第二词向量之间向量距离,并将向量距离的倒数,作为该种案件类型对应的置信度。其中,一种案件类型的置信度越大,表示该种案件类型符合案件现场的可能性越大。为便于理解,示例地,服务端依次针对“交通肇事案件”、“交通事故纠纷案件”以及“危险驾驶案件”等案件类型,分别计算各种案件类型各自对应的置信度。假设在针对“交通肇事案件”案件计算置信度时,计算出该种案件类型的第二词向量与所述第一词向量之间的向量距离为0.68,则该种案件类型的置信度等于1/0.68,也即1.47。
在计算出各种案件类型各自对应的置信度之后,可以从各种案件类型中选择置信度最高的前3种案件类型,作为候选案件类型。或者从各种案件类型中选择置信度高于预设置信度阈值的案件类型,作为候选案件类型。
子步骤S121-3的第二种具体实施方式:
针对每种案件类型,将多个目标物图像对应的多个目标物名称作为第一组名称,将该种案件类型的多个预设目标物名称作为第二组名称,然后确定第一组名称和第二组名称之间,包括多少对相同的名称。如果相同名称的对数超过预设值(例如3对),则将该种案件类型确定为一个候选案件类型。
步骤S122:所述服务端针对所述多个候选案件类型中的每个候选案件类型,获取该候选案件类型对应的多个预设关键词,并根据所述音频数据和该候选案件类型对应的多个预设关键词,确定该候选案件类型的置信度。
具体实现时,步骤S122可包括以下子步骤:
子步骤S122-1:所述服务端对所述音频数据进行语音识别,得到所述音频数据对应的文字段,并从所述文字段中提取所述音频数据对应的多个关键词。
具体实现时,可以首先采用语音识别算法对所述音频数据进行语音识别,得到所述音频数据对应的文字段。然后采用分词算法对所述文字段进行分词处理,得到多个分词。最后从多个分词中剔除掉停用词,将剩余的分词作为关键词。
其中,可采用的语音识别算法包括但不限于:基于动态时间规整(Dynamic TimeWarping)的算法、基于参数模型的隐马尔可夫模型(HMM)的方法、基于非参数模型的矢量量化(VQ)的方法等。其中,可采用的分词算法包括但不限于:最大匹配分词算法、最短路径分词算法、基于n-gram模型(N元模型)的分词算法、神经网络分词算法等。
其中,在从多个分词中剔除停用词时,可以首先获取每种候选案件类型各自对应的停用词表,然后将多个停用词表合并为总停用词表。最后将所述多个分词中的每个分词与所述总停用词表比对,如果某一分词是总停用词表中的一个停用词,则可以将该分词剔除。
为便于理解,示例地,假设“交通肇事案件”对应的停用词表中包括:吗、啊、嗯、哎呀、警察、交警、你、我、他、怎么办、别着急、打电话、来不及、晚了等停用词。这些停用词在交通肇事案件现场经常出现,但是这些停用词不属于用于判别案件类型的关键信息。
假设“交通事故纠纷案件”对应的停用词表中包括:吗、嗯、警察、交警、你、我、他、打电话、可以、先回家、对比起、不好意思、没关系等停用词。这些停用词在交通事故纠纷案件现场经常出现,但是这些停用词不属于用于判别案件类型的关键信息。
如果经过上述步骤S121确定出的候选案件类型包括:“交通肇事案件”和“交通事故纠纷案件”。则首先将两种候选案件类型各自对应的停用词表合并,得到总停用词表。该总停用词表中包括:吗、啊、嗯、哎呀、警察、交警、你、我、他、怎么办、别着急、打电话、来不及、晚了、可以、先回家、对比起、不好意思、没关系等停用词。然后将多个分词中的每个分词与所述总停用词表比对,如果某一分词是总停用词表中的一个停用词,则可以将该分词剔除。最后将剩余的分词作为关键词。
由于该总停用词表中包括每种候选案件类型各自对应的所有停用词,因此可以最大程度地剔除停用词,提高所提取的关键词的纯净度。
上述实施方式中,主要是首先将各种候选案件类型各自对应的停用词表合并成总停用词表,然后基于总停用词表,从多个分词中剔除停用词,最终将剩余的分词作为关键词。该实施方式所得到的关键词,对应各种候选案件类型。
在本发明的另一些实施例也可以针对每种候选案件类型,分别从所述音频数据的多个分词中提取该种案件类型对应的关键词。具体实施时,在经过上述语音识别算法和分词算法以获得多个分词之后,可以针对每种候选案件类型,根据该候选案件类型对应的停用词表,从所述多个分词中提出该停用词表中的停用词,将剩余的分词作为该种候选案件类型对应的关键词。如此,为每种候选案件类型分别提取出了各自对应的关键词。在这些实施例中继续执行下述子步骤S122-2时,具体地,所述服务端针对多个候选案件类型中的每个候选案件类型,获取该候选案件类型对应的多个预设关键词,并根据该候选案件类型对应的多个预设关键词,以及为该候选案件类型从音频数据中提取的关键词,确定该候选案件类型的置信度。
子步骤S122-2:所述服务端针对所述多个候选案件类型中的每个候选案件类型,获取该候选案件类型对应的多个预设关键词,并根据所述音频数据对应的多个关键词和该候选案件类型对应的多个预设关键词,确定该候选案件类型的置信度。
具体实现时,可以预先为每种案件类型分别设定多个预设关键词。为便于理解,示例地,预先为“交通肇事案件”设定如下预设关键词:受伤、撞死、碾压、超速、闯红灯、急刹车、违规等。预先为“交通事故纠纷案件”设定如下预设关键词:剐蹭、撞倒、保险、赔偿、调解、协商、修理等。预先为“危险驾驶案件”设定如下预设关键词:检测、吹气、喝酒、酒精、超标、下车、拘留等。
子步骤S122-2的第一种具体实施方式:
所述服务端将所述音频数据对应的多个关键词转换为第三词向量,并针对每种候选案件类型,将该候选案件类型对应的多个预设关键词转换为第四词向量;所述服务端计算所述第三词向量和所述第四词向量之间的向量距离,并根据上述向量距离确定该候选案件类型的置信度,其中,向量距离越大,所述置信度越小。
具体地,可以将子步骤S122-1所提取的多个关键词输入预先训练的词向量转换模型(例如连续词袋模型CBOW),得到词向量转换模型输出的第三词向量。并且针对每种候选案件类型,将该候选案件类型对应的多个预设关键词输入该词向量转换模型,得到词向量转换模型为该候选案件类型输出的第四词向量。
然后针对每种候选案件类型,计算所述第三词向量与该种候选案件类型的第四词向量之间向量距离,并将向量距离的倒数,作为该种候选案件类型对应的置信度。其中,一种候选案件类型的置信度越大,表示该种候选案件类型符合案件现场的可能性越大。为便于理解,示例地,服务端依次针对“交通肇事案件”、“交通事故纠纷案件”等候选案件类型,分别计算各种候选案件类型各自对应的置信度。假设在针对“交通肇事案件”案件计算置信度时,计算出该种候选案件类型的第四词向量与所述第三词向量之间的向量距离为0.29,则该种案件类型的置信度等于1/0.29,也即3.45。
子步骤S122-2的第二种具体实施方式:
针对每种候选案件类型,将子步骤S122-1所提取的多个关键词作为第一组关键词,将该种候选案件类型对应的多个预设关键词作为第二组关键词,然后确定第一组关键词和第二组关键词称之间,包括多少对相同的关键词。最后根据相同关键词的对数,确定该种候选案件类型的置信度。示例地,可以直接将相同关键词的对数作为候选案件类型的置信度。假设第一组关键词和第二组关键词称之间具有5对相同的关键词,则该候选案件类型的置信度等于5。
步骤S123:所述服务端根据多个候选案件类型各自的置信度,从所述多个候选案件类型中确定至少一个参考案件类型。
具体实现时,可以从各种候选案件类型中选择置信度最高的前2种候选案件类型,作为参考案件类型。或者从各种候选案件类型中选择置信度高于预设置信度阈值的候选案件类型,作为参考案件类型。
通过以上述步骤S121至步骤S123的方式确定参考案件类型,首先根据视频数据,从多种案件类型中确定多个候选案件类型,然后再根据音频数据,进一步从多个候选案件类型中确定至少一个参考案件类型。本发明中,一方面,相当于先后利用视频数据和音频数据对多种案件类型进行了双重筛选,最终准确选择出参考案件类型,有利于降低案件类型确定误差。另一方面,首先根据视频数据,从多种案件类型中确定多个候选案件类型,从而缩小选择范围,然后再根据音频数据,从范围较小的多个候选案件类型中确定参考案件类型,有利于提高参考案件类型的确定效率。再一方面,由于视频数据相比于音频数据更直观,因此首先利用视频数据去筛选掉大部分案件类型,能更准确地保留下候选案件类型。
参考图3,图3是本发明一实施例提出的训练词向量转换模型的示意图。如图3所示,首先,可以预先搜集多对训练数据,每对训练数据中包括两组关键词和置信度标记,为简化附图,置信度标记未在图3中示出。
然后,针对每对训练数据,首先将该对训练数据中的第一组关键词输入预设模型(例如连续词袋模型CBOW)中,得到第一样本词向量。然后将该对训练数据中的第二组关键词输入预设模型中,得到第二样本词向量。接着计算第一样本词向量和第二样本词向量之间的向量距离,并根据该向量距离计算置信度。最后根据该置信度和该对训练数据的置信度标记,确定损失值,并根据该损失值,更新预设模型。其中,为了计算损失值LOSS,可以首先利用Sigmoid函数对计算出的置信度C1进行归一化,得到归一化后的置信度C1',并利用Sigmoid函数对置信度标记C2进行归一化,得到归一化后的置信度C2'。最后计算损失值LOSS=-ln(1-| C1'- C2'|)。
最后,将经过多次更新的预设模型作为词向量转换模型,并持久化存储该词向量转换模型。
基于同一发明构思,本申请一实施例提供一种辅助执法的装置。参考图4,图4是本发明一实施例提出的辅助执法的装置的示意图,所述装置设置于辅助执法***中的服务端,所述辅助执法***还包括执法终端,所述执法终端和所述服务端通信连接。如图4所示,该装置包括:
接收模块41,用于接收所述执法终端发送的媒体数据,并接收所述执法终端发送的预判案件类型,所述媒体数据是所述执法终端针对案件现场所采集的媒体数据,所述预判案件类型是执法人员向所述执法终端输入的案件类型;
参考案件类型确定模块42,用于根据所述媒体数据,确定至少一个参考案件类型;
判断模块43,用于判断所述预判案件类型是否与一个参考案件类型相同;
工作流建立模块44,用于在所述预判案件类型与一个参考案件类型相同的情况下,将所述预判案件类型确定为最终案件类型,并建立与所述最终案件类型相关的工作流,以及将所述工作流的信息发送给所述执法终端。
可选地,所述装置还包括:
提示信息发送模块,用于在所述预判案件类型与多个参考案件类型均不相同的情况下,向所述执法终端发送提示信息,所述提示信息用于提示所述执法终端重新拍摄媒体数据。
可选地,所述媒体数据包括视频数据和音频数据;所述参考案件类型确定模块包括:
候选案件类型确定子模块,用于根据所述视频数据,确定多个候选案件类型;
置信度确定子模块,用于针对所述多个候选案件类型中的每个候选案件类型,获取该候选案件类型对应的多个预设关键词,并根据所述音频数据和该候选案件类型对应的多个预设关键词,确定该候选案件类型的置信度;
参考案件类型确定子模块,用于根据多个候选案件类型各自的置信度,从所述多个候选案件类型中确定至少一个参考案件类型。
可选地,所述候选案件类型确定子模块包括:
关键帧获取单元,用于从所述视频数据中获取多个关键帧,所述多个关键帧包括以下几者中的至少一者:视频数据的第一帧图像、视频数据中拍摄时长超过预设时长的拍摄角度所对应的一帧图像;
目标检测单元,用于对每个关键帧进行目标检测,得到多个目标物图像,每个目标物图像对应一个目标物名称;
候选案件类型确定单元,用于根据所述多个目标物图像对应的多个目标物名称,以及根据多种案件类型各自对应的多个预设目标物名称,从所述多种案件类型中确定多个候选案件类型。
可选地,所述候选案件类型确定单元,具体用于将所述多个目标物图像对应的多个目标物名称转换为第一词向量,并将所述多种案件类型各自对应的多个预设目标物名称分别转换为第二词向量;针对所述多种案件类型中的每种案件类型,对该种案件类型对应的第二词向量和所述第一词向量计算向量距离,并根据所述向量距离确定该种案件类型的置信度,其中,向量距离越大,所述置信度越小;根据所述多种案件类型各自的置信度,从所述多种案件类型中确定多个候选案件类型。
可选地,所述置信度确定子模块包括:
关键词提取单元,用于对所述音频数据进行语音识别,得到所述音频数据对应的文字段,并从所述文字段中提取所述音频数据对应的多个关键词;
置信度确定单元,用于针对所述多个候选案件类型中的每个候选案件类型,获取该候选案件类型对应的多个预设关键词,并根据所述音频数据对应的多个关键词和该候选案件类型对应的多个预设关键词,确定该候选案件类型的置信度。
可选地,所述置信度确定单元,具体用于将所述音频数据对应的多个关键词转换为第三词向量,并将所述候选案件类型对应的多个预设关键词转换为第四词向量;计算所述第三词向量和所述第四词向量之间的向量距离,并根据上述向量距离确定所述候选案件类型的置信度,其中,向量距离越大,所述置信度越小。
基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的辅助执法的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的辅助执法的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种辅助执法的方法、装置、服务端及可读存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。