重庆电子类语音关键事件检测设计

    便可以提高关于目标防护舱的事件检测结果的准确率。而上述事件检测结果中可以包括目标语音关键事件检测防护舱内所发生的事件类型，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。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。为一种防护舱的实物图；(a)为一种用于实时采集关于防护舱的图像的图像采集设备的安装位置的竖直剖面；(b)为一种用于实时采集关于防护舱的图像的图像采集设备的安装位置的水平剖面示意；为本发明实施例提供的一种事件检测方法的流程；为本发明实施例提供的另一种事件检测方法的流程；为本发明实施例提供的另一种事件检测方法的流程；为本发明实施例提供的一种事件检测装置的结构示意图；为本发明实施例提供的一种电子设备的结构。具体实施方式下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述。语音关键事件检测目前使用情况如何？重庆电子类语音关键事件检测设计

    每种类型与某一数字对应，以便于计算机的处理，则可以分别标记为[0,1,2,3,4,...,29,30]。在本申请的示例性实施例中，因计算机无法直接处理中文，因此可以将句子(语句)中每一个单词转化为数字的映射。即，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，所述获得语句的向量化语义表示w1可以包括：通过双向lstm网络模型或bert模型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，在通过双向lstm网络获得语句的向量化语义表示w1之前，所述方法还可以包括：将语句中的m个字符随机初始化为一个维度为[m，n]的n维向量d，其中，对于从0到m-1的索引id，每个id对应一个不同的字符；对于长度为s的语句，该语句中每一个字符能够在向量d中找到对应的id，从而获得维度为[s，d]的向量。在本申请的示例性实施例中，通过双向lstm网络获得语句的向量化语义表示w1可以包括：将维度为[s，d]的向量输入预设的双向lstm神经网络，将所述双向lstm神经网络的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，假设语料中一共有20000个不同的字符(汉字和/或单词，可以包括其他常用符号)，每个字符可以随机初始化为一个300维的向量，则可以得到一个维度为[20000。重庆移动语音关键事件检测介绍语音关键事件检测主要对哪些领域有大作用？

    便可以极大地减少监控人员在查看视频时所耗费的时间。另一种具体实现方式中，上述本发明实施例提供的一种事件检测方法还可以包括如下步骤c2：步骤c2：在关于目标防护舱的监控视频中，为当前帧图像添加第二标签，其中，第二标签包括：所发生异常事件类型对应的类型标签。当用于采集关于目标防护舱的图像的图像采集设备和用于对目标防护舱进行监控的摄像头为同一设备时，电子设备实时获取的关于目标防护舱的图像即为关于目标防护舱的监控视频中的每个视频帧。这样，当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以通过第二标签对当前帧图像进行标记，该第二标签中包括：当前时刻目标防护舱内出现的异常事件的类型的类型标签。这样，当监控人员需要查看目标防护舱的监控视频中与该异常事件对应的视频内容时，便可以直接通过异常事件的类型标签，在监控视频的进度条上查找该类型标签对应的视频帧的录制时间。进一步的，监控人员便可以根据所查找到的时间，直接调取与该时间对应的监控视频的视频内容。这样，便可以极大地减少监控人员在查看视频时所耗费的时间。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。

    300]的向量d，其中对于索引id从0至19999，每个id对应一个不同的汉字。那么对于一句话(长度为s)中的每一个字符，都可以在d中找到对应的id，从而获取对应的向量，因此可以得到一个维度为[s,300]的向量。然后可以使用双向lstm神经网络得到句子的语义表示向量w1。在本申请的示例性实施例中，通过bert模型获得语句的向量化语义表示w1可以包括：将语句直接输入所述bert模型，将所述bert模型的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，使用bert模型时，可以将句子直接输入至bert模型，bert模型的输出即可以作为句子的向量化语义表示w1。在本申请的示例性实施例中，所述向量化语义表示w1的维度可以为[s，d1]；其中，当通过双向lstm网络获得语句的向量化语义表示w1时，d1为2*lstm隐层节点数；当通过bert模型获得语句的向量化语义表示w1时，d1＝768。在本申请的示例性实施例中，设以上两种方法得到的语义表示为w1，则,1的维度为[s,d1]，其中s为句子长度；如果使用双向lstm网络获得语句的向量化语义表示w1，则d1为2*lstm隐层节点数，如果使用bert模型获得语句的向量化语义表示w1，则d1＝768。s102、对所述向量化语义表示w1进行span划分，得到多个语义片段。语音关键事件检测的意义是什么？

    本发明涉及语音关键事件检测技术，特别是涉及一种事件语音关键事件检测。背景技术：当前，很多银行通过设置语音关键事件检测防护舱来为用户提供更便捷的金融服务。所谓防护舱，是一种离行式或在行式的智能化金融服务设施，其具有完善的结构设计，可以实现智能化控制和远程监控，保障内部atm(automatictellermachine，自动柜员机)及其它金融服务设备全天候安全、以及可靠地运行。其中，离行式是指设置在银行营业网点之外的地方，例如，住宅小区、校园、地铁站等公共场所；在行式是指设置在银行营业网点中。可以理解的，当用户进入语音关键事件检测防护舱进行金融活动时，有些时候会出现倒地、剧烈运动、破坏设备等异常事件，例如，老人突然身体不适晕倒、有人抢夺用户的银行卡、有人恶意破坏设备等情况。为了保障用户的人身和财产安全，需要对用户在防护舱中出现的异常事件进行检测，以便于可以及时救治或报警。相关方案中，检测用户在语音关键事件检测防护舱内出现倒地事件的方案是：在防护舱的两侧面板上距离地面1米。这样，用户在进入到防护舱时，便进入到红外线发射器的感测范围内，进而，由于用户身体的遮挡。语音关键事件检测的应用步骤是如何的？重庆移动语音关键事件检测介绍

语音关键事件检测领域有哪些？欢迎来电咨询！重庆电子类语音关键事件检测设计

    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为：正常事件7％，倒地事件概率40％，剧烈运动事件48％，破坏设备事件5％；光流图检测饿模型的权重为：，则可以得到第二乘积为：正常事件％，倒地事件概率8％，剧烈运动事件％，破坏设备事件1％；乘积和乘积的和值为：正常事件％，倒地事件概率48％，剧烈运动事件44％，破坏设备事件％；则电子设备可以确定关于目标防护舱的事件监测结果为：目标防护舱内用户出现倒地事件。需要说明的是，与上述实施例三类似的，上述步骤g2。重庆电子类语音关键事件检测设计