一種基于深度學習的恐慌度計算方法和裝置制造方法及圖紙

本發明專利技術提供了一種基于深度學習的恐慌度計算方法和裝置，該方法包括：獲取正常人群圖像集和恐慌人群圖像集，所述正常人群圖像集包括多張正常人群圖像，所述恐慌人群圖像集包括多張恐慌人群圖像；分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度；根據所述正常人群恐慌度和所述恐慌人群恐慌度建立恐慌度等級；利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡。本發明專利技術還公開了相應的恐慌度計算裝置。

Method and device for calculating panic degree based on depth learning

The invention provides a deep learning based on panic degree calculation method and device. The method includes: obtaining the normal crowd image set and panic in the crowd image set, the normal population of the image set includes a plurality of images of the normal population, the panic in the crowd image set including image a panic crowd; of the normal population the image set and the panic crowd image set processing, get the normal crowd panic and panic crowd panic; according to the normal population and the population of panic panic panic panic to establish the degree of grade; using convolution neural network model for each of the normal images, each of the image and the crowd panic panic level processing, computing networks of panic. The invention also discloses a corresponding panic calculation device.

【技術實現步驟摘要】
一種基于深度學習的恐慌度計算方法和裝置
本專利技術涉及一種基于深度學習的恐慌度計算方法和裝置。
技術介紹
目前，傳統機器學習方法需要人工指定能描述人群恐慌的圖像特征，然后利用機器學習的方法訓練檢測當前圖像是否發生恐慌的模型，最后用該模型來進行人群恐慌檢測。該方法只是對當前圖像是否發生恐慌進行檢測，而沒有對恐慌度等級進行衡量，只能在發生恐慌之后才能檢測得到。其次，傳統機器學習的方法利用了手工提取特征，這種方式提取得到的特征往往很難很好匹配具體的任務，并且這種方式提取特征耗時較多，很難達到實時性。憑借個人經驗判定人群恐慌的嚴重程度，主觀性很強，評判結果有偏差，難以統一一種評判標準。
技術實現思路
有鑒于此，本專利技術的目的在于提供一種基于深度學習的恐慌度計算方法和裝置，以力圖解決或者至少緩解上面存在的問題。第一方面，本申請的方案提供一種基于深度學習的恐慌度計算方法，包括：獲取正常人群圖像集和恐慌人群圖像集，所述正常人群圖像集包括多張正常人群圖像，所述恐慌人群圖像集包括多張恐慌人群圖像；分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度；根據所述正常人群恐慌度和所述恐慌人群恐慌度建立恐慌度等級；利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡。可選地，在根據本專利技術的方法中，所述分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度，包括：計算每個所述正常人群圖像和每個所述恐慌人群圖像的運動熵、速度熵和方向熵；對所述每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度；對所述每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度。可選地，在根據本專利技術的方法中，所述對所述每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度，包括：計算每個所述正常人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個正常圖像度量值；計算所述多個圖像度量值的均值，得到所述正常人群恐慌度。可選地，在根據本專利技術的方法中，所述對所述每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度，包括：計算每個所述恐慌人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個恐慌圖像度量值；將所有的所述恐慌圖像度量值進行排序，計算閾值數目的所述恐慌圖像度量值的平均值，得到所述恐慌人群恐慌度。可選地，在根據本專利技術的方法中，所述利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡，包括：利用卷積神經網絡模型建立每個所述正常人群圖像的色彩矩陣、每個所述恐慌人群圖像的色彩矩陣與所述恐慌度等級之間的映射關系，得到所述卷積神經網絡。第二方面，本申請的方案提供一種基于深度學習的卷積神經網絡計算裝置，包括：圖像接收單元，用于獲取正常人群圖像集和恐慌人群圖像集，所述正常人群圖像集包括多張正常人群圖像，所述恐慌人群圖像集包括多張恐慌人群圖像；第一計算單元，用于分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度；等級確定單元，用于根據所述正常人群恐慌度和所述恐慌人群恐慌度建立恐慌度等級；第二計算單元，用于利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡。可選地，在根據本專利技術的裝置中，所述第一計算單元還用于：計算每個所述正常人群圖像和每個所述恐慌人群圖像的運動熵、速度熵和方向熵；對所述每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度；對所述每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度。可選地，在根據本專利技術的裝置中，所述第一計算單元還用于：計算每個所述正常人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個正常圖像度量值；計算所述多個圖像度量值的均值，得到所述正常人群恐慌度。可選地，在根據本專利技術的裝置中，所述第一計算單元還用于：計算每個所述恐慌人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個恐慌圖像度量值；將所有的所述恐慌圖像度量值進行排序，計算閾值數目的所述恐慌圖像度量值的平均值，得到所述恐慌人群恐慌度。可選地，在根據本專利技術的裝置中，所述第二計算單元還用于：利用卷積神經網絡模型建立每個所述正常人群圖像的色彩矩陣、每個所述恐慌人群圖像的色彩矩陣與所述恐慌度等級之間的映射關系，得到所述恐慌度計算網絡。根據本專利技術的技術方案，利用深度學習技術學習人群圖像與人群圖像的恐慌度之間的映射關系，建立恐慌度計算網絡，可以自動快速地得到圖像的恐慌度，檢測速度較快，達到實時檢測的目的，同時，可以根恐慌度在未發生恐慌時，達到預防人群恐慌發生的目的。為使本專利技術的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。附圖說明為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本專利技術的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他相關的附圖。圖1示出了本專利技術實施例所提供的一種恐慌度計算方法的流程圖；圖2示出了本專利技術實施例所提供的恐慌度等級確定方法的流程圖；圖3示出了本專利技術實施例所提供的一種恐慌度計算裝置的結構圖。具體實施方式為使本專利技術實施例的目的、技術方案和優點更加清楚，下面將結合本專利技術實施例中附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本專利技術實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本專利技術的實施例的詳細描述并非旨在限制要求保護的本專利技術的范圍，而是僅僅表示本專利技術的選定實施例。基于本專利技術的實施例，本領域技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。圖1示出了根據本專利技術實施例所提供的一種恐慌度計算方法的流程圖。如圖1所示，該方法始于步驟S110。在步驟S110中，獲取正常人群圖像集和恐慌人群圖像集。其中，正常人群圖像集包括多張正常人群圖像，恐慌人群圖像集包括多張恐慌人群圖像。正常人群圖像集和恐慌人群圖像集是由人工篩選得到的，如，正常人群圖像是在正常人群圖像視頻中截取的每一幀圖像，恐慌人群圖像是在恐慌人群圖像視頻中截取的每一幀圖像，正常人群圖像集和恐慌人群圖像集中圖像的數量在此不做任何限制。在步驟S120中，分別對正常人群圖像集和恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度。在一種實施方式中，計算每個正常人群圖像和每個恐慌人群圖像的運動熵、速度熵和方向熵；對每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度；對每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度。在一種實施方式中，計算每個正常人群圖像的所述運動熵、速度熵和方向熵的平均值，得到多個正常圖像度量值；計算多個圖像度量值的均值，得到正常人群恐慌本文檔來自技高網...

【技術保護點】
一種基于深度學習的恐慌度計算方法，其特征在于，包括：獲取正常人群圖像集和恐慌人群圖像集，所述正常人群圖像集包括多張正常人群圖像，所述恐慌人群圖像集包括多張恐慌人群圖像；分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度；根據所述正常人群恐慌度和所述恐慌人群恐慌度建立恐慌度等級；利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡。

【技術特征摘要】
1.一種基于深度學習的恐慌度計算方法，其特征在于，包括：獲取正常人群圖像集和恐慌人群圖像集，所述正常人群圖像集包括多張正常人群圖像，所述恐慌人群圖像集包括多張恐慌人群圖像；分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度；根據所述正常人群恐慌度和所述恐慌人群恐慌度建立恐慌度等級；利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡。2.如權利要求1所述的方法，其特征在于，所述分別對所述正常人群圖像集和所述恐慌人群圖像集進行處理，得到正常人群恐慌度和恐慌人群恐慌度，包括：計算每個所述正常人群圖像和每個所述恐慌人群圖像的運動熵、速度熵和方向熵；對所述每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度；對所述每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度。3.如權利要求2所述的方法，其特征在于，所述對所述每個正常人群圖像的運動熵、速度熵和方向熵進行處理，得到正常人群恐慌度，包括：計算每個所述正常人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個正常圖像度量值；計算所述多個圖像度量值的均值，得到所述正常人群恐慌度。4.如權利要求2所述的方法，其特征在于，所述對所述每個恐慌人群圖像的運動熵、速度熵和方向熵進行處理，得到恐慌人群恐慌度，包括：計算每個所述恐慌人群圖像的所述運動熵、所述速度熵和所述方向熵的平均值，得到多個恐慌圖像度量值；將所有的所述恐慌圖像度量值進行排序，計算閾值數目的所述恐慌圖像度量值的平均值，得到所述恐慌人群恐慌度。5.如權利要求1所述的方法，其特征在于，所述利用卷積神經網絡模型對每個所述正常人群圖像、每個所述恐慌人群圖像和所述恐慌度等級進行處理，得到恐慌度計算網絡，包括：利用卷積神經網絡模型建立每個所述正...

【專利技術屬性】
技術研發人員：謝偉浩，陳芳林，
申請(專利權)人：深圳市深網視界科技有限公司，
類型：發明
國別省市：廣東,44