一种基于深度学习的恐慌度计算方法和装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的恐慌度计算方法和装置，该方法包括：获取正常人群图像集和恐慌人群图像集，所述正常人群图像集包括多张正常人群图像，所述恐慌人群图像集包括多张恐慌人群图像；分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度；根据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级；利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络。本发明专利技术还公开了相应的恐慌度计算装置。

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.

【技术实现步骤摘要】
一种基于深度学习的恐慌度计算方法和装置
本专利技术涉及一种基于深度学习的恐慌度计算方法和装置。
技术介绍
目前，传统机器学习方法需要人工指定能描述人群恐慌的图像特征，然后利用机器学习的方法训练检测当前图像是否发生恐慌的模型，最后用该模型来进行人群恐慌检测。该方法只是对当前图像是否发生恐慌进行检测，而没有对恐慌度等级进行衡量，只能在发生恐慌之后才能检测得到。其次，传统机器学习的方法利用了手工提取特征，这种方式提取得到的特征往往很难很好匹配具体的任务，并且这种方式提取特征耗时较多，很难达到实时性。凭借个人经验判定人群恐慌的严重程度，主观性很强，评判结果有偏差，难以统一一种评判标准。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的恐慌度计算方法和装置，以力图解决或者至少缓解上面存在的问题。第一方面，本申请的方案提供一种基于深度学习的恐慌度计算方法，包括：获取正常人群图像集和恐慌人群图像集，所述正常人群图像集包括多张正常人群图像，所述恐慌人群图像集包括多张恐慌人群图像；分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度；根据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级；利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络。可选地，在根据本专利技术的方法中，所述分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度，包括：计算每个所述正常人群图像和每个所述恐慌人群图像的运动熵、速度熵和方向熵；对所述每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度；对所述每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度。可选地，在根据本专利技术的方法中，所述对所述每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度，包括：计算每个所述正常人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个正常图像度量值；计算所述多个图像度量值的均值，得到所述正常人群恐慌度。可选地，在根据本专利技术的方法中，所述对所述每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度，包括：计算每个所述恐慌人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个恐慌图像度量值；将所有的所述恐慌图像度量值进行排序，计算阈值数目的所述恐慌图像度量值的平均值，得到所述恐慌人群恐慌度。可选地，在根据本专利技术的方法中，所述利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络，包括：利用卷积神经网络模型建立每个所述正常人群图像的色彩矩阵、每个所述恐慌人群图像的色彩矩阵与所述恐慌度等级之间的映射关系，得到所述卷积神经网络。第二方面，本申请的方案提供一种基于深度学习的卷积神经网络计算装置，包括：图像接收单元，用于获取正常人群图像集和恐慌人群图像集，所述正常人群图像集包括多张正常人群图像，所述恐慌人群图像集包括多张恐慌人群图像；第一计算单元，用于分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度；等级确定单元，用于根据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级；第二计算单元，用于利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络。可选地，在根据本专利技术的装置中，所述第一计算单元还用于：计算每个所述正常人群图像和每个所述恐慌人群图像的运动熵、速度熵和方向熵；对所述每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度；对所述每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度。可选地，在根据本专利技术的装置中，所述第一计算单元还用于：计算每个所述正常人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个正常图像度量值；计算所述多个图像度量值的均值，得到所述正常人群恐慌度。可选地，在根据本专利技术的装置中，所述第一计算单元还用于：计算每个所述恐慌人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个恐慌图像度量值；将所有的所述恐慌图像度量值进行排序，计算阈值数目的所述恐慌图像度量值的平均值，得到所述恐慌人群恐慌度。可选地，在根据本专利技术的装置中，所述第二计算单元还用于：利用卷积神经网络模型建立每个所述正常人群图像的色彩矩阵、每个所述恐慌人群图像的色彩矩阵与所述恐慌度等级之间的映射关系，得到所述恐慌度计算网络。根据本专利技术的技术方案，利用深度学习技术学习人群图像与人群图像的恐慌度之间的映射关系，建立恐慌度计算网络，可以自动快速地得到图像的恐慌度，检测速度较快，达到实时检测的目的，同时，可以根恐慌度在未发生恐慌时，达到预防人群恐慌发生的目的。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1示出了本专利技术实施例所提供的一种恐慌度计算方法的流程图；图2示出了本专利技术实施例所提供的恐慌度等级确定方法的流程图；图3示出了本专利技术实施例所提供的一种恐慌度计算装置的结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1示出了根据本专利技术实施例所提供的一种恐慌度计算方法的流程图。如图1所示，该方法始于步骤S110。在步骤S110中，获取正常人群图像集和恐慌人群图像集。其中，正常人群图像集包括多张正常人群图像，恐慌人群图像集包括多张恐慌人群图像。正常人群图像集和恐慌人群图像集是由人工筛选得到的，如，正常人群图像是在正常人群图像视频中截取的每一帧图像，恐慌人群图像是在恐慌人群图像视频中截取的每一帧图像，正常人群图像集和恐慌人群图像集中图像的数量在此不做任何限制。在步骤S120中，分别对正常人群图像集和恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度。在一种实施方式中，计算每个正常人群图像和每个恐慌人群图像的运动熵、速度熵和方向熵；对每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度；对每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度。在一种实施方式中，计算每个正常人群图像的所述运动熵、速度熵和方向熵的平均值，得到多个正常图像度量值；计算多个图像度量值的均值，得到正常人群恐慌本文档来自技高网...

【技术保护点】
一种基于深度学习的恐慌度计算方法，其特征在于，包括：获取正常人群图像集和恐慌人群图像集，所述正常人群图像集包括多张正常人群图像，所述恐慌人群图像集包括多张恐慌人群图像；分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度；根据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级；利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络。

【技术特征摘要】
1.一种基于深度学习的恐慌度计算方法，其特征在于，包括：获取正常人群图像集和恐慌人群图像集，所述正常人群图像集包括多张正常人群图像，所述恐慌人群图像集包括多张恐慌人群图像；分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度；根据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级；利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络。2.如权利要求1所述的方法，其特征在于，所述分别对所述正常人群图像集和所述恐慌人群图像集进行处理，得到正常人群恐慌度和恐慌人群恐慌度，包括：计算每个所述正常人群图像和每个所述恐慌人群图像的运动熵、速度熵和方向熵；对所述每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度；对所述每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度。3.如权利要求2所述的方法，其特征在于，所述对所述每个正常人群图像的运动熵、速度熵和方向熵进行处理，得到正常人群恐慌度，包括：计算每个所述正常人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个正常图像度量值；计算所述多个图像度量值的均值，得到所述正常人群恐慌度。4.如权利要求2所述的方法，其特征在于，所述对所述每个恐慌人群图像的运动熵、速度熵和方向熵进行处理，得到恐慌人群恐慌度，包括：计算每个所述恐慌人群图像的所述运动熵、所述速度熵和所述方向熵的平均值，得到多个恐慌图像度量值；将所有的所述恐慌图像度量值进行排序，计算阈值数目的所述恐慌图像度量值的平均值，得到所述恐慌人群恐慌度。5.如权利要求1所述的方法，其特征在于，所述利用卷积神经网络模型对每个所述正常人群图像、每个所述恐慌人群图像和所述恐慌度等级进行处理，得到恐慌度计算网络，包括：利用卷积神经网络模型建立每个所述正...

【专利技术属性】
技术研发人员：谢伟浩，陈芳林，
申请(专利权)人：深圳市深网视界科技有限公司，
类型：发明
国别省市：广东,44