广州信息化语音关键事件检测是什么

    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。语音关键事件检测是未来语音识别和智能交互领域的重要研究方向之一。广州信息化语音关键事件检测是什么

    用于基于当前帧图像，确定待分析图像，其中，待分析图像为：关于目标防护舱及目标对象的图像；结果确定模块640，用于将待分析图像输入到预设的检测模型中，得到关于目标防护舱的事件检测结果；其中，检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。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，并判断当前时刻所采集到的当前帧图像是否包括目标对象，由于目标对象为：能够表征用户进入目标防护舱的用户身体部位，则可以基于当前帧图像判断当前时刻是否有用户进入目标防护舱。则当判断结果为是时，便可以基于当前帧图像，确定待分析图像，进而将该待分析图像输入到预设的检测模型中，得到关于目标防护舱的事件检测结果。这样，由于检测模型是基于各个样本图像和各个样本图像的事件检测结果所训练得到的模型，因此，检测模型充分学习了样本图像和事件检测结果之间的对应关系。基于此，在本发明实施例中，利用采集到的真实图像来确定待分析图像，利用训练好的检测模型对待分析图像进行检测，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防护舱内所发生的事件类型。上海信息化语音关键事件检测智能语音质检都有什么功能?

    产品功能ProductFunctions●自动语音关键事件检测（交通事故、违章停车、逆行、物品遗撒、行人穿越车道、排队等）●交通数据检测（车流量、车速、占有率、车型等）（固定场景）系统事件检测实景系统测速实景系统优势SystemAdvantages●高鲁棒性的背景更新技术，使得设备可在极短时间内适应所切换的新背景；●单设备检测区域广阔，采用视频识别、的方法，使得一个摄像头监控的区域能够覆盖多个车道；●误触发少，由于采用了运动轨迹的方法，能够保证每个目标只触发一次，避免了由于目标本身的差异造成的多次触发；●操作无需人为干预，采用了DSP前端处理，可以24小时不间断进行监测；●由于有丰富的模型库支持，可以识别多种异常事件情况；●无需破坏路面，无需路面养护等工作，维护方便。

    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。语音关键事件检测在音频编辑和音频处理领域也有应用，如自动剪辑音频中的特定部分或去除背景噪音等。

    虽然用户进入了目标防护舱，但是用户并没有在目标防护舱内停留，而是立刻离开了目标防护舱，又或者，在某个时刻，用户从目标防护舱前路过，而在此刻采集到的关于目标防护舱的图像恰好拍摄到用户投射到防护舱门上的影子。显然，在上述这些时刻，虽然电子设备获取的当前帧图像中存在目标对象，但是，电子设备可以确定在这些时刻目标防护舱内不会发生针对该目标对象所在的用户的异常事件，进而，不需要对这些时刻获取的关于目标防护舱的图像执行后续步骤s303-s304。因此，为了进一步节省电子设备的资源，减轻电子设备的运行负担，同时也为了避免误报，电子设备可以通过多种方式来确定执行步骤s303的条件。一种具体实现方式中，如图4所示，在上述步骤s303，基于当前帧图像，确定待分析图像之前，上述本发明实施例提供的一种事件检测方法还可以包括：s302a：判断当前帧图像和当前帧图像之前的连续预设数量帧图像，是否均包含目标对象，如果是，执行上述步骤s303。在本实现方式中，在获取到当前帧图像后，电子设备便可以利用图像识别算法判断当前帧图像和当前帧图像之前的连续预设数量帧图像，是否均包含目标对象。其中，当判断结果为是时。在安全监控领域，语音关键事件检测可以用于检测和识别异常声音事件，如求救声等。海南数字语音关键事件检测特征

智能语音质检都有什么功能?欢迎来电咨询！广州信息化语音关键事件检测是什么

    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，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，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，所述方法还可以包括：预先将触发词的类型划分为x种，将事件主体的类型划分为y种，其中，x、y均为正整数；在获得语句的向量化语义表示w1之前。广州信息化语音关键事件检测是什么