CN111105581A - 智能预警方法及相关产品 - Google Patents

Abstract

本发明实施例提供了智能预警方法及相关产品，应用于智能预警装置，该方法包括：通过接收器接收无人机通过通信器发送的目标图像，目标图像为无人机通过摄像头获取的建筑物场景的目标图像；处理器对目标图像进行图像处理，得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征；人工智能芯片将参数特征输入预设的第一神经网络模型中，得到目标对象存在危险的第一概率；若第一概率大于第一预设概率阈值，根据参数特征确定针对目标对象的预警措施，如此，可通过对建筑物中可能存在危险的物体进行危险概率计算，从而，可对可能存在的危险进行预警。

Description

智能预警方法及相关产品

技术领域

本发明涉及安全技术领域，具体涉及一种智能预警方法及相关产品。

背景技术

目前，为了保护人们在各种活动区域的安全，需要对危险进行情况进行预警，但是，有些地方的危险情况较难预测，因此，如何提高危险预警的智能性的问题需要解决。

发明内容

本发明实施例提供了一种智能预警方法及相关产品，通过对可能存在危险的物体进行危险概率计算，可对可能存在的危险进行预警。

本发明实施例第一方面提供了一种智能预警方法，应用于智能预警装置，所述智能预警装置包括接收器、处理器和人工智能芯片，所述智能预警装置与无人机之间进行通信连接，所述无人机包括摄像头和通信器，所述方法包括：

所述接收器接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的预警措施。

本发明实施例第二方面提供了一种智能预警装置，所述装置包括接收器、处理器和人工智能芯片，其中，

所述接收器，用于接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器，用于对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片，用于将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的预警措施。

第三方面，本发明实施例提供了一种智能预警装置，包括接收器、处理器、人工智能芯片，以及一个或多个计算机程序，其中，上述一个或多个计算机程序被存储在上述存储器中，并且被配置由上述接收器、处理器和人工智能芯片执行，上述程序包括用于执行本发明实施例第一方面中的步骤的指令。

第四方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本发明实施例第一方面中所描述的部分或全部步骤的指令。

第五方面，本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本发明实施例第一方面中所描述的部分或全部步骤。例如，该计算机程序产品可以为一个软件安装包。

实施本发明实施例，具有如下有益效果：

可以看出，通过上述本发明实施例所描述的智能预警方法及相关产品，通过接收器接收无人机通过通信器发送的目标图像，目标图像为无人机通过摄像头获取的建筑物场景的目标图像；处理器对目标图像进行图像处理，得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征；人工智能芯片将参数特征输入预设的第一神经网络模型中，得到目标对象存在危险的第一概率；若第一概率大于第一预设概率阈值，根据参数特征确定针对目标对象的预警措施，如此，可通过对可能存在危险的物体进行危险概率计算，可对可能存在的危险进行预警。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。

图1A是本发明实施例提供的一种智能预警系统的系统示意图；

图1B是本申请实施例提供的一种智能预警装置的结构示意图；

图1C是本申请实施例提供的一种人工智能芯片的结构示意图，；

图2是本发明实施例提供的一种智能预警方法的流程示意图；

图3是本申请实施例提供的另一种智能预警方法的流程示意图；

图4是本申请实施例提供的另一种智能预警装置的结构示意图；

图5是本申请实施例提供的另一种智能预警装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例所涉及到的智能预警装置可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(智能手表、智能手环、无线耳机、增强现实/虚拟现实设备、智能眼镜)、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，UE)，移动台(mobile station，MS)，终端设备(terminal device)等等。为方便描述，上面提到的设备统称为智能预警装置。

参阅图1A，图1A提供了一种实现智能预警方法的智能预警系统的系统示意图。智能预警系统可包括无人机和智能预警装置，无人机可至少包括摄像头和通信器。其中，摄像头可进行图像或者视频拍摄，通信器可用于与智能预警装置之间进行通信连接；智能预警装置执行用于实现智能预警方法中的控制、计算等操作，从而使无人机与智能预警装置之间能够进行数据传输，具体地，无人机拍摄到目标图像后，可通过通信器将该目标图像发送至智能预警装置的接收器，智能预警装置的接收器接收到目标图像后，可根据目标图像确定是否存在危险，从而，对可能存在危险的物体进行危险概率计算，并确定针对危险的目标预警措施。

参阅图1B，图1B提供了一种智能预警装置，该智能线路推荐装置可以实现智能危险预警，确定针对当前危险的目标预警措施，如图1B所示，该智能预警装置包括：接收器110、处理器111和人工智能芯片112。

可选地，上述智能预警装置还包括存储器113、发送器114。

其中，上述处理器111可以是通用处理器，例如中央处理单元(CentralProcessing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、图形处理器(Graphics Processing Unit，GPU)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。可选地，上述处理器111还可以是人工智能处理器。

请参阅图1C，图1C为本申请提供的一种人工智能芯片的结构示意图，该人工智能芯片其包括：第一处理电路、第二处理电路、第三处理电路、数据访问电路、第一存储器和多个第二存储器，每个第二处理电路与对应的一个第二存储器连接，数据访问单元与第一存储器和多个第二存储器分别连接。如图1C所示的结构，具有如下的优点，在运算前，数据访问单元从外部器件(即人工智能芯片外的器件，例如片外存储器)读取片外数据，然后将片外数据发送至第一存储器和/或第二存储器；在运算完毕后，数据访问单元将第一存储器和/或第二存储器的运算结果发送至外部器件，此结构能够减少人工智能芯片与外部器件的交互次数，从而降低功耗开销；另外，每个第二处理电路分配一个第二存储器，能够避免所有第二处理电路和第三处理电路共享同一个第二存储器而无法有效利用数据局部性而导致额外的访存开销。

外部器件在针对不同的场景可能有所不同，例如智能预警场景，其对应的外部器件可以包括处理器或者片外存储器，又例如图像识别场景，其对应的外部器件可以包括摄像头，其中，对于智能预警场景，其实现的方式具体可以包括：在智能预警装置的接收器接收无人机通过通信器发送的目标图像之后，处理器对目标图像进行图像处理得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征，然后人工智能芯片的数据访问单元从处理器读取参数特征，将该参数特征传输至数据转换器，数据转换器(例如模数转换器)将参数特征转换成输入数据传输给第一处理电路，第一处理电路将该接收到的输入数据分发至第二处理电路(可选的)，第二处理电路将数据转发至各个第三处理电路，各个第三处理电路执行各自计算后得到中间结果，将中间结果通过第二处理电路转发至第一处理电路，第一处理电路依据中间结果处理得到最终计算结果，依据该最终计算结果得到目标对象存在危险的第一概率，若该第一概率大于预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施。

请参阅图2，为本发明实施例提供的一种智能预警方法的流程示意图。本实施例中所描述的智能预警方法，应用于智能预警装置，所述智能预警装置包括接收器、处理器和人工智能芯片，所述智能预警装置与无人机之间进行通信连接，所述无人机包括摄像头和通信器，上述方法包括以下步骤：

201、接收器接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像。

本申请实施例中，可通过无人机飞到建筑物各个楼层的高度，对建筑物的窗口、窗台、阳台等区域进行拍摄，得到拍摄的目标图像，并通过无人机的通信器将目标图像发送至智能预警装置，从而，智能预警装置可接收通信器发送的目标图像。具体实施中，用户可操作无人机飞到建筑物的各个楼层对应的高度，对各个住户的窗口、窗台、阳台等区域拍摄目标图像。

202、处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征。

其中，上述目标对象可以为以下任意一种：花盆、衣物、鞋子、瓶子、晾衣杆等等，本申请实施例中，对所述目标图像进行图像识别，可以确定是否建筑物的窗口、窗台、阳台是否存在花盆、衣物、瓶子、晾衣杆等物体。

其中，上述属性参数可包括以下至少一种：名称、材质、尺寸、重量、位置、高度，与建筑物外墙之间的距离等等。具体地，针对不同的目标对象，对应的属性参数可不一样，例如，当目标对象为花盆，属性参数可包括以下至少一种：名称、尺寸、位置、高度、目标对象与建筑物外墙之间的距离等等，又例如，当目标对象为瓶子，属性参数可包括以下至少一种：名称、材质、尺寸、重量、位置、高度，目标对象与建筑物外墙之间的距离等等。

可选地，上述步骤202中，所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数，可包括以下步骤：

21、所述处理器对所述目标图像进行预处理，得到预处理图像；

22、将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，得到匹配结果；

23、根据所述匹配结果确定所述目标对象的以下至少一个属性参数：名称、材质、尺寸。

其中，上述预处理可包括以下至少一种：滤波处理、图像增强等等，其中，通过滤波处理，可对目标图像进行去噪，通过图像增强，可以使目标图像更加清晰。进行滤波处理的算法可包括以下任意一种：均值滤波(normalized box filter，NBF)算法、高斯滤波(Gaussian filter，GF)算法、双边滤波(bilateral filter，BF)等，此处不作限制，进行图像增强的算法可包括以下任意一种：直方图均衡化(Histogram Equalization，HE)算法、对数图像增强算法、指数图像增强算法、拉普拉斯算子图像增强算法、Gamma校正算法等等，此处不作限制。

其中，处理器将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，可先对预处理图像进行图像分割，得到分割后的区域图像；然后，可对区域图像进行特征提取，得到目标特征，具体地，可通过特征提取算法进行特征提取，其中，进行特征提取的算法可包括以下任意一种：HOG特征提取算法、LBP特征提取算法、Haar-like特征提取算法等等，在此不做限定；进一步地，可将目标特征与图像模板集合中的图像模板对应的特征进行匹配，得到与目标特征匹配成功的参考特征，最后确定参考特征对应的目标对象的名称。

可选地，处理器可预先获取多个对象中每一对象的特征，得到多个特征，进而可根据多个对象与多个特征设定对象与特征之间的对应关系，从而，在得到与目标特征匹配成功的参考特征之后，可根据该对应关系确定与参考特征对应的目标对象。

其中，可将预处理图像与图像模板集合中与该名称对应的多个不同材质的多个图像模板进行匹配，得到与预处理图像匹配成功的目标图像模板，然后，根据预设的图像模板与材质之间的映射关系确定目标图像模板对应的材质。此外，还可确定预处理图像中目标对象的第一尺寸，以及确定目标图像模板中目标对象对应的参考对象的第二尺寸，第二尺寸对应一个参考实际尺寸，因此，可根据第一尺寸、第二尺寸和该参考实际尺寸确定目标对象的目标实际尺寸，其中，目标实际尺寸＝第一尺寸*参考实际尺寸/第二尺寸。

可选地，上述步骤202，所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数，可包括以下步骤：

24、所述处理器获取所述无人机的第一高度和第一位置；

25、确定所述目标对象在所述目标图像中的目标位置；

26、根据所述第一高度、第一位置以及所述目标位置确定所述目标对象的第二位置和第二高度。

其中，获取无人机的第一高度和第一位置，具体地，可接收无人机发射的无人机拍摄目标图像时，摄像头的第一高度和第一位置，并获取目标对象在目标图像中的目标位置，进而，可根据所述第一高度、第一位置、所述目标位置以及摄像头拍摄角度确定目标对象的第二位置和第二高度。

可选地，处理器还可根据目标对象的第二位置和第一位置确定目标对象与无人机之间的位置关系，此外，若目标图像中拍摄到的建筑物外墙，还可确定建筑物外墙与无人机之间的第一距离，进而，可根据第一距离以及上述目标对象与无人机之间的位置关系确定目标对象与建筑物外墙之间的距离。

可选地，针对有些目标对象，例如瓶子、晾衣杆等物体，处理器可在确定目标对象的材质和尺寸后，可根据材质确定目标对象的密度，根据该尺寸确定目标对象的体积，进而根据该密度和体积确定目标对象的重量。

其中，可对上述名称、材质、尺寸、重量、位置、高度，与建筑物外墙之间的距离等属性参数进行特征提取，得到对应的参数特征，从而，可将参数特征输入到预设的第一神经网络模型中进行运算。

203、人工智能芯片将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施。

其中，人工智能芯片可预先训练第一神经网络模型，第一神经网络模型可以包括以下至少一种：卷积神经网络模型、循环神经网络模型、脉冲神经网络模型等等，在此不做限定。具体地，人工智能芯片可将目标对象的多个维度的属性参数对应的多个参数特征输入第一神经网络模型，得到目标对象存在危险的第一概率。

本申请实施例中，人工智能芯片预先训练第一神经网络模型，具体可先获取特征样本集，其中，特征样本集中可包括多个样本对象对应的多个特征样本子集，多个样本对象与多个特征样本子集可一一对应，每一特征样本子集包括对应样本对象的多个特征样本，然后，可将多个特征样本子集中每一特征样本子集中的多个特征样本输入神经网络模型中进行训练，得到第一神经网络模型。

进一步地，若所述第一概率大于预设概率阈值，人工智能芯片可根据所述第一概率确定针对所述目标对象的预警措施。

其中，预设概率阈值可以由用户自行设置或者系统默认，例如，预设概率阈值可以为75％、80％等等。

其中，智能预警装置可预先设置预设概率阈值，从而，可在得到目标对象存在危险的第一概率之后，若第一概率大于预设概率阈值，可确定目标对象发生危险的可能性较高，造成危险的可能性比较大，进而，可根据参数特征确定针对目标对象的预警措施。

以高空坠物预警场景为例，上述预警措施可包括以下至少一种：窗口修缮措施、雨棚措施、围栏措施等等，此处不作限定。在确定针对所述目标对象的预警措施之后，可将上述预警措施推送给管理人员，从而，可帮助管理人员对可能发生的危险进行预防，防止高空坠物事件的发生。

可选地，上述步骤203的人工智能芯片根据所述参数特征确定针对所述目标对象的目标预警措施之前，还可包括以下步骤：

31、所述处理器获取所述建筑物旁道路的人流量；

上述步骤203中，所述人工智能芯片根据所述参数特征确定针对所述目标对象的目标预警措施，可包括以下步骤：

32、所述人工智能芯片将所述参数特征和所述人流量输入预设的第二神经网络模型，得到所述目标对象存在目标危险类型的第二概率；

33、若所述第二概率大于第二预设概率阈值，从预设的预警措施查找表中查找与所述目标危险类型对应的目标预警措施，其中，所述预警措施查找表中包括预设的多个危险类型对应的多个预警措施。

其中，在高空坠物预警场景下，考虑到建筑物旁道路的人流量越大，发生高空坠物时发生坠物伤人危险的可能性越大，建筑物旁道路的人流量越小，发生高空坠物时发生坠物伤人危险的可能性越小，因此，可根据不同人流量大小设置不同类型的预警措施，例如，人流量越大，表明建筑物旁道路经常有人来往行走，进而可设置安全性更好、预算更高的预警措施，从而，可获取建筑物旁道路在预设时间段内的人流量，预设时间段内可以是一个小时内、半天内、24小时内等等，此处不作限定。

可选地，上述步骤31中，处理器获取所述建筑物旁道路的人流量，可包括以下步骤：

3101、获取预设时间段内针对所述建筑物旁道路的拍摄视频；

3102、对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量；

3103、根据所述预设时间段和所述人员数量确定所述人流量。

具体地，可通过道路旁的监控摄像头获取预设时间段内的拍摄视频，然后对该拍摄视频进行处理，得到预设时间段内该拍摄视频内出现的人员数量，最后，可根据该预设时间段和人员数量确定人流量。

可选地，上述步骤3102中，处理器对拍摄视频进行处理，得到预设时间段内该拍摄视频内出现的人员数量，可包括以下步骤：

3111对所述拍摄视频进行解析，得到多个视频图像；

3112、对所述多个视频图像进行图像质量评价，得到多个图像质量评价值，所述多个视频图像与所述多个图像质量评价值一一对应；

3113、选取所述多个视频图像中图像质量评价值超过预设阈值的图像质量评价值对应的目标视频图像，得到多个目标视频图像；

3114、对所述多个目标视频图像进行人像识别，得到多个人像区域图像；

3115、对所述多个人像区域图像进行统计，得到多个所述预设时间段内所述拍摄视频内出现的人员数量。

其中，上述预设阈值可由用户自行设置或者系统默认，在将拍摄视频进行解析，得到多个视频图像之后，可将多个视频图像中每一视频图像进行质量评价，得到多个图像质量评价值，从而，图像质量评价值越高，对应的视频图像质量越好。

具体地，智能预警装置可根据预设的图像质量评价指标对每一视频图像进行质量评价，图像质量评价指标可包括以下至少一种：均值、标准差、熵、清晰度、信噪比等等。其中，对每一视频图像进行质量评价，可根据上述一种图像质量评价指标进行评价，也可根据上述多种图像质量评价指标进行评价，例如，以熵对视频图像进行图像质量评价值，当熵越大，则可确定图像质量越好，相反地，熵越小，则表明图像质量越差。又例如，当清晰度越高，表明图像质量越好。

可选地，本申请实施例中，还可包括以下步骤：

3121、处理器获取所述多个视频图像中每一视频图像中的拍摄对象与摄像头之间的拍摄距离，得到多个拍摄距离；

3122、根据所述多个拍摄距离中每一拍摄距离确定对应的视频图像对应的图像质量评价指标集合，得到多个图像质量评价指标集合，每一所述图像质量评价指标集合包括至少一个图像质量评价指标，所述多个图像质量评价指标集合与所述多个视频图像一一对应；

所述对所述多个视频图像进行图像质量评价，得到多个图像质量评价值，包括：

3123、根据所述多个图像质量评价指标集合中每一图像质量评价指标集合中的至少一个图像质量评价指标对对应的视频图像进行质量评价，得到所述多个图像质量评价值。

其中，在通过摄像头进行视频拍摄时，可控制摄像头获取进行拍摄时拍摄对象与摄像头之间的距离，拍摄对象例如可以是人、动物、车辆等等。

其中，处理器可预先获取多个拍摄距离下每一拍摄距离对应的至少一个图像质量评价指标，并设定拍摄距离与图像质量评价指标集合之间的对应关系，其中，每一拍摄距离对应一个包括至少一个图像质量评价指标的图像质量评价指标集合。从而，可在确定多个拍摄距离之后，根据预设的拍摄距离与图像质量评价指标集合之间的对应关系确定多个拍摄距离中每一拍摄距离确定对应的视频图像对应的图像质量评价指标集合，得到多个图像质量评价指标集合。

举例说明，当根据熵、清晰度、信噪比对每一视频图像进行质量评价时，可预先设定熵、清晰度、信噪比分别对应的第一权值、第二权值和第三权值，还可设定熵与评价值之间的第一对应关系，清晰度与评价值之间的第二对应关系，以及信噪比与评价值之间的第三对应关系，从而，可分别确定每一视频图像的熵、清晰度、信噪比，然后，根据上述第一对应关系确定每一视频图像的熵对应的第一参考评价值，根据上述第二对应关系确定每一视频图像的清晰度对应的第二参考评价值，根据上述第三对应关系确定每一视频图像的信噪比对应的第三参考评价值，然后根据第一参考评价值、第二参考评价值、第三参考评价值以及上述预先设定的第一权值、第二权值和第三权值确定每一视频图像的图像质量评价值，具体公式可以为：图像质量评价值＝第一参考评价值*第一权值+第二参考评价值*第二权值+第三参考评价值*第三权值。

其中，人工智能芯片还可预先训练第二神经网络模型，具体地，人工智能芯片可将目标对象的多个维度的属性参数对应的多个参数特征和人流量数据输入第二神经网络模型，得到目标对象存在目标危险类型的第二概率。

本申请实施例中，人工智能芯片预先训练第二神经网络模型，具体可先获取数据样本集，其中，数据样本集中可包括多个样本对象对应的多个数据样本子集，多个样本对象与多个特征样本子集可一一对应，每一数据样本子集包括对应样本对象的多个特征样本和人流量数据样本，然后，可将多个数据样本子集中每一数据样本子集中的多个特征样本和人流量数据样本输入神经网络模型中进行训练，得到第二神经网络模型。

人工智能芯片还可预先设置包括一一对应的多个危险类型与多个预警措施的预警措施查找表，如下表1所示，为本发明实施例提供的一种预警措施查找表的示例：

危险类型	预警措施
		第I类型	窗口修缮措施
第II类型	雨棚措施
		第III类型	围栏措施
...	...

表1

具体实现中，在确定目标对象存在目标危险类型的第二概率，且第二概率大于第二预设概率阈值后，从该预设的预警措施查找表中查找与目标危险类型对应的目标预警措施。例如，若所述目标危险类型为第I类型，可确定目标预警措施为窗口修缮措施，窗口修缮措施用于指示对存在危险的目标物体的窗口进行修缮；若所述目标危险类型为第II类型，可确定目标预警措施为雨棚措施，所述雨棚措施用于指示在所述建筑物的预设楼层设置雨棚；若所述目标危险类型为第III类型，可确定目标预警措施为围栏措施，所述围栏措施用于指示在所述道路旁靠近所述建筑物预设距离的范围设置围栏，其中围栏的第一保护范围大于雨棚覆盖的第二保护范围。如此，可在确定目标危险类型之后，确定该目标危险类型对应的目标预警措施，从而，可以针对不同危险情况确定更加合适的预警措施。

可以看出，通过本发明实施例所描述的智能预警方法，通过接收器接收无人机通过通信器发送的目标图像，目标图像为无人机通过摄像头获取的建筑物场景的目标图像；处理器对目标图像进行图像处理，得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征；人工智能芯片将参数特征输入预设的第一神经网络模型中，得到目标对象存在危险的第一概率；若第一概率大于第一预设概率阈值，根据参数特征确定针对目标对象的预警措施，如此，可通过对建筑物中可能存在危险的物体进行危险概率计算，从而，可对可能发生的危险进行预警。

与上述图2一致地，请参阅图3，为本发明实施例提供的一种智能预警方法的实施例流程示意图。本实施例中所描述的智能预警方法，应用于智能预警装置，所述智能预警装置包括接收器、处理器和人工智能芯片，所述智能预警装置与无人机之间进行通信连接，所述无人机包括摄像头和通信器，上述方法包括以下步骤：

301、接收器接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像。

302、处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征。

303、人工智能芯片将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率。

304、若所述第一概率大于第一预设概率阈值，所述处理器获取所述建筑物旁道路的人流量。

305、所述人工智能芯片将所述参数特征和所述人流量输入预设的第二神经网络模型，得到所述目标对象存在目标危险类型的第二概率。

306、若所述第二概率大于第二预设概率阈值，所述人工智能芯片从预设的预警措施查找表中查找与所述目标危险类型对应的目标预警措施，其中，所述预警措施查找表中包括预设的多个危险类型对应的多个预警措施。

其中，上述步骤301-306的具体描述可以参照图2所述的智能预警方法的相应描述，在此不再赘述。

可以看出，通过本发明实施例所描述的智能预警方法，通过接收器接收无人机通过通信器发送的目标图像，目标图像为无人机通过摄像头获取的建筑物场景的目标图像；处理器对目标图像进行图像处理，得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征；人工智能芯片将参数特征输入预设的第一神经网络模型中，得到目标对象存在危险的第一概率；若第一概率大于第一预设概率阈值，处理器获取所述建筑物旁道路的人流量，人工智能芯片将参数特征和人流量输入预设的第二神经网络模型，得到目标对象存在目标危险类型的第二概率；若第二概率大于第二预设概率阈值，从预设的预警措施查找表中查找与目标危险类型对应的目标预警措施，如此，可通过对建筑物中可能存在危险的物体进行危险概率计算，提高计算第一概率的运算速度，从而，可更加快速有效地对可能发生的危险进行预警。

以下是实施上述智能预警方法的装置，具体如下：

与上述一致地，请参阅图4，图4是本申请实施例提供的一种智能预警装置的结构示意图，本实施例中所描述的智能预警装置400包括：处理器410、存储器420、接收器430和人工智能芯片440；以及一个或多个程序，所述一个或多个程序421被存储在所述存储器中，并且被配置成由所述处理器410、接收器430和人工智能芯片440执行，所述程序421包括用于执行以下步骤的指令：

接收器接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施

在一个可能的示例中，在所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数方面，所述程序421包括用于执行以下步骤的指令：

所述处理器对所述目标图像进行预处理，得到预处理图像；

将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，得到匹配结果；

根据所述匹配结果确定所述目标对象的属性参数。

在一个可能的示例中，在所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数方面，所述程序421包括用于执行以下步骤的指令：

所述处理器获取所述无人机的第一高度和第一位置；

对所述目标图像进行图像分析，得到所述目标对象在所述目标图像中的目标位置；

根据所述第一高度、所述第一位置以及所述目标位置确定所述目标对象的第二位置和第二高度。

在一个可能的示例中，所述程序421还包括用于执行以下步骤的指令：

所述处理器获取所述建筑物旁道路的人流量；

在所述人工智能芯片根据所述参数特征确定针对所述目标对象的目标预警措施方面，所述程序421包括用于执行以下步骤的指令：

所述人工智能芯片将所述参数特征和所述人流量输入预设的第二神经网络模型，得到所述目标对象存在目标危险类型的第二概率；

若所述第二概率大于第二预设概率阈值，从预设的预警措施查找表中查找与所述目标危险类型对应的目标预警措施，其中，所述预警措施查找表中包括预设的多个危险类型对应的多个预警措施。

在一个可能的示例中，在所述处理器获取所述建筑物旁道路的人流量方面，所述程序421包括用于执行以下步骤的指令：

所述处理器获取预设时间段内针对所述建筑物旁道路的拍摄视频；

对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量；

根据所述预设时间段和所述人员数量确定所述人流量。

在一个可能的示例中，在所述处理器对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量方面，所述程序421包括用于执行以下步骤的指令：

所述处理器对所述多个视频图像进行图像质量评价，得到多个图像质量评价值，所述多个视频图像与所述多个图像质量评价值一一对应；

选取所述多个视频图像中图像质量评价值超过预设阈值的图像质量评价值对应的目标视频图像，得到多个目标视频图像；

对所述多个目标视频图像进行人像识别，得到多个人像区域图像；

对所述多个人像区域图像进行统计，得到多个所述预设时间段内所述拍摄视频内出现的人员数量。

请参阅图5，图5是本实施例提供的一种智能预警装置的结构示意图，本实施例中所描述的智能预警装置500包括接收器501、处理器502和人工智能芯片503，其中，

所述接收器501，用于接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器502，用于对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片503，用于将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施。

可选地，在所述对所述目标图像进行图像处理，得到所述目标对象的属性参数方面，所述处理器502具体用于：

对所述目标图像进行预处理，得到预处理图像；

将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，得到匹配结果；

根据所述匹配结果确定所述目标对象的属性参数。

可选地，在所述对所述目标图像进行图像处理，得到所述目标对象的属性参数方面，所述处理器502具体用于：

获取所述无人机的第一高度和第一位置；

对所述目标图像进行图像分析，得到所述目标对象在所述目标图像中的目标位置；

根据所述第一高度、所述第一位置以及所述目标位置确定所述目标对象的第二位置和第二高度。

可选地，所述处理器502还用于：

获取所述建筑物旁道路的人流量；

所述人工智能芯片根据所述参数特征确定针对所述目标对象的目标预警措施，包括：

所述人工智能芯片503将所述参数特征和所述人流量输入预设的第二神经网络模型，得到所述目标对象存在目标危险类型的第二概率；

若所述第二概率大于第二预设概率阈值，从预设的预警措施查找表中查找与所述目标危险类型对应的目标预警措施，其中，所述预警措施查找表中包括预设的多个危险类型对应的多个预警措施。

可选地，在所述获取所述建筑物旁道路的人流量方面，所述处理器502具体用于：

获取预设时间段内针对所述建筑物旁道路的拍摄视频；

对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量；

根据所述预设时间段和所述人员数量确定所述人流量。

可选地，在所述对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量方面，所述处理器502具体用于：

对所述多个视频图像进行图像质量评价，得到多个图像质量评价值，所述多个视频图像与所述多个图像质量评价值一一对应；

选取所述多个视频图像中图像质量评价值超过预设阈值的图像质量评价值对应的目标视频图像，得到多个目标视频图像；

对所述多个目标视频图像进行人像识别，得到多个人像区域图像；

对所述多个人像区域图像进行统计，得到多个所述预设时间段内所述拍摄视频内出现的人员数量。

可以看出，通过上述本发明实施例所描述的智能预警装置，通过接收器接收无人机通过通信器发送的目标图像，目标图像为无人机通过摄像头获取的建筑物场景的目标图像；处理器对目标图像进行图像处理，得到目标对象的属性参数；将属性参数进行特征提取，得到参数特征；人工智能芯片将参数特征输入预设的第一神经网络模型中，得到目标对象存在危险的第一概率；若第一概率大于第一预设概率阈值，根据参数特征确定针对目标对象的预警措施，如此，可通过对建筑物中可能存在危险的物体进行危险概率计算，从而，可对可能发生的危险进行预警。

可以理解的是，本实施例的智能预警装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括智能预警装置。

本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括智能预警装置。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台智能预警装置(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，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。

Claims (10)

1.一种智能预警方法，其特征在于，应用于智能预警装置，所述智能预警装置包括接收器、处理器和人工智能芯片，所述智能预警装置与无人机之间进行通信连接，所述无人机包括摄像头和通信器，所述方法包括：

所述接收器接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施。

2.根据权利要求1所述的方法，其特征在于，所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数，包括：

所述处理器对所述目标图像进行预处理，得到预处理图像；

将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，得到匹配结果；

根据所述匹配结果确定所述目标对象的属性参数。

3.根据权利要求1所述的方法，其特征在于，所述处理器对所述目标图像进行图像处理，得到所述目标对象的属性参数，包括：

所述处理器获取所述无人机的第一高度和第一位置；

对所述目标图像进行图像分析，得到所述目标对象在所述目标图像中的目标位置；

根据所述第一高度、所述第一位置以及所述目标位置确定所述目标对象的第二位置和第二高度。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

所述处理器获取所述建筑物旁道路的人流量；

所述人工智能芯片根据所述参数特征确定针对所述目标对象的目标预警措施，包括：

所述人工智能芯片将所述参数特征和所述人流量输入预设的第二神经网络模型，得到所述目标对象存在目标危险类型的第二概率；

若所述第二概率大于第二预设概率阈值，从预设的预警措施查找表中查找与所述目标危险类型对应的目标预警措施，其中，所述预警措施查找表中包括预设的多个危险类型对应的多个预警措施。

5.根据权利要求4所述的方法，其特征在于，所述处理器获取所述建筑物旁道路的人流量，包括：

所述处理器获取预设时间段内针对所述建筑物旁道路的拍摄视频；

对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量；

根据所述预设时间段和所述人员数量确定所述人流量。

6.根据权利要求5所述的方法，其特征在于，所述处理器对所述拍摄视频进行处理，得到预设时间段内所述拍摄视频内出现的人员数量，包括：

所述处理器对所述多个视频图像进行图像质量评价，得到多个图像质量评价值，所述多个视频图像与所述多个图像质量评价值一一对应；

选取所述多个视频图像中图像质量评价值超过预设阈值的图像质量评价值对应的目标视频图像，得到多个目标视频图像；

对所述多个目标视频图像进行人像识别，得到多个人像区域图像；

对所述多个人像区域图像进行统计，得到多个所述预设时间段内所述拍摄视频内出现的人员数量。

7.一种智能预警装置，其特征在于，所述装置包括接收器、处理器和人工智能芯片，其中，

所述接收器，用于接收所述无人机通过所述通信器发送的目标图像，所述目标图像为所述无人机通过所述摄像头获取的建筑物场景的目标图像；

所述处理器，用于对所述目标图像进行图像处理，得到所述目标对象的属性参数；将所述属性参数进行特征提取，得到参数特征；

所述人工智能芯片，用于将所述参数特征输入预设的第一神经网络模型中，得到所述目标对象存在危险的第一概率；若所述第一概率大于第一预设概率阈值，根据所述参数特征确定针对所述目标对象的目标预警措施。

8.根据权利要求7所述的装置，其特征在于，在所述对所述目标图像进行图像处理，得到所述目标对象的属性参数方面，所述处理器具体用于：

对所述目标图像进行预处理，得到预处理图像；

将所述预处理图像与预设的图像模板集合中的图像模板进行匹配，得到匹配结果；

根据所述匹配结果确定所述目标对象的属性参数。

9.一种智能预警装置，其特征在于，包括接收器、处理器、人工智能芯片和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述接收器、处理器和人工智能芯片被配置用于调用所述程序指令，执行如权利要求1-6任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。

Images