CN111382610B - 一种事件检测方法、装置及电子设备 - Google Patents

Abstract

本发明实施例提供了一种事件检测方法、装置及电子设备。该方法包括：实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；检测当前帧图像是否包含目标对象，其中，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；如果是，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；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。与现有技术相比，应用本发明实施例提供的方案，可以提高对防护舱内用户出现异常事件的检测准确率。

Description

一种事件检测方法、装置及电子设备

技术领域

本发明涉及图像处理技术领域，特别是涉及一种事件检测方法、装置及电子设备。

背景技术

当前，很多银行通过设置防护舱来为用户提供更便捷的金融服务。如图1所示，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、独立以及可靠地运行。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、有人暴力抢夺用户的银行卡、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-1.2米处分别安装红外线发射器和红外线接收器。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，红外线发射器所发射的红外线将被用户身体发射到红外接收器。而当用户倒地后，红外线接收器因为接收不到红外线的反射信号而判断用户出现倒地事件，并发出警报，以使外界救护人员能够及时地进入对用户进行救援。

然而，在上述相关方案中，由于红外线发射器和红外线接收器距离地面有一定的高度，因此，当防护舱内用户出现弯腰等情况，身体低于该高度时，红外接收器因为接收到红外信号而判断用户出现倒地事件，产生误报；当身高不足上述高度的用户进入防护舱时，将无法检测到用户进入防护舱，进而，当该用户发生倒地事件时，产生漏报。且，该方案无法检测出用户出现剧烈运动。

基于此，上述相关方案对防护舱内用户出现异常事件的检测准确率较低。

发明内容

本发明实施例的目的在于提供一种事件检测、装置及电子设备，以提高对防护舱内用户出现异常事件的检测准确率。具体技术方案如下：

第一方面，本发明实施例提供了一种事件检测方法，所述方法包括：

实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

检测所述当前帧图像是否包含目标对象，其中，所述目标对象为：能够表征用户进入所述目标防护舱的用户身体部位；

如果是，基于所述当前帧图像，确定待分析图像，其中，所述待分析图像为：关于所述目标防护舱及所述目标对象的图像；

将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果；其中，所述检测模型为：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。

第二方面，本发明实施例提供了一种事件检测装置，所述装置包括：

图像获取模块，用于实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

图像检测模块，用于检测所述当前帧图像是否包含目标对象，其中，所述目标对象为：能够表征用户进入所述目标防护舱的用户身体部位；如果是，触发图像确定模块；

所述图像确定模块，用于基于所述当前帧图像，确定待分析图像，其中，所述待分析图像为：关于所述目标防护舱及所述目标对象的图像；

结果确定模块，用于将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果；其中，所述检测模型为：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。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述第一方面提供的一种事件检测方法中的任一方法步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的一种事件检测方法中的任一方法步骤。

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，得到当前时刻，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，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的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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1为一种防护舱的实物图；

图2(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示意图；

图2(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图；

图3为本发明实施例提供的一种事件检测方法的流程示意图；

图4为本发明实施例提供的另一种事件检测方法的流程示意图；

图5为本发明实施例提供的另一种事件检测方法的流程示意图；

图6为本发明实施例提供的一种事件检测装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

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，所描述的实施例仅仅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做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。

在当前检测用户在防护舱内出现倒地事件的相关方案中，由于红外线发射器和红外线接收器距离地面有一定的高度，因此，当防护舱内用户出现弯腰等情况，身体低于该高度时，红外接收器因为接收到红外信号而判断用户出现倒地事件，产生误报；当身高不足上述高度的用户进入防护舱时，将无法检测到用户进入防护舱，进而，当该用户发生倒地事件时，产生漏报。且，该方案无法检测出用户出现剧烈运动。基于此，上述相关方案对防护舱内用户出现异常事件的检测准确率较低。为了解决上述相关方案中存在的问题，本发明实施例提供了一种事件检测方法。

可以理解的，由于用户在防护舱内进行各类金融服务，因此，为了保证用户的人身安全和财产安全，会通过摄像头对防护舱内的情况进行监控。显然，在本发明实施例中，这些摄像头在对防护舱内的情况进行监控时，所采集到的实时监控画面即为本发明实施例中的关于防护舱的图像。这样，随着摄像头不断采集到防护舱内的监控画面，也就可以实时获得关于防护舱的图像。也就是说，安装在防护舱内的用于监控防护舱内情况的摄像头，可以作为本发明实施例中关于防护舱的图像的数据来源。这样，可以通过一个设备实现多种功能，可以极大地节省成本。当然，也可以在防护舱的相关位置上安装专门用于实时采集关于防护舱的图像的图像采集设备。这都是合理的。

其中，为了获得较高的关于目标防护舱的事件检测结果的准确率，人们希望所获得的关于防护舱的图像能够尽可能的包括防护舱内更多的区域，即人们希望图像采集设备的拍摄区域能够尽可能地覆盖到防护舱内更多的空间。

例如，如图2(a)-图2(b)所示，可以将安装在防护舱顶部的摄像头作为本发明实施例中关于防护舱的图像的数据来源。其中，摄像机的镜头可以垂直于舱顶，也可以倾斜于舱顶，与舱顶形成一定的角度，例如，不小于60度。这都是合理的。当然，在实际应用中，作为关于防护舱的图像的数据来源的图像采集设备也可以安装在其他位置，只要能够保证能够基于该图像采集设备所采集到的关于防护舱的图像，确定当前时刻，关于目标防护舱的事件检测结果即可。

下面，对本发明实施例提供的一种事件检测方法，进行介绍。

图3为本发明实施例提供的一种事件检测方法的流程示意图。需要说明的是，本发明实施例提供的一种事件检测方法可以引用于任一能够利用模型进行图像检测的电子设备，例如，平板电脑、笔记本电脑、台式电脑等，这都是合理的。为了描述方便，以下简称电子设备。

需要说明的是，当前存在多台投入使用的防护舱，而针对每台防护舱都可以采用本发明实施例提供的一种事件检测方法来对关于该防护舱的事件进行检测。其中，每台电子设备可以只针对一台防护舱，检测关于该防护舱的事件；也可以针对多台防护舱，分别检测关于该多台防护舱的事件。这都是合理的。

具体的，当一台电子设备针对多台防护舱，分别检测关于该多台防护舱的事件时，可以为每台防护舱添加标签，进而，确定的每台防护舱对应的待分析图像中也会携带有该防护舱的标签。这样，电子设备便可以区分每台防护舱对应的待分析图像，进而，确定关于每台防护舱的事件检测结果。其中，每台防护舱都是该电子设备对应的目标防护舱。而针对每台防护舱，电子设备均采用本发明实施例提供的事件检测方法对关于该防护舱的事件进行检测。

为了便于理解，图3所示的流程图，便是从电子设备对关于一台目标防护舱的事件进行检测的角度，对本发明实施例的一种事件检测方法进行说明。

如图3所示，本发明实施例提供的一种事件检测方法，包括如下步骤：

S300：实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

其中，目标防护舱指代的是需要进行事件检测的防护舱，并不具有任何其他限定意义。

目标防护舱所对应的目标图像采集设备，实时对目标防护舱的内部空间进行图像采集，并将得到的关于目标防护舱的图像实时传输给的目标防护舱所对应的电子设备。这样，电子设备便可以实时获取关于目标防护舱的图像。其中，可以理解的，关于目标防护舱的图像可以为目标防护舱内部空间的图像。

也就是说，上述目标图像采集设备可以在每个时刻采集关于目标防护舱的图像，进而，电子设备可以在每个时刻获得在该时刻时，关于目标防护舱的图像，该图像显示了每个时刻目标防护舱的内容空间的情况。

则在当前时刻，电子设备所获得的关于目标防护舱的图像即为在当前时刻，目标图像采集设备所采集的关于目标防护舱的图像，这样，电子设备可以将该图像作为当前帧图像。显然，电子设备可以基于当前帧时刻，确定当前时刻，关于目标防护舱的事件检测结果。

S301：检测当前帧图像是否包含目标对象，如果是，执行步骤S303；

其中，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；

可以理解的，在某些时刻，目标防护舱内可能并不存在用户，则可以确定在这些时刻目标防护舱内不会发生异常事件。因此，为了节省电子设备的资源，减轻电子设备的运行负担，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对当前帧图像进行检测，判断当前帧图像是否包含目标对象。其中，当判断结果为是时，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤S303。

需要说明的是，电子设备可以采用任一能够检测出当前帧图像中是否包含目标对象的图像识别算法执行上述步骤S302，对此，本发明实施例不做具体限定。

此外，根据实际情况中，根据采集关于目标防护舱的图像的图像采集设备的安装位置，上述目标对象所指示的具体的用户身体部位可以不同。例如，当图像采集设备安装在舱顶时，该目标对象可以是用户的头肩部；当图像采集设备安装在舱壁时，目标对象可以是用户的全身图像。这都是合理的。

S303：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。

在判断得到当前帧图像中包括目标对象后，电子设备便可以基于该当前帧图像，确定待分析图像。由于是对目标防护舱内发生的事件进行检测，因此，也就是检测目标防护舱内的用户是否处于正常情况中。这样，电子设备所确定的待分析图像便可以为：关于目标防护舱内的用户的图像，进一步的，目标防护舱内的用户通过当前帧图像中的目标对象表征。因此，电子设备所确定的待分析图像即为：关于目标防护舱及目标对象的图像。例如，包括目标防护舱内部情况及目标对象的图像。

需要说明的是，电子设备可以通过多种方式基于当前帧图像，确定待分析图像，对此，本发明实施例不做具体限定。

可选的，一种具体实现方式中，上述步骤S303，可以为：将至少包含当前帧图像的第一类图像确定为待分析图像，其中，第一类图像中各图像均为关于目标防护舱，且包括目标对象的图像。

由于电子设备实时获取的关于目标防护舱的图像均为目标图像采集设备所采集的、能够反映目标防护舱的内部空间在每个时刻的真实情况的图像，并且，由于是对目标防护舱内的用户是否处于正常情况中进行检测。因此，电子设备可以将这些关于目标防护舱，且包括目标对象的图像确定为待分析图像。从而，利用待分析图像，确定当前时刻，关于目标防护舱的事件检测结果。

具体的，在本实现方式中，第一类图像为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像，其中，M为正整数；或者，第一类图像为：当前帧图像。

也就是说，在本实现方式中，电子设备可以将所获得的当前帧图像确定为待分析图像；此外，在获取到当前帧图像，并判断该当前帧图像包括目标对象后，电子设备可以判断所获取的关于目标防护舱的当前帧图像之前的连续M帧图像是否均包括目标对象，这样，便可以将当前帧图像和该M帧图像确定为待分析图像。这样，用于确定关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱内部空间的情况，进而提高事件检测的准确率。其中，M可以为任一正整数，例如，5，10等。

S304：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。

在确定待分析图像后，电子设备便可以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。

具体的，在将待分析图像输入到预设的检测模型中后，电子设备可以得到预设的检测模型的输出结果，进而，根据该检测结果，电子设备便可以确定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。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。

显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。

需要强调的是，不同类型和数量的待分析图像，所利用的检测模型也是不同的。为了行为清楚，后续将会对待分析图像与检测模型之间的对应关系进行举例说明。

需要说明的是，上述检测模型可以在电子设备中训练得到的，也可以在与电子设备通信连接的其他电子设备中训练得到的，这样，电子设备便可以从该其他电子设备中获得上述检测模型，这都是合理的。

此外，在本发明实施例中，电子设备可以仅仅检测目标防护舱内是否发生异常事件，则在这种情况下，电子设备在上述步骤S304中得到的事件检测结果可以为：关于未发生异常事件的结果，即目标防护舱内未发生异常情况；相对应的，电子设备在上述步骤S304中得到的事件检测结果也可以为：关于发生异常事件的结果，即目标防护舱内发生异常情况。

可选的，一种具体实现方式中，上述事件检测结果为：关于未发生异常事件的结果。

具体的，当事件检测结果为：关于未发生异常事件的结果时，则在上述步骤S304中，上述检测模型可以直接输出：未发生异常事件，这样，电子设备便可以确定目标防护舱内未发生异常事件。

可选的，另一种具体实现方式中，上述事件检测结果为：关于发生异常事件的结果。

具体的，当事件检测结果为：关于发生异常事件的结果时，则在上述步骤S304中，上述检测模型可以直接输出：发生异常事件，这样，电子设备便可以确定目标防护舱内发生异常事件。

显然，在上述实现方式中，电子设备仅能够确定目标防护舱内是否发生异常事件，而不能确定当发生异常事件时，该异常事件的事件类型。因此，为了便于监控人员能够有针对性地对防护舱内所发生的异常事件进行处理，降低用户的人身伤害和财产损失，电子设备不但可以检测目标防护舱内是否发生异常事件，还可以在检测到发生异常事件时，确定所发生的异常事件的事件类型。即事件检测结果为：关于发生异常事件且所发生异常事件类型的结果。这样，电子设备可以根据检测模型的输出结果，确定目标防护舱内发生哪种异常事件。

可选的，一种具体实现方式中：在上述步骤S304中，上述检测模型可以直接输出：所发生的异常事件的类型，这样，电子设备便可以直接确定目标防护舱内用户出现的异常事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。例如，倒地事件；这样，电子设备便可以确定目标防护舱内出现用户意外倒地的事件。

可选的，另一种具体实现方式中：在上述步骤S304中，在训练检测模型时，可以预先设定多种类型的异常事件，则上述检测模型可以直接输出：正常事件概率以及每种类型的异常事件的概率。其中，正常事件表示目标防护舱内未发生异常事件。这样，电子设备便可以将概率最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。显然，当正常事件概率最高时，则可以确定目标防护舱内未发生异常事件，当某类型的异常事件的概率最高时，则可以确定目标防护舱内发生该类型异常事件。

例如，正常事件概率5％，倒地事件概率75％，剧烈运动事件15％，破坏设备事件5％；这样，电子设备便可以确定目标防护舱内出现用户意外倒地的事件。

可以理解的，对防护舱内发生的异常事件进行检测的目的之一是保证监控人员能够及时发现各类异常事件，保证防护舱内的用户的人身和财产安全，因此，可以实时对目标防护舱内发生的事件进行检测。

具体的，在本发明实施例中，电子设备是实时获取当前帧图像的，进而，便可以继续实时判断该当前帧图像是否包括目标对象时，并在判断结果为是时，实时对目标防护舱内发生的事件进行检测，得到在采集当前帧图像的当前时刻，关于目标防护舱的事件检测结果。即电子设备可以实现对关于目标防护舱的事件检测结果的实时检测，其中，在这种情况下，上述所确定的关于目标防护舱的事件检测结果均为：当前时刻，关于目标防护舱的事件检测结果。从而，可以及时发现目标防护舱内出现的各类异常事件。

进一步的，在发现目标防护舱内出现的各类异常事件后，为了保证监控人员能够及时对异常事件该异常事件作出反应，采取有针对性的应对措施。

则当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，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A1-A2：

步骤A1：判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，执行步骤A2；

步骤A2：生成并发出与预设类型对应的报警信号。

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，便可以进一步判断该事件类型是否包括预设类型的事件，并在判断结果为时是，生成并发出与预设类型对应的报警信息。

例如，当电子设备确定当前时刻目标防护舱内出现的异常事件为用户倒地事件，而预设类型的事件也为用户倒地事件时，电子设备便可以判断得到：目标目标防护舱当前时刻发生的事件类型包括预设类型的事件。进而，电子设备便可以生成和发出与用户倒地事件对应的报警信号，例如，发出“请拨打120”的语音信息等。

其中，电子设备生成并发出的报警信号可以有多种形式，例如，指示灯闪烁，发出语音信息，发出警报声等。这都是合理的。

此外，为了能够更充分地了解异常事件发生前后，目标防护舱的内部情况，监控人员通常会在异常事件处理结束后，去查看目标防护舱的监控视频。然而，由于目标防护舱的监控视频具有大量的视频数据，且该数据数据还在实时增加，因此，监控人员往往需要花费很久的时间才能在监控视频中准确定位到异常事件所对应的视频内容。

这样，为了减少监控人员在查看视频时所耗费的时间，当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，电子设备可以采取多种方式对异常事件所发生的时间进行标记。

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B1：

步骤B1：对当前帧图像进行截图，并为所得到的截图添加第一标签，

其中，第一标签包括：采集当前帧图像的采集时间和所发生异常事件类型对应的类型标签。

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，便可以对当前帧图像进行截图，并通过第一标签对所得到的截图进行标记，该第一标签中包括：当前时刻的时间信息和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，确定该事件类型对应的截图的第一标签，进而，根据该第一标签中的时间信息，确定该异常事件发生的时间。进一步的，监控人员便可以根据所确定的时间，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。

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，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，得到当前时刻，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，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。

需要说明的是，由于电子设备可以实时对目标防护舱内部发生的异常事件进行检测，则在上述本发明实施例提供的一种事件检测方法中，电子设备对实时获取的每一关于目标防护舱的图像后，判断该图像是否包括目标对象，并在判断结果为是时，执行后续步骤S303-S304。然而，可以理解的，在某些时刻，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，用户仅仅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，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤S303。

需要说明的是，在本实现方式中，电子设备可以采用任一能够检测出当前帧图像和当前帧图像之前的连续预设数量帧图像中是否均包含目标对象的图像识别算法执行上述步骤S302A，对此，本发明实施例不做具体限定。其中，上述预设数量可以为任一正整数，例如，5，10等，这都是合理的。

下面，对电子设备执行上述步骤S302A的具体过程进行说明：电子设备在获取到每帧关于目标防护舱的图像后，判断该图像中是否包含目标对象。进而，在获取该图像的下一帧图像后，判断该下一帧图像中是否包括与前一帧图像相同的目标对象。依次类推，直至电子设备判断连续预设数量帧图像后中均包含相同的目标对象后，电子设备继续获得下一帧图像，即采集完连续预设数量帧图像后的当前时刻对应的当前帧图像，并判断该当前帧图像中是否包括前连续预设数量帧图像所包含的目标对象。这样，当判断结果为是时，电子设备便可以继续执行后续步骤S303。

另一种具体实现方式中，如图5所示，上述步骤S302A可以为：

步骤S302B：判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，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在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象。其中，当判断结果为是时，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤S303。

需要说明的是，在本实现方式中，电子设备可以采用任一能够检测出当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像中是否均包含目标对象的图像识别算法执行上述步骤S302B，对此，本发明实施例不做具体限定。其中，上述预设时长可以为任一时长，例如，2s，5s等，这都是合理的。

下面，对电子设备执行上述步骤S302B的具体过程进行说明：电子设备在获取到每帧关于目标防护舱的图像后，判断该图像中是否包含目标对象。进而，在获取该图像的下一帧图像后，判断该下一帧图像中是否包括与前一帧图像相同的目标对象。依次类推，直至电子设备判断预设时长内采集到的连续多帧图像中均包含相同的目标对象后，电子设备继续获得下一帧图像，即预设时长后的当前时刻对应的当前帧图像，并判断该当前帧图像中是否包括预设时长内采集到的连续多帧图像所包含的目标对象。这样，当判断结果为是时，电子设备便可以继续执行后续步骤S303。

当前，光流法是图像分析领域中被重点关注的一种方法，所谓光流是指图像亮度模式的表观运动。可以理解的，当用户在防护舱中进行各类金融活动时，用户的某些身体部位也是运动的，例如，手指等。光流表达了图像的变化，可以引申出光流场。所谓光流场是指图像中所有像素点构成的一种二维(2D)瞬时速度场，其中的二维速度矢量是景物中可见点的三维速度矢量在成像表面的投影。这样，光流不仅包含了被观察物体的运动信息，而且还包含有关景物三维结构的丰富信息。因此，在本发明实施例中也可以引入光流法。

可选的，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中，还可以包括如下步骤D1：

步骤D1：每当获取到一帧图像时，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

由于光流包含被观察物体的运动信息，因此，光流图表征的是两帧图像之间的变化。这样，电子设备在每获取到一帧图像时，便可以利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图。

进一步的，在本实现方式中，上述步骤S303，基于当前帧图像，确定待分析图像，便可以包括如下步骤E1：

步骤E1：将至少包含第一光流图在内的第二类图像确定为待分析图像，其中，第二类图像中各个图像均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，第一光流图为当前帧图像对应的光流图。

由于电子设备实时获取的关于目标防护舱的图像均为目标图像采集设备所采集的、能够反映目标防护舱的内部空间在每个时刻的真实情况的图像，而光流图是基于这些关于目标防护舱的图像中人物的运动变化情况获得的，因此，电子设备可以将光流图确定为待分析图像。从而，利用待分析图像，确定当前时刻，关于目标防护舱的事件检测结果。其中，为了描述简单，可以将当前帧图像的光流图简称为第一光流图。

其中，由于本发明实施例是对目标防护舱内的用户是否处于正常情况中进行检测，因此，第二类图像中的各个光流图应该是关于目标防护舱中用户运动情况的光流图。进一步的，由于每帧光流图是通过连续两帧图像获取到的，因此，在本实现方式中，第二类图像中各个图像均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图。

具体的，在本实现方式中，第二类图像为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像；其中，N为正整数；或者，第二类图像为：第一光流图。

也就是说，在本实现方式中，电子设备可以将所获得的第一光流图确定为待分析图像；此外，在获取到第一光流图后，电子设备可以判断第一光流图之前的连续N帧光流图是否均是基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的，当判断结果为是时，电子设备也可以将包括第一光流图和该连续N帧光流图的多张图像确定为待分析图像。这样，用于确定当前时刻，关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱中用户的运动变化情况，进而提高事件检测的准确率。其中，N可以为任一正整数，例如，5，10等。

基于上述对步骤S304中的说明中，对检测模型模型的描述内容，可以确定不同类型和数量的待分析图像，所利用的检测模型不同。进一步的，针对不同的待分析图像，则上述步骤S304的实现方式不同。

下面，针对不同类型和数量的待分析图像，对上述步骤S304的具体执行方式，以及待分析图像与检测模型之间的对应关系进行举例说明。

实施例一：待分析图像为上述第一类图像，即待分析图像为至少包含当前帧图像的目标防护舱的图像：则上述步骤S304，包括如下步骤F1-F2：

步骤F1：将待分析图像输入到预设的场景图像检测模型中，得到场景图像检测模型输出的检测结果；

步骤F2：基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果；

其中，由于待分析图像为目标防护舱的场景图像，则在本实施例一中，所采用的检测模型即为预设的场景图像检测模型，且用于训练该场景图像检测模型的各个第一样本图像组中所包括的图像可以称为场景图像。

需要说明的是，场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中的图像与待分析图像的图像数量相同，各个第一样本图像组中的图像为：所采集到的关于防护舱的图像。

具体的，当待分析图像为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像，则场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中包括M+1帧场景图像。

其中，针对至少一个防护舱，在该防护舱中发生各类事件时，采集M+1帧关于该防护舱的图像，这样，该M+1帧图像便可以组成一个第一样本图像组，并进一步确定该第一样本图像组的事件检测结果为：采集该M+1帧图像时，该防护舱内发生的事件类型。

具体的，当待分析图像为：当前帧图像，则场景图像检测模型为：采用各个第一样本图像和每个第一样本图像的事件检测结果所训练得到的模型，且每个第一样本图像为一帧场景图像。

其中，针对至少一个防护舱，在该防护舱中发生各类事件时，采集一帧关于该防护舱的图像，并将采集该图像时，该防护舱内发生的事件类型作为该图像的事件检测结果，这样，便可以得到一个第一样本图像组及第一样本图像组的事件检测结果。

实施例二：待分析图像为上述第二类图像，即待分析图像为：至少包含第一光流图的光流图；则上述步骤S303，包括如下步骤G1-G2：

步骤G1：将待分析图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；

步骤G2：基于光流图检测模型输出的检测结果，确定关于目标防护舱的事件检测结果。

其中，由于待分析图像为目标防护舱的场景图像对应的光流图，则在本实施例二中，所采用的检测模型即为预设的光流图检测模型，且用于训练该光流图检测模型的各个第二样本图像组中所包括的图像即为光流图。

需要说明的是，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。

具体的，当待分析图像为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像，则光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括N+1帧光流图。

其中，针对至少一个防护舱，在该防护舱中发生各类事件时，获取N+1帧关于该防护舱的光流图，这样，该N+1帧光流图便可以组成一个第二样本图像组，并进一步确定该第二样本图像组的事件检测结果为：获取该N+1帧光流图时，该防护舱内发生的事件类型。

具体的，当待分析图像为：第一光流图，则光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。

其中，针对至少一个防护舱，在该防护舱中发生各类事件时，获取一帧关于该防护舱的光流图，并将获取该光流图时，该防护舱内发生的事件类型作为该光流图的事件检测结果，这样，便可以得到一个第二样本图像组及第一样本图像组的事件检测结果。

实施例三：上述步骤F2，基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤F21-F23：

步骤F21：将至少包含第一光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，第一光流图为当前帧图像对应的光流图；

步骤F22：将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数据相同，各个第二样本图像组中的图像为：关于防护舱的光流图；

步骤F23：将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定关于目标防护舱的事件检测结果。

也就是说，在本实施例三中，可以同时利用场景图像检测模型对第一类图像进行检测，得到一个检测结果，利用光流图检测模型对第二类图像进行检测，得到另一个检测结果，进而，将两个检测结果进行融合计算，并基于融合计算的结果，确定当前时刻，关于目标防护舱的事件检测结果。

需要说明的是，电子设备可以通过多种方式执行上述步骤F23，对此本发实施例不作具体限定。为了行文清晰，后续对上述步骤F23的具体实现方式进行举例说明。

显然，在本实施例三中，采用多种数据来确定检测关于目标防护舱的事件检测结果，使得到的事件检测结果更可靠，且具有说服力，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。

其中，由于第一类图像可能为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像，也可能为：当前帧图像；第二类图像可能为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像，也可能为：第一光流图。

因此，在本实施例三中，待分析图像和辅助图像，以及分别对应的场景图像检测模型和光流图检测模型，也可能存在多种情况。具体的：

第一种情况：

待分析图像为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像；

场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中包括M+1帧场景图像；

辅助图像为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像；

光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括N+1帧光流图。

第二种情况：

待分析图像为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像；

场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中包括M+1帧场景图像；

辅助图像为：第一光流图；

光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。

第三种情况：

待分析图像为：当前帧图像；

场景图像检测模型为：采用各个第一样本图像和每个第一样本图像的事件检测结果所训练得到的模型，且每个第一样本图像为一帧场景图像；

辅助图像为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像；

光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括N+1帧光流图。

第四种情况：

待分析图像为：当前帧图像；

场景图像检测模型为：采用各个第一样本图像和每个第一样本图像的事件检测结果所训练得到的模型，且每个第一样本图像为一帧场景图像；

辅助图像为：第一光流图；

光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。

需要说明的是，下面对上述步骤F23的具体实现方式进行举例说明。

一种具体实现方式中，上述步骤F23可以包括如下步骤F231-F232：

F231：根据场景图像检测模型和光流图检测模型的权重，计算场景图像检测模型输出的检测结果和场景图像检测模型的权重的第一乘积，并计算光流图检测模型输出的检测结果与光流图检测模型的权重的第二乘积；

F232：计算第一乘积和第二乘积的和值，基于和值，确定关于目标防护舱的事件监测结果。

在本实现方式中，当场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果为：正常事件概率以及每种类型的异常事件的概率时，电子设备可以根据预设的场景图像检测模型的权重，计算场景图像检测模型输出的正常事件概率以及每种类型的异常事件的概率分别与该权重的乘积，作为正常事件以及每种类型的异常事件的第一乘积；并根据预设的光流图检测模型的权重，计算光路途检测模型输出的正常事件概率以及每种类型的异常事件的概率分别与该权重的乘积，作为正常事件以及每种类型的异常事件的第二乘积。进而，计算第一乘积和第二乘积的和值，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最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最高时，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最高时，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：0.8，则可以得到第一乘积为：正常事件概率4％，倒地事件概率40％，剧烈运动事件34.4％，破坏设备事件1.6％；

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：0.2，则可以得到第二乘积为：正常事件1.4％，倒地事件概率8％，剧烈运动事件9.6％，破坏设备事件1％；

第一乘积和第一乘积的和值为：正常事件5.4％，倒地事件概率48％，剧烈运动事件44％，破坏设备事件2.6％；

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，基于光流图检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤G21-G23：

步骤G21：将至少包含当前帧图像的第一类图像确定为辅助图像；

步骤G22：将辅助图像输入到预设的场景检测模型中，得到场景检测模型输出的检测结果；

步骤G23：将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定当前时刻，关于目标防护舱的事件检测结果。

其中，关于第一类图像的相关描述内容、场景检测模型的相关描述内容、场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合的融合过程等，可以参见上述的以第二类图像作为辅助图像时的相关描述内容。

相对应上述本发明实施例提供的一种事件检测方法，本发明实施例还提供了一种事件检测装置。

图6为本发明实施例提供的一种事件检测装置的结构示意图，如图6所示，该装置可以包括如下模块：

图像获取模块610，用于实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

图像检测模块620，用于检测当前帧图像是否包含目标对象，其中，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；如果是，触发图像确定模块；

图像确定模块630，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，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

可选的，一种具体实现方式中，上述装置还包括图像判断模块；

在本实现方式中，一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，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；

在本实现方式中，另一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，触发图像确定模块。

可选的，一种具体实现方式中，上述图像确定模块630包括：

第一图像确定子模块，用于将至少包含当前帧图像的第一类图像确定为待分析图像，其中，第一类图像中各图像均为关于目标防护舱，且包括目标对象的图像。

可选的，一种具体实现方式中，第一类图像为：当前帧图像和当前帧图像之前的连续M帧图像的多张图像；其中，M为正整数；或，第一类图像为：当前帧图像。

可选的，一种具体实现方式中，上述结果确定模块640包括：

第一图像检测子模块，用于将待分析图像输入到预设的场景图像检测模型中，得到场景图像检测模型输出的检测结果；

第一结果确定子模块，用于基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果；

其中，场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中的图像与待分析图像的图像数量相同，各个第一样本图像组中的图像为：所采集到的关于防护舱的图像。

可选的，一种具体实现方式中，上述装置包括：

光流图确定模块，用于每当获取到一帧图像时，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

则在本实现方式中，上述图像确定模块630包括：

第二图像确定子模块，用于将至少包含第一光流图在内的第二类图像确定为待分析图像，其中，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，第一光流图为当前帧图像对应的光流图。

可选的，一种具体实现方式中，第二类图像为：包括第一光流图和第一光流图之前的连续N帧光流图的多张图像；其中，N为正整数；或，第二类图像为：第一光流图。

可选的，一种具体实现方式中，上述结果确定模块640包括：

第二图像检测子模块，用于将待分析图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；

第二结果确定子模块，用于基于光流图检测模型输出的检测结果，确定关于目标防护舱的事件检测结果；

其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。

可选的，一种具体实现方式中，上述装置还包括：

光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

则在本实现方式中，上述第一结果确定子模块包括：

辅助图像确定单元，用于将至少包含第一光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，第一光流图为当前帧图像对应的光流图；

辅助图像检测单元，用于将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图；

结果确定单元，用于将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定关于目标防护舱的事件检测结果。

可选的，一种具体实现方式中，上述结果确定单元包括：

乘积计算子单元，用于根据场景图像检测模型和光流图检测模型的权重，计算场景图像检测模型输出的检测结果和场景图像检测模型的权重的第一乘积，并计算光流图检测模型输出的检测结果与光流图检测模型的权重的第二乘积；

结果确定子单元，用于计算第一乘积和第二乘积的和值，基于和值，确定关于目标防护舱的事件监测结果。

可选的，一种具体实现方式中，事件检测结果为：关于未发生异常事件的结果，或者，关于发生异常事件且所发生异常事件类型的结果。

可选的，一种具体实现方式中，上述装置还包括：

事件判断模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，触发报警模块；

报警模块，用于生成并发出与预设类型对应的报警信号。

可选的，一种具体实现方式中，上述装置还包括：

图像截取模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，对当前帧图像进行截图，并为所得到的截图添加第一标签，其中，第一标签包括：采集当前帧图像的采集时间和所发生异常事件类型对应的类型标签。

可选的，一种具体实现方式中，上述装置还包括：

视频标记模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，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。

相应于上述本发明实例提供的一种事件检测方法，本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现上述本发明实施例提供的一种事件检测方法中的任一方法步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述本发明实施例提供的一种事件检测方法中的任一方法步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、电子设备实施例、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (26)

1.一种事件检测方法，其特征在于，所述方法包括：

实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

检测所述当前帧图像是否包含目标对象，其中，所述目标对象为：能够表征用户进入所述目标防护舱的用户身体部位；

如果是，基于所述当前帧图像，确定待分析图像，其中，所述待分析图像为：关于所述目标防护舱及所述目标对象的图像；

将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果；其中，所述检测模型为：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；

其中，所述将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果的步骤，包括：

将所述待分析图像输入到预设的场景图像检测模型中，得到所述场景图像检测模型输出的检测结果；

基于所述场景图像检测模型输出的检测结果，确定关于所述目标防护舱的事件检测结果；

其中，所述场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中的图像与所述待分析图像的图像数量相同，各个第一样本图像组中的图像为：所采集到的关于防护舱的图像；

所述方法还包括：

每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

所述基于所述场景图像检测模型输出的检测结果，确定关于所述目标防护舱的事件检测结果的步骤，包括：

将至少包含第一光流图在内的第二类图像确定为辅助图像，所述第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，所述第一光流图为所述当前帧图像对应的光流图；

将所述辅助图像输入到预设的光流图检测模型中，得到所述光流图检测模型输出的检测结果；其中，所述光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与所述待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图；

将所述场景图像检测模型输出的检测结果和所述光流图检测模型输出的检测结果进行融合计算，基于所述融合计算的结果，确定关于所述目标防护舱的事件检测结果。

2.根据权利要求1所述的方法，其特征在于，基于所述当前帧图像，确定待分析图像的步骤之前，所述方法还包括：

判断所述当前帧图像和所述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；或，

判断所述当前帧图像和在所述当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含所述目标对象；

如果是，执行所述基于所述当前帧图像，确定待分析图像的步骤。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述当前帧图像，确定待分析图像的步骤，包括：

将至少包含所述当前帧图像的第一类图像确定为待分析图像，其中，所述第一类图像中各图像均为关于所述目标防护舱，且包括所述目标对象的图像。

4.根据权利要求3所述的方法，其特征在于，

所述第一类图像为：所述当前帧图像和所述当前帧图像之前的连续M帧图像的多张图像；其中，M为正整数；或，

所述第一类图像为：所述当前帧图像。

5.根据权利要求1或2所述的方法，其特征在于，所述方法包括：

每当获取到一帧图像时，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

所述基于所述当前帧图像，确定待分析图像的步骤，包括：

将至少包含第一光流图在内的第二类图像确定为待分析图像，其中，所述第二类图像中各个图像均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，所述第一光流图为所述当前帧图像对应的光流图。

6.根据权利要求5所述的方法，其特征在于，

所述第二类图像为：包括所述第一光流图和所述第一光流图之前的连续N帧光流图的多张图像；其中，N为正整数；或，

所述第二类图像为：所述第一光流图。

7.根据权利要求5所述的方法，其特征在于，所述将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果的步骤，包括：

将所述待分析图像输入到预设的光流图检测模型中，得到所述光流图检测模型输出的检测结果；

基于所述光流图检测模型输出的检测结果，确定关于所述目标防护舱的事件检测结果；

其中，所述光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与所述待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。

8.根据权利要求1所述的方法，其特征在于，所述将所述场景图像检测模型输出的检测结果和所述光流图检测模型输出的检测结果进行融合计算，基于所述融合计算的结果，确定所述关于所述目标防护舱的事件检测结果的步骤，包括：

根据所述场景图像检测模型和所述光流图检测模型的权重，计算所述场景图像检测模型输出的检测结果和所述场景图像检测模型的权重的第一乘积，并计算所述光流图检测模型输出的检测结果与所述光流图检测模型的权重的第二乘积；

计算所述第一乘积和所述第二乘积的和值，基于所述和值，确定所述关于所述目标防护舱的事件检测结果。

9.根据权利要求1或2所述的方法，其特征在于，所述事件检测结果为：关于未发生异常事件的结果，或者，关于发生异常事件且所发生异常事件类型的结果。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，判断所述目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；

如果是，生成并发出与所述预设类型对应的报警信号。

11.根据权利要求9所述的方法，其特征在于，所述方法还包括：

当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，对所述当前帧图像进行截图，并为所得到的截图添加第一标签，其中，所述第一标签包括：采集所述当前帧图像的采集时间和所发生异常事件类型对应的类型标签。

12.根据权利要求9所述的方法，其特征在于，所述方法还包括：

当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，在关于所述目标防护舱的监控视频中，为所述当前帧图像添加第二标签，其中，所述第二标签包括：所发生异常事件类型对应的类型标签。

13.一种事件检测装置，其特征在于，所述装置包括：

图像获取模块，用于实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；

图像检测模块，用于检测所述当前帧图像是否包含目标对象，其中，所述目标对象为：能够表征用户进入所述目标防护舱的用户身体部位；如果是，触发图像确定模块；

所述图像确定模块，用于基于所述当前帧图像，确定待分析图像，其中，所述待分析图像为：关于所述目标防护舱及所述目标对象的图像；

结果确定模块，用于将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果；其中，所述检测模型为：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；

其中，所述结果确定模块包括：

第一图像检测子模块，用于将所述待分析图像输入到预设的场景图像检测模型中，得到所述场景图像检测模型输出的检测结果；

第一结果确定子模块，用于基于所述场景图像检测模型输出的检测结果，确定所述关于所述目标防护舱的事件检测结果；

其中，所述场景图像检测模型为：采用各个第一样本图像组和每个第一样本图像组的事件检测结果所训练得到的模型，且每一第一样本图像组中的图像与所述待分析图像的图像数量相同，各个第一样本图像组中的图像为：所采集到的关于防护舱的图像；

所述装置还包括：

光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

所述第一结果确定子模块包括：

辅助图像确定单元，用于将至少包含第一光流图在内的第二类图像确定为辅助图像，所述第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，所述第一光流图为所述当前帧图像对应的光流图；

辅助图像检测单元，用于将所述辅助图像输入到预设的光流图检测模型中，得到所述光流图检测模型输出的检测结果；其中，所述光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与所述待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图；

结果确定单元，用于将所述场景图像检测模型输出的检测结果和所述光流图检测模型输出的检测结果进行融合计算，基于所述融合计算的结果，确定所述关于所述目标防护舱的事件检测结果。

14.根据权利要求13所述的装置，其特征在于，所述装置还包括图像判断模块；

所述图像判断模块，用于在所述基于所述当前帧图像，确定待分析图像之前，判断所述当前帧图像和所述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；或者，用于在所述基于所述当前帧图像，确定待分析图像之前，判断所述当前帧图像和在所述当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含所述目标对象；如果是，触发所述图像确定模块。

15.根据权利要求13或14所述的装置，其特征在于，所述图像确定模块包括：

第一图像确定子模块，用于将至少包含所述当前帧图像的第一类图像确定为待分析图像，其中，所述第一类图像中各图像均为关于所述目标防护舱，且包括所述目标对象的图像。

16.根据权利要求15所述的装置，其特征在于，

所述第一类图像为：所述当前帧图像和所述当前帧图像之前的连续M帧图像的多张图像；其中，M为正整数；或，

所述第一类图像为：所述当前帧图像。

17.根据权利要求13或14所述的装置，其特征在于，所述装置包括：

光流图确定模块，用于每当获取到一帧图像时，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；

所述图像确定模块包括：

第二图像确定子模块，用于将至少包含第一光流图在内的第二类图像确定为待分析图像，其中，所述第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，所述第一光流图为所述当前帧图像对应的光流图。

18.根据权利要求17所述的装置，其特征在于，

所述第二类图像为：包括所述第一光流图和所述第一光流图之前的连续N帧光流图的多张图像；其中，N为正整数；或，

所述第二类图像为：所述第一光流图。

19.根据权利要求17所述的装置，其特征在于，所述结果确定模块包括：

第二图像检测子模块，用于将所述待分析图像输入到预设的光流图检测模型中，得到所述光流图检测模型输出的检测结果；

第二结果确定子模块，用于基于所述光流图检测模型输出的检测结果，确定所述关于所述目标防护舱的事件检测结果；

其中，所述光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与所述待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。

20.根据权利要求13所述的装置，其特征在于，所述结果确定单元包括：

乘积计算子单元，用于根据所述场景图像检测模型和所述光流图检测模型的权重，计算所述场景图像检测模型输出的检测结果和所述场景图像检测模型的权重的第一乘积，并计算所述光流图检测模型输出的检测结果与所述光流图检测模型的权重的第二乘积；

结果确定子单元，用于计算所述第一乘积和所述第二乘积的和值，基于所述和值，确定所述关于所述目标防护舱的事件监测结果。

21.根据权利要求13或14所述的装置，其特征在于，所述事件检测结果为：关于未发生异常事件的结果，或者，关于发生异常事件且所发生异常事件类型的结果。

22.根据权利要求21所述的装置，其特征在于，所述装置还包括：

事件判断模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，判断所述目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，触发报警模块；

所述报警模块，用于生成并发出与所述预设类型对应的报警信号。

23.根据权利要求21所述的装置，其特征在于，所述装置还包括：

图像截取模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，对所述当前帧图像进行截图，并为所得到的截图添加第一标签，其中，所述第一标签包括：采集所述当前帧图像的采集时间和所发生异常事件类型对应的类型标签。

24.根据权利要求21所述的装置，其特征在于，所述装置还包括：

视频标记模块，用于当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，在关于所述目标防护舱的监控视频中，为所述当前帧图像添加第二标签，其中，所述第二标签包括：所发生异常事件类型对应的类型标签。

25.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-12任一所述的方法步骤。

26.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-12任一所述的方法步骤。