CN114419679B - 基于可穿戴设备数据的数据分析方法、装置及系统 - Google Patents
基于可穿戴设备数据的数据分析方法、装置及系统 Download PDFInfo
- Publication number
- CN114419679B CN114419679B CN202210336022.XA CN202210336022A CN114419679B CN 114419679 B CN114419679 B CN 114419679B CN 202210336022 A CN202210336022 A CN 202210336022A CN 114419679 B CN114419679 B CN 114419679B
- Authority
- CN
- China
- Prior art keywords
- image data
- analysis
- data
- abnormal
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可穿戴设备数据的数据分析方法、装置及系统,该方法包括:获取出现异常情况的目标区域的第一影像数据,判断所述第一影像数据是否足以进行所述目标区域的异常分析;当判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。可见,本发明能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于可穿戴设备数据的数据分析方法、装置及系统。
背景技术
随着影像数据分析技术的兴起,越来越多的领域开始应用影像数据分析技术来实现智能化的情景识别和异常分析,如公共交通领域可以利用影像数据来分析交通事故的类型,但现有技术一般在实现情景识别和异常分析时,仅采用单一来源的数据源,如区域中的特定摄像头,这种方式显然无法应付单一数据源出现错误或者不足以作为数据分析基础时的数据分析错误的问题。可见,现有技术存在缺陷,亟需得到解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于可穿戴设备数据的数据分析方法、装置及系统,能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。
为了解决上述技术问题,本发明第一方面公开了一种基于可穿戴设备数据的数据分析方法,所述方法包括:
获取出现异常情况的目标区域的第一影像数据,判断所述第一影像数据是否足以进行所述目标区域的异常分析;
当判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;
获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;
根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。
作为一种可选的实施方式,在本发明第一方面中,所述判断所述第一影像数据是否足以进行所述目标区域的异常分析,包括:
基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标;
若所述异常情况分析算法无法完成对所述第一影像数据的演算,则确定所述第一影像数据不足以进行所述目标区域的异常分析,否则:
判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若所述第一判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
若所述第一判断结果为否,判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,若所述第二判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析。
作为一种可选的实施方式,在本发明第一方面中,所述基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标,包括:
将所述第一影像数据输入至预先训练好的异常分析神经网络模型,以预测所述第一影像数据情况对应的多个异常情况和属于每一所述异常情况的概率;所述异常分析神经网络模型通过包括有多个标注有异常情况的影像数据的训练数据集训练得到;所述异常分析神经网络模型包括卷积层和全连接层;
以及,所述判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,包括:
筛除出所述第一影像数据情况对应的多个异常情况中所述概率之间的差值小于预设的差值阈值的多个待比较异常情况;
判断所述多个待比较异常情况之中是否存在至少三种不同的异常情况,得到第一判断结果;
以及,所述判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,包括:
确定出所述第一影像数据情况对应的多个所述概率中数值最大的目标概率;
判断所述目标概率是否大于预设的概率阈值,得到第二判断结果。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述第一影像数据,确定所述目标区域中的目击用户,包括:
基于图像分析算法,识别出所述第一影像数据中的多个人体影像;
基于人体朝向分析算法,确定任一所述人体影像的人体朝向;
对于任一所述人体影像,判断该人体影像的人体朝向是否对准所述目标区域的所述异常情况的可能发生区域,若是,则确定该人体影像为目击人体影像;
对于任一所述目击人体影像,根据预设的影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
作为一种可选的实施方式,在本发明第一方面中,所述目击用户包括多个目击用户;所述第二影像数据包括多个第二影像数据;所述根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析,包括:
将所述多个第二影像数据分别输入至所述异常分析神经网络模型,得到每一所述第二影像数据对应的概率最高的第一异常情况;
确定所述第一影像数据情况对应的多个异常情况中所述概率最高的第二异常情况;
将所有所述第一异常情况和所述第二异常情况中出现次数最多的异常情况,确定为所述目标区域发生的异常情况。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况,包括:
确定所述第一影像数据属于所述第二异常情况的第一概率;
确定每一所述第二影像数据属于对应的所述第一异常情况的第二概率,得到多个所述第二概率;
计算所有所述第二概率的标准差值和平均值;
计算所述第一概率与所述平均值之间的第一差值;
判断所述第一差值是否大于所述标准差值与预设倍数的乘积,若是,则判断所述影像获取设备的可靠性情况为不可靠;
和/或,
计算所述第一概率与所有所述第二概率中每一所述第二概率之间的概率差值;
判断所有所述概率差值的求和平均结果是否大于所述所有所述第二概率的平均值,若是,则判断所述影像获取设备的可靠性情况为不可靠。
本发明第二方面公开了一种基于可穿戴设备数据的数据分析装置,所述装置包括:
判断模块,用于获取出现异常情况的目标区域的第一影像数据,判断所述第一影像数据是否足以进行所述目标区域的异常分析;
确定模块,用于在所述判断模块判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;
获取模块,用于获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;
分析模块,用于根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块判断所述第一影像数据是否足以进行所述目标区域的异常分析的具体方式,包括:
基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标;
若所述异常情况分析算法无法完成对所述第一影像数据的演算,则确定所述第一影像数据不足以进行所述目标区域的异常分析,否则:
判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若所述第一判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
若所述第一判断结果为否,判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,若所述第二判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标的具体方式,包括:
将所述第一影像数据输入至预先训练好的异常分析神经网络模型,以预测所述第一影像数据情况对应的多个异常情况和属于每一所述异常情况的概率;所述异常分析神经网络模型通过包括有多个标注有异常情况的影像数据的训练数据集训练得到;所述异常分析神经网络模型包括卷积层和全连接层;
以及,所述判断模块判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果的具体方式,包括:
筛除出所述第一影像数据情况对应的多个异常情况中所述概率之间的差值小于预设的差值阈值的多个待比较异常情况;
判断所述多个待比较异常情况之中是否存在至少三种不同的异常情况,得到第一判断结果;
以及,所述判断模块判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果的具体方式,包括:
确定出所述第一影像数据情况对应的多个所述概率中数值最大的目标概率;
判断所述目标概率是否大于预设的概率阈值,得到第二判断结果。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述第一影像数据,确定所述目标区域中的目击用户的具体方式,包括:
基于图像分析算法,识别出所述第一影像数据中的多个人体影像;
基于人体朝向分析算法,确定任一所述人体影像的人体朝向;
对于任一所述人体影像,判断该人体影像的人体朝向是否对准所述目标区域的所述异常情况的可能发生区域,若是,则确定该人体影像为目击人体影像;
对于任一所述目击人体影像,根据预设的影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
作为一种可选的实施方式,在本发明第二方面中,所述目击用户包括多个目击用户;所述第二影像数据包括多个第二影像数据;所述分析模块根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析的具体方式,包括:
将所述多个第二影像数据分别输入至所述异常分析神经网络模型,得到每一所述第二影像数据对应的概率最高的第一异常情况;
确定所述第一影像数据情况对应的多个异常情况中所述概率最高的第二异常情况;
将所有所述第一异常情况和所述第二异常情况中出现次数最多的异常情况,确定为所述目标区域发生的异常情况。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块还用于根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况的具体方式,包括:
确定所述第一影像数据属于所述第二异常情况的第一概率;
确定每一所述第二影像数据属于对应的所述第一异常情况的第二概率,得到多个所述第二概率;
计算所有所述第二概率的标准差值和平均值;
计算所述第一概率与所述平均值之间的第一差值;
判断所述第一差值是否大于所述标准差值与预设倍数的乘积,若是,则判断所述影像获取设备的可靠性情况为不可靠;
和/或,
计算所述第一概率与所有所述第二概率中每一所述第二概率之间的概率差值;
判断所有所述概率差值的求和平均结果是否大于所述所有所述第二概率的平均值,若是,则判断所述影像获取设备的可靠性情况为不可靠。
本发明第三方面公开了另一种基于可穿戴设备数据的数据分析装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于可穿戴设备数据的数据分析方法中的部分或全部步骤。
本发明第四方面公开了一种基于可穿戴设备数据的数据分析系统,所述系统包括:
用于获取第一影像数据的影像获取设备;
设置在至少一个用户身上的用于获取第二影像数据的可穿戴设备;
连接至所述影像获取设备和所述可穿戴设备的数据分析设备;
所述数据分析设备用于执行本发明第一方面公开的基于可穿戴设备数据的数据分析方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,公开了一种基于可穿戴设备数据的数据分析方法、装置及系统,该方法包括:获取出现异常情况的目标区域的第一影像数据,判断所述第一影像数据是否足以进行所述目标区域的异常分析;当判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。可见,本发明实施例能够在判断到第一影像数据不足以进行异常分析时获取通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。
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是本发明实施例公开的一种基于可穿戴设备数据的数据分析方法的流程示意图。
图2是本发明实施例公开的一种基于可穿戴设备数据的数据分析装置的结构示意图。
图3是本发明实施例公开的另一种基于可穿戴设备数据的数据分析装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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上述附图中的术语“第一”、“第二”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、装置、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他步骤或单元。
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出现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。
本发明公开了一种基于可穿戴设备数据的数据分析方法、装置及系统,能够在判断到第一影像数据不足以进行异常分析时获取通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于可穿戴设备数据的数据分析方法的流程示意图。如图1所示,该基于可穿戴设备数据的数据分析方法可以包括以下操作:
101、获取出现异常情况的目标区域的第一影像数据,判断第一影像数据是否足以进行目标区域的异常分析。
可选的,第一影像数据可以由设置在目标区域的与目标区域绑定的固定的影像获取设备进行获取。可选的,异常情况可以为交通异常情况如交通事故,或是社会异常情况如暴恐事件,或是其他定义范围内的异常情况,本发明不作限定。可选的,目标区域的类型同样可以为各种类型的区域,例如室内区域或室外区域,如商场室内区域或室外的道路区域,相应的,影像获取设备可以为设置在这些区域的固定的摄像头,如交通摄像头、公共设施摄像头或是店铺自助安装的摄像头。
可选的,判断第一影像数据是否足以进行目标区域的异常分析,除了下方实施方式中所述的步骤,也可以由操作人员进行人工的判断,或是直接通过判断第一影像数据中的特定数据参数是否满足预设的参数阈值来判断,例如通过判断第一影像数据的分辨率是否大于预设的分辨率阈值,若是则判断其足以进行异常分析,否则判断其不足以进行异常分析。
102、当判断到第一影像数据不足以进行目标区域的异常分析时,根据第一影像数据,确定目标区域中的目击用户。
可选的,目击用户为可能目击到异常情况的用户。可选的,目击用户的确定,可以根据异常情况的类型,基于不同的规则来确定。例如,当异常情况为交通事故时,其影响范围较大,可以通过将目标区域中的所有用户确定为目击用户,因为此时目标区域的所有用户一般均会望向事故发生位置,而当异常情况为社会事件如偷窃事件时,则需要缩小范围,可以将异常情况发生位置的附近预设范围内的用户确定为目击用户。
103、获取由目击用户的可穿戴设备获取的目标区域的第二影像数据。
可选的,可以生成数据发送指令发送至目击用户的可穿戴设备,以获取由目击用户的可穿戴设备获取的目标区域的第二影像数据。可选的,可穿戴设备可以为设置有影像获取设备的VR设备或移动通信设备,例如头戴式的VR设备,或是用户持有的手机或平板电脑。可选的,可穿戴设备可以设置在用户身上,也可以设置在用户的交通工具上,例如用户所驾驶或乘坐的车辆上的摄像头。
104、根据第一影像数据和第二影像数据,进行目标区域的异常分析。
可选的,可以利用图像分析算法,综合第一影像数据和第二影像数据,分析出目标区域的异常情况的类型,例如利用训练好的神经网络模型来进行异常分析。
可见,本发明实施例能够在判断到第一影像数据不足以进行异常分析时获取通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,上述步骤101中的,判断第一影像数据是否足以进行目标区域的异常分析,包括:
基于预设的异常情况分析算法对第一影像数据进行演算,得到第一影像数据情况的分析结果和影像预测指标;
若异常情况分析算法无法完成对第一影像数据的演算,则确定第一影像数据不足以进行目标区域的异常分析,否则:
判断分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若第一判断结果为是,则确定第一影像数据不足以进行目标区域的异常分析;
若第一判断结果为否,判断影像预测指标是否大于预设的指标阈值,得到第二判断结果,若第二判断结果为是,则确定第一影像数据不足以进行目标区域的异常分析。
可见,通过实施可选的实施方式,能够基于预设的异常情况分析算法对第一影像数据进行演算的结果,来判断第一影像数据是否足以进行目标区域的异常分析,从而能够准确分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,上述步骤中的,基于预设的异常情况分析算法对第一影像数据进行演算,得到第一影像数据情况的分析结果和影像预测指标,包括:
将第一影像数据输入至预先训练好的异常分析神经网络模型,以预测第一影像数据情况对应的多个异常情况和属于每一异常情况的概率。
可选的,异常分析神经网络模型通过包括有多个标注有异常情况的影像数据的训练数据集训练得到,具体的,异常分析神经网络模型包括卷积层和全连接层。可选的,可以在事先将训练数据集输入至训练模型中进行训练模型,其中训练模型包括异常分析神经网络模型和训练模块,训练模块通过不断更新异常分析神经网络模型的模型参数,以使得对应的损失函数不断下降直至收敛,得到训练好的异常分析神经网络模型。可选的,损失函数可以为交叉熵损失函数。
可见,通过实施可选的实施方式,能够将第一影像数据输入至预先训练好的异常分析神经网络模型,以预测第一影像数据情况对应的多个异常情况和属于每一异常情况的概率,从而能够在后续准确分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,上述步骤中的,判断分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,包括:
筛除出第一影像数据情况对应的多个异常情况中概率之间的差值小于预设的差值阈值的多个待比较异常情况;
判断多个待比较异常情况之中是否存在至少三种不同的异常情况,得到第一判断结果。
可见,通过实施可选的实施方式,能够判断分析结果是否存在多个相互之间存在矛盾的分析结果,从而能够辅助分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,上述步骤中的,判断影像预测指标是否大于预设的指标阈值,得到第二判断结果,包括:
确定出第一影像数据情况对应的多个概率中数值最大的目标概率;
判断目标概率是否大于预设的概率阈值,得到第二判断结果。
可选的,概率阈值可以由操作人员根据实验值或经验值进行设定,并在调试中不断调整中以实现最好的判断效果。
可见,通过实施可选的实施方式,能够判断影像预测指标是否大于预设的指标阈值,从而能够辅助分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,上述步骤102中的,根据第一影像数据,确定目标区域中的目击用户,包括:
基于图像分析算法,识别出第一影像数据中的多个人体影像;
基于人体朝向分析算法,确定任一人体影像的人体朝向;
对于任一人体影像,判断该人体影像的人体朝向是否对准目标区域的异常情况的可能发生区域,若是,则确定该人体影像为目击人体影像;
对于任一目击人体影像,根据预设的影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
可选的,人体朝向分析算法可以为训练好的人体朝向分析神经网络模型,可选的,人体朝向分析神经网络模型通过包括有多个标注有人体朝向的训练人体影像数据的训练数据集训练得到,具体的,人体朝向分析神经网络模型包括卷积层和全连接层。可选的,可以在事先将训练数据集输入至人体训练模型中进行训练模型,其中人体训练模型包括人体朝向分析神经网络模型和模型训练模块,模型训练模块通过不断更新人体朝向分析神经网络模型的模型参数,以使得对应的损失函数不断下降直至收敛,得到训练好的人体朝向分析神经网络模型。可选的,损失函数可以为交叉熵损失函数。
可选的,预设的影像特征-用户对应关系中可以设定有影像特征与用户信息之间的对应关系,其中,影像特征可以包括人脸影像特征、身高特征、服装特征和装饰物特征中的至少一种。可选的,对于任一目击人体影像,可以先采用图像识别算法识别出其对应的影像特征,再通过影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
可见,通过实施可选的实施方式,能够根据第一影像数据中人体影像的朝向和特征,确定目标区域中的目击用户,从而能够准确确定出目击用户,以便于后续通过目击用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,目击用户可以包括多个目击用户,则相应的,第二影像数据可以包括由多个目击用户的可穿戴设备获取的多个第二影像数据。具体的,上述步骤104中的,根据第一影像数据和第二影像数据,进行目标区域的异常分析,包括:
将多个第二影像数据分别输入至异常分析神经网络模型,得到每一第二影像数据对应的概率最高的第一异常情况;
确定第一影像数据情况对应的多个异常情况中概率最高的第二异常情况;
将所有第一异常情况和第二异常情况中出现次数最多的异常情况,确定为目标区域发生的异常情况。
可见,通过实施可选的实施方式,能够根据第一影像数据和第二影像数据以及异常分析神经网络模型进行目标区域的异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,该方法还包括:
根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况。
可选的,可靠性情况可以用于指示影像获取设备的可靠性,且可以在后续用于评估该设备是否出现故障或是是否存在被黑客入侵篡改的可能性,例如在可靠性参数非常低时判定可靠性情况为不可靠,则可以考虑对该设备进行整修或更换。可选的,可以通过比较第一异常情况和第二异常情况之间的差异情况,确定第一影像数据对应的影像获取设备的可靠性参数,例如可以计算第一异常情况和第二异常情况之间的相似度,并将相似度确定第一影像数据对应的影像获取设备的可靠性参数。
可见,通过实施可选的实施方式,能够根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性情况,从而能够评估影像获取设备的可靠性。
作为一种可选的实施方式,上述步骤中的,根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况,包括:
确定第一影像数据属于第二异常情况的第一概率;
确定每一第二影像数据属于对应的第一异常情况的第二概率,得到多个第二概率;
计算所有第二概率的标准差值和平均值;
计算第一概率与平均值之间的第一差值;
判断第一差值是否大于标准差值与预设倍数的乘积,若是,则判断影像获取设备的可靠性情况为不可靠。
作为一种可选的实施方式,上述步骤中的,根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况,包括:
确定第一影像数据属于第二异常情况的第一概率;
确定每一第二影像数据属于对应的第一异常情况的第二概率,得到多个第二概率;
计算第一概率与所有第二概率中每一第二概率之间的概率差值;
判断所有概率差值的求和平均结果是否大于所有第二概率的平均值,若是,则判断影像获取设备的可靠性情况为不可靠。
可见,通过实施上面两个可选的实施方式,能够根据第一影像数据属于第二异常情况的第一概率和第二影像数据属于对应的第一异常情况的第二概率,准确地确定出影像获取设备的可靠性情况,从而能够更加精确和合理地评估影像获取设备的可靠性。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于可穿戴设备数据的数据分析装置的结构示意图。如图2所示,该基于可穿戴设备数据的数据分析装置可以包括:
判断模块201,用于获取出现异常情况的目标区域的第一影像数据,判断第一影像数据是否足以进行目标区域的异常分析。
可选的,第一影像数据可以由设置在目标区域的与目标区域绑定的固定的影像获取设备进行获取。可选的,异常情况可以为交通异常情况如交通事故,或是社会异常情况如暴恐事件,或是其他定义范围内的异常情况,本发明不作限定。可选的,目标区域的类型同样可以为各种类型的区域,例如室内区域或室外区域,如商场室内区域或室外的道路区域,相应的,影像获取设备可以为设置在这些区域的固定的摄像头,如交通摄像头、公共设施摄像头或是店铺自助安装的摄像头。
可选的,判断第一影像数据是否足以进行目标区域的异常分析,除了下方实施方式中所述的步骤,也可以由操作人员进行人工的判断,或是直接通过判断第一影像数据中的特定数据参数是否满足预设的参数阈值来判断,例如通过判断第一影像数据的分辨率是否大于预设的分辨率阈值,若是则判断其足以进行异常分析,否则判断其不足以进行异常分析。
确定模块202,用于当判断到第一影像数据不足以进行目标区域的异常分析时,根据第一影像数据,确定目标区域中的目击用户。
可选的,目击用户为可能目击到异常情况的用户。可选的,目击用户的确定,可以根据异常情况的类型,基于不同的规则来确定。例如,当异常情况为交通事故时,其影响范围较大,可以通过将目标区域中的所有用户确定为目击用户,因为此时目标区域的所有用户一般均会望向事故发生位置,而当异常情况为社会事件如偷窃事件时,则需要缩小范围,可以将异常情况发生位置的附近预设范围内的用户确定为目击用户。
获取模块203,用于获取由目击用户的可穿戴设备获取的目标区域的第二影像数据。
可选的,可以生成数据发送指令发送至目击用户的可穿戴设备,以获取由目击用户的可穿戴设备获取的目标区域的第二影像数据。可选的,可穿戴设备可以为设置有影像获取设备的VR设备或移动通信设备,例如头戴式的VR设备,或是用户持有的手机或平板电脑。可选的,可穿戴设备可以设置在用户身上,也可以设置在用户的交通工具上,例如用户所驾驶或乘坐的车辆上的摄像头。
分析模块204,用于根据第一影像数据和第二影像数据,进行目标区域的异常分析。
可选的,可以利用图像分析算法,综合第一影像数据和第二影像数据,分析出目标区域的异常情况的类型,例如利用训练好的神经网络模型来进行异常分析。
可见,本发明实施例能够在判断到第一影像数据不足以进行异常分析时获取通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,避免单一数据源导致的数据分析错误,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,判断模块201判断第一影像数据是否足以进行目标区域的异常分析的具体方式,包括:
基于预设的异常情况分析算法对第一影像数据进行演算,得到第一影像数据情况的分析结果和影像预测指标;
若异常情况分析算法无法完成对第一影像数据的演算,则确定第一影像数据不足以进行目标区域的异常分析,否则:
判断分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若第一判断结果为是,则确定第一影像数据不足以进行目标区域的异常分析;
若第一判断结果为否,判断影像预测指标是否大于预设的指标阈值,得到第二判断结果,若第二判断结果为是,则确定第一影像数据不足以进行目标区域的异常分析。
可见,通过实施可选的实施方式,能够基于预设的异常情况分析算法对第一影像数据进行演算的结果,来判断第一影像数据是否足以进行目标区域的异常分析,从而能够准确分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,判断模块201基于预设的异常情况分析算法对第一影像数据进行演算,得到第一影像数据情况的分析结果和影像预测指标的具体方式,包括:
将第一影像数据输入至预先训练好的异常分析神经网络模型,以预测第一影像数据情况对应的多个异常情况和属于每一异常情况的概率。
可选的,异常分析神经网络模型通过包括有多个标注有异常情况的影像数据的训练数据集训练得到,具体的,异常分析神经网络模型包括卷积层和全连接层。可选的,可以在事先将训练数据集输入至训练模型中进行训练模型,其中训练模型包括异常分析神经网络模型和训练模块,训练模块通过不断更新异常分析神经网络模型的模型参数,以使得对应的损失函数不断下降直至收敛,得到训练好的异常分析神经网络模型。可选的,损失函数可以为交叉熵损失函数。
可见,通过实施可选的实施方式,能够将第一影像数据输入至预先训练好的异常分析神经网络模型,以预测第一影像数据情况对应的多个异常情况和属于每一异常情况的概率,从而能够在后续准确分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,判断模块201判断分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果的具体方式,包括:
筛除出第一影像数据情况对应的多个异常情况中概率之间的差值小于预设的差值阈值的多个待比较异常情况;
判断多个待比较异常情况之中是否存在至少三种不同的异常情况,得到第一判断结果。
可见,通过实施可选的实施方式,能够判断分析结果是否存在多个相互之间存在矛盾的分析结果,从而能够辅助分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,判断模块201判断影像预测指标是否大于预设的指标阈值,得到第二判断结果的具体方式,包括:
确定出第一影像数据情况对应的多个概率中数值最大的目标概率;
判断目标概率是否大于预设的概率阈值,得到第二判断结果。
可选的,概率阈值可以由操作人员根据实验值或经验值进行设定,并在调试中不断调整中以实现最好的判断效果。
可见,通过实施可选的实施方式,能够判断影像预测指标是否大于预设的指标阈值,从而能够辅助分析出第一影像数据是否足以进行异常分析,以便于在不足以的情况下通过现场用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,确定模块202根据第一影像数据,确定目标区域中的目击用户的具体方式,包括:
基于图像分析算法,识别出第一影像数据中的多个人体影像;
基于人体朝向分析算法,确定任一人体影像的人体朝向;
对于任一人体影像,判断该人体影像的人体朝向是否对准目标区域的异常情况的可能发生区域,若是,则确定该人体影像为目击人体影像;
对于任一目击人体影像,根据预设的影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
可选的,人体朝向分析算法可以为训练好的人体朝向分析神经网络模型,可选的,人体朝向分析神经网络模型通过包括有多个标注有人体朝向的训练人体影像数据的训练数据集训练得到,具体的,人体朝向分析神经网络模型包括卷积层和全连接层。可选的,可以在事先将训练数据集输入至人体训练模型中进行训练模型,其中人体训练模型包括人体朝向分析神经网络模型和模型训练模块,模型训练模块通过不断更新人体朝向分析神经网络模型的模型参数,以使得对应的损失函数不断下降直至收敛,得到训练好的人体朝向分析神经网络模型。可选的,损失函数可以为交叉熵损失函数。
可选的,预设的影像特征-用户对应关系中可以设定有影像特征与用户信息之间的对应关系,其中,影像特征可以包括人脸影像特征、身高特征、服装特征和装饰物特征中的至少一种。可选的,对于任一目击人体影像,可以先采用图像识别算法识别出其对应的影像特征,再通过影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
可见,通过实施可选的实施方式,能够根据第一影像数据中人体影像的朝向和特征,确定目标区域中的目击用户,从而能够准确确定出目击用户,以便于后续通过目击用户的可穿戴设备获取的第二影像数据来辅助异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,目击用户可以包括多个目击用户,则相应的,第二影像数据可以包括由多个目击用户的可穿戴设备获取的多个第二影像数据。具体的,分析模块204根据第一影像数据和第二影像数据,进行目标区域的异常分析的具体方式,包括:
将多个第二影像数据分别输入至异常分析神经网络模型,得到每一第二影像数据对应的概率最高的第一异常情况;
确定第一影像数据情况对应的多个异常情况中概率最高的第二异常情况;
将所有第一异常情况和第二异常情况中出现次数最多的异常情况,确定为目标区域发生的异常情况。
可见,通过实施可选的实施方式,能够根据第一影像数据和第二影像数据以及异常分析神经网络模型进行目标区域的异常分析,从而能够实现更加智能更加精确地异常情况分析,进而提高数据分析的稳定性和有效性。
作为一种可选的实施方式,确定模块202还用于:
根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况。
可选的,可靠性情况可以用于指示影像获取设备的可靠性,且可以在后续用于评估该设备是否出现故障或是是否存在被黑客入侵篡改的可能性,例如在可靠性参数非常低时判定可靠性情况为不可靠,则可以考虑对该设备进行整修或更换。可选的,可以通过比较第一异常情况和第二异常情况之间的差异情况,确定第一影像数据对应的影像获取设备的可靠性参数,例如可以计算第一异常情况和第二异常情况之间的相似度,并将相似度确定第一影像数据对应的影像获取设备的可靠性参数。
可见,通过实施可选的实施方式,能够根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性情况,从而能够评估影像获取设备的可靠性。
作为一种可选的实施方式,确定模块202根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况的具体方式,包括:
确定第一影像数据属于第二异常情况的第一概率;
确定每一第二影像数据属于对应的第一异常情况的第二概率,得到多个第二概率;
计算所有第二概率的标准差值和平均值;
计算第一概率与平均值之间的第一差值;
判断第一差值是否大于标准差值与预设倍数的乘积,若是,则判断影像获取设备的可靠性情况为不可靠。
作为一种可选的实施方式,确定模块202根据第一异常情况和第二异常情况,确定第一影像数据对应的影像获取设备的可靠性参数,根据可靠性参数,确定影像获取设备的可靠性情况的具体方式,包括:
确定第一影像数据属于第二异常情况的第一概率;
确定每一第二影像数据属于对应的第一异常情况的第二概率,得到多个第二概率;
计算第一概率与所有第二概率中每一第二概率之间的概率差值;
判断所有概率差值的求和平均结果是否大于所有第二概率的平均值,若是,则判断影像获取设备的可靠性情况为不可靠。
可见,通过实施上面两个可选的实施方式,能够根据第一影像数据属于第二异常情况的第一概率和第二影像数据属于对应的第一异常情况的第二概率,准确地确定出影像获取设备的可靠性情况,从而能够更加精确和合理地评估影像获取设备的可靠性。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于可穿戴设备数据的数据分析装置。如图3所示,该基于可穿戴设备数据的数据分析装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的基于可穿戴设备数据的数据分析方法的部分或全部步骤。
实施例四
本发明实施例公开了一种基于可穿戴设备数据的数据分析系统,该基于可穿戴设备数据的数据分析系统可以包括:
用于获取第一影像数据的影像获取设备;
设置在至少一个用户身上的用于获取第二影像数据的可穿戴设备;
连接至影像获取设备和可穿戴设备的数据分析设备;
数据分析设备用于执行实施例一所描述的基于可穿戴设备数据的数据分析方法的部分或全部步骤。
实施例五
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于可穿戴设备数据的数据分析方法的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该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,且该计算机程序可操作来使计算机执行实施例一所描述的基于可穿戴设备数据的数据分析方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,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、设备、非易失性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。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray, FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,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,对于系统实施例而言,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。
最后应说明的是:本发明实施例公开的一种基于可穿戴设备数据的数据分析方法、装置及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种基于可穿戴设备数据的数据分析方法,其特征在于,所述方法包括:
获取出现异常情况的目标区域的第一影像数据,基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标;
若所述异常情况分析算法无法完成对所述第一影像数据的演算,则确定所述第一影像数据不足以进行所述目标区域的异常分析,否则:
判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若所述第一判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
若所述第一判断结果为否,判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,若所述第二判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
当判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;
获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;
根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。
2.根据权利要求1所述的基于可穿戴设备数据的数据分析方法,其特征在于,所述基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标,包括:
将所述第一影像数据输入至预先训练好的异常分析神经网络模型,以预测所述第一影像数据情况对应的多个异常情况和属于每一所述异常情况的概率;所述异常分析神经网络模型通过包括有多个标注有异常情况的影像数据的训练数据集训练得到;所述异常分析神经网络模型包括卷积层和全连接层;
以及,所述判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,包括:
筛除出所述第一影像数据情况对应的多个异常情况中所述概率之间的差值小于预设的差值阈值的多个待比较异常情况;
判断所述多个待比较异常情况之中是否存在至少三种不同的异常情况,得到第一判断结果;
以及,所述判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,包括:
确定出所述第一影像数据情况对应的多个所述概率中数值最大的目标概率;
判断所述目标概率是否大于预设的概率阈值,得到第二判断结果。
3.根据权利要求1所述的基于可穿戴设备数据的数据分析方法,其特征在于,所述根据所述第一影像数据,确定所述目标区域中的目击用户,包括:
基于图像分析算法,识别出所述第一影像数据中的多个人体影像;
基于人体朝向分析算法,确定任一所述人体影像的人体朝向;
对于任一所述人体影像,判断该人体影像的人体朝向是否对准所述目标区域的所述异常情况的可能发生区域,若是,则确定该人体影像为目击人体影像;
对于任一所述目击人体影像,根据预设的影像特征-用户对应关系,确定该目标人体影像对应的用户信息为目击用户。
4.根据权利要求2所述的基于可穿戴设备数据的数据分析方法,其特征在于,所述目击用户包括多个目击用户;所述第二影像数据包括多个第二影像数据;所述根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析,包括:
将所述多个第二影像数据分别输入至所述异常分析神经网络模型,得到每一所述第二影像数据对应的概率最高的第一异常情况;
确定所述第一影像数据情况对应的多个异常情况中所述概率最高的第二异常情况;
将所有所述第一异常情况和所述第二异常情况中出现次数最多的异常情况,确定为所述目标区域发生的异常情况。
5.根据权利要求4所述的基于可穿戴设备数据的数据分析方法,其特征在于,所述方法还包括:
根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况。
6.根据权利要求5所述的基于可穿戴设备数据的数据分析方法,其特征在于,所述根据所述第一异常情况和所述第二异常情况,确定所述第一影像数据对应的影像获取设备的可靠性参数,根据所述可靠性参数,确定所述影像获取设备的可靠性情况,包括:
确定所述第一影像数据属于所述第二异常情况的第一概率;
确定每一所述第二影像数据属于对应的所述第一异常情况的第二概率,得到多个所述第二概率;
计算所有所述第二概率的标准差值和平均值;
计算所述第一概率与所述平均值之间的第一差值;
判断所述第一差值是否大于所述标准差值与预设倍数的乘积,若是,则判断所述影像获取设备的可靠性情况为不可靠;
和/或,
计算所述第一概率与所有所述第二概率中每一所述第二概率之间的概率差值;
判断所有所述概率差值的求和平均结果是否大于所述所有所述第二概率的平均值,若是,则判断所述影像获取设备的可靠性情况为不可靠。
7.一种基于可穿戴设备数据的数据分析装置,其特征在于,所述装置包括:
判断模块,用于获取出现异常情况的目标区域的第一影像数据,判断所述第一影像数据是否足以进行所述目标区域的异常分析;所述判断模块判断所述第一影像数据是否足以进行所述目标区域的异常分析的具体方式,包括:
基于预设的异常情况分析算法对所述第一影像数据进行演算,得到所述第一影像数据情况的分析结果和影像预测指标;
若所述异常情况分析算法无法完成对所述第一影像数据的演算,则确定所述第一影像数据不足以进行所述目标区域的异常分析,否则:
判断所述分析结果是否存在多个相互之间存在矛盾的分析结果,得到第一判断结果,若所述第一判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
若所述第一判断结果为否,判断所述影像预测指标是否大于预设的指标阈值,得到第二判断结果,若所述第二判断结果为是,则确定所述第一影像数据不足以进行所述目标区域的异常分析;
确定模块,用于在所述判断模块判断到所述第一影像数据不足以进行所述目标区域的异常分析时,根据所述第一影像数据,确定所述目标区域中的目击用户;所述目击用户为可能目击到所述异常情况的用户;
获取模块,用于获取由所述目击用户的可穿戴设备获取的所述目标区域的第二影像数据;
分析模块,用于根据所述第一影像数据和所述第二影像数据,进行所述目标区域的异常分析。
8.一种基于可穿戴设备数据的数据分析装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的基于可穿戴设备数据的数据分析方法。
9.一种基于可穿戴设备数据的数据分析系统,其特征在于,所述系统包括:
用于获取第一影像数据的影像获取设备;
设置在至少一个用户身上的用于获取第二影像数据的可穿戴设备;
连接至所述影像获取设备和所述可穿戴设备的数据分析设备;
所述数据分析设备用于执行如权利要求1-6任一项所述的基于可穿戴设备数据的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210336022.XA CN114419679B (zh) | 2022-04-01 | 2022-04-01 | 基于可穿戴设备数据的数据分析方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210336022.XA CN114419679B (zh) | 2022-04-01 | 2022-04-01 | 基于可穿戴设备数据的数据分析方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419679A CN114419679A (zh) | 2022-04-29 |
CN114419679B true CN114419679B (zh) | 2022-07-08 |
Family
ID=81264073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210336022.XA Active CN114419679B (zh) | 2022-04-01 | 2022-04-01 | 基于可穿戴设备数据的数据分析方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419679B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475367B (zh) * | 2023-06-12 | 2024-05-07 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
CN117423445B (zh) * | 2023-12-11 | 2024-03-15 | 广东壹健康健康产业集团股份有限公司 | 基于用户集群感知的智能指环控制方法及装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005130357A (ja) * | 2003-10-27 | 2005-05-19 | Nec Corp | 犯罪通報システム、サーバ、プログラム |
US20100241723A1 (en) * | 2009-03-17 | 2010-09-23 | Hugh Dornbush | Computer-Implemented Delivery of Real-Time Participatory Experience of Localized Events |
US20150019533A1 (en) * | 2013-07-15 | 2015-01-15 | Strawberry Media, Inc. | System, methods, & apparatuses for implementing an accident scene rescue, extraction and incident safety solution |
US9472104B2 (en) * | 2013-11-26 | 2016-10-18 | Elwha Llc | Systems and methods for automatically documenting an accident |
US9858855B2 (en) * | 2014-06-05 | 2018-01-02 | International Business Machines Corporation | Wearable display device |
KR101791431B1 (ko) * | 2014-09-04 | 2017-10-31 | 주식회사 세이프존 | 이동통신망을 이용한 안전관리 시스템 |
CN105828020A (zh) * | 2015-01-04 | 2016-08-03 | 中国移动通信集团辽宁有限公司 | 一种基于车联网的事故还原控制方法及系统 |
KR101675306B1 (ko) * | 2015-03-20 | 2016-11-11 | 현대자동차주식회사 | 사고 정보 관리 장치, 이를 포함하는 차량 및 사고 정보 관리 방법 |
KR101714158B1 (ko) * | 2015-06-09 | 2017-03-08 | 현대자동차주식회사 | 차량사고 기록장치 및 그의 사고정보 생성 방법 |
CN107066365B (zh) * | 2017-02-20 | 2021-01-01 | 创新先进技术有限公司 | 一种系统异常的监测方法及装置 |
JP6796000B2 (ja) * | 2017-02-21 | 2020-12-02 | セコム株式会社 | 監視支援装置及び監視システム |
JP7258596B2 (ja) * | 2019-02-25 | 2023-04-17 | i-PRO株式会社 | 捜査支援システムおよび捜査支援方法 |
CN110072022A (zh) * | 2019-04-19 | 2019-07-30 | 努比亚技术有限公司 | 安全报警处理方法、可穿戴设备和计算机可读存储介质 |
CN110136012A (zh) * | 2019-05-14 | 2019-08-16 | 福建工程学院 | 一种基于区块链技术的事故辅助定责方法 |
CN110837011A (zh) * | 2019-09-27 | 2020-02-25 | 深圳市火乐科技发展有限公司 | 异常数据处理方法、装置、智能投影仪及存储介质 |
CN112783731B (zh) * | 2021-01-29 | 2023-09-05 | 北京百度网讯科技有限公司 | 异常设备检测方法、装置、设备和存储介质 |
CN112991129A (zh) * | 2021-03-16 | 2021-06-18 | 广东省电信规划设计院有限公司 | 基于人工智能的公共安全事件处理方法及装置 |
-
2022
- 2022-04-01 CN CN202210336022.XA patent/CN114419679B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114419679A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN114419679B (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
CN107808098B (zh) | 一种模型安全检测方法、装置以及电子设备 | |
TWI686759B (zh) | 車險定損資料的處理方法、裝置和處理設備 | |
CN112801229B (zh) | 一种识别模型的训练方法及装置 | |
CN111523431A (zh) | 一种面部识别的方法、装置及设备 | |
CN114283357A (zh) | 一种车辆检测方法、装置、存储介质及电子设备 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN110414572B (zh) | 一种图像识别的方法及装置 | |
CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN111291749A (zh) | 手势识别方法、装置及机器人 | |
CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN115567371A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN113111872B (zh) | 图像识别模型的训练方法、装置及电子设备、存储介质 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN113642616A (zh) | 一种基于环境数据的训练样本的生成方法及装置 | |
CN110807397A (zh) | 一种预测目标物运动状态的方法及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN113469159B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN115599891B (zh) | 一种确定异常对话数据方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |