[发明专利]一种基于深度学习的恐慌度计算方法和装置

说明书

本发明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。本发明还公开了相应的恐慌度计算装置。

技术领域

本发明涉及一种基于深度学习的恐慌度计算方法和装置。

背景技术

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。

发明内容

有鉴于此，本发明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，在根据本发明的方法中，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，在根据本发明的方法中，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，在根据本发明的方法中，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，在根据本发明的方法中，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。