[发明专利]使用多层前馈网络模型的报警方法、装置及电子设备

说明书

本公开提供了一种使用多层前馈网络模型的报警方法、装置及电子设备。该报警方法和装置可以用于区域安全技术领域、金融领域或其他领域。该报警方法包括：使用动态视觉传感器获取目标场景的多脉冲事件流；使用输入层将多脉冲事件流输入至多层前馈网络模型；使用特征提取层对多脉冲事件流进行特征提取及编码，以生成多脉冲特征序列；使用分类层对多脉冲特征序列进行分类，生成分类结果并输出；以及判断分类结果是否属于异常情况，并基于异常情况生成报警信号。

技术领域

本公开涉及区域安全技术领域，更具体地，涉及一种使用多层前馈网络模型的报警方法、装置、电子设备及存储介质。

背景技术

随着技术的发展，越来越多的区域监测采用机器设备来执行，以降低成本提高效率。相关技术中，对于特定的目标场景进行监测常常采用高分辨率监控摄像机，其采用基于帧图像的相机来实现。该类摄像机的每帧图像之间存在间隔时间差，因此，在相邻帧图像之间会丢失关键信息。此外，连续的帧图像和每个帧图像中冗余像素浪费了大量的存储资源和计算资源，能耗高且延迟大，不利于长时间的对目标场景进行监测。

发明内容

有鉴于此，本公开提供了一种使用多层前馈网络模型的报警方法、装置、电子设备及存储介质。

本公开的一方面提供了一种使用多层前馈网络模型的报警方法，所述多层前馈网络模型包括输入层、特征提取层和分类层，其中，所述报警方法包括：使用动态视觉传感器获取目标场景的多脉冲事件流；使用所述输入层将所述多脉冲事件流输入至所述多层前馈网络模型；使用所述特征提取层对所述多脉冲事件流进行特征提取及编码，以生成多脉冲特征序列；使用所述分类层对所述多脉冲特征序列进行分类，生成分类结果并输出；以及判断所述分类结果是否属于异常情况，并基于所述异常情况生成报警信号。

根据本公开的实施例，所述特征提取层包括第一特征提取层和第二特征提取层；所述使用所述特征提取层对所述多脉冲事件流进行特征提取及编码，以生成多脉冲特征序列包括：使用所述第一特征提取层对所述多脉冲事件流进行事件驱动卷积操作，以提取所述多脉冲事件流的条形特征；以及使用所述第二特征提取层对所述条形特征的强度进行编码，生成多脉冲特征序列。

根据本公开的实施例，所述使用所述第一特征提取层对所述多脉冲事件流进行事件驱动卷积操作，以提取所述多脉冲事件流的条形特征包括：获取所述多脉冲事件流的地址信息；以及基于所述地址信息将卷积核中的每个元素覆盖至所述第一特征提取层的反应图中以更新所述反应图，得到所述条形特征。

根据本公开的实施例，所述使用所述第二特征提取层对所述条形特征的强度进行编码，以生成多脉冲特征序列包括：获取卷积核中的所述条形特征；以及对所述条形特征的强度进行编码，其中，所述条形特征的强度随着时间呈线性衰减。

根据本公开的实施例，所述使用所述第二特征提取层对所述条形特征的强度进行编码，以生成多脉冲特征序列还包括：在对所述条形特征的强度进行编码后，判断所述条形特征的强度是否超过预设阈值；以及在所述条形特征的强度超过预设阈值时，生成脉冲信号，并将所述条形特征的强度及周侧设定范围内的所述条形特征的强度重置为设定值。

根据本公开的实施例，所述使用所述第二特征提取层对所述条形特征的强度进行编码，以生成多脉冲特征序列还包括：在将所述条形特征的强度及周侧设定范围内的所述条形特征的强度重置为设定值之后，控制重置的所述条形特征的强度在预设时间内保持设定值。

根据本公开的实施例，所述分类结果至少包括正常情况和异常情况两种。

根据本公开的实施例，所述分类层包括多个Tempotron神经元构成的神经元网络。