[发明专利]一种实时事件流识别方法及系统

权利要求书

1.一种实时事件流识别方法，其特征在于，包括：

确定待识别个体事件；

将所述待识别个体事件输入至预先训练好的事件流检测模型，得到个体事件识别结果；其中，所述事件流检测模型是基于不同个体事件样本数据特征进行融合得到融合特征后，将所述融合特征进行边界匹配，并基于个体自适应元学习进行分类识别后所得到。

2.根据权利要求1所述的实时事件流识别方法，其特征在于，所述事件流检测模型，通过以下步骤获得：

获取所述视频数据特征和所述传感数据特征；

将所述视频数据特征和所述传感数据特征进行连接融合，得到所述融合特征；

将所述融合特征输入边界匹配网络，得到候选时间片段数据；

将所述候选时间片段数据输入分类识别网络，得到个体事件类型以及个体事件时间信息；

确定不同用户个体的元学习任务，对所述融合特征、所述候选时间片段数据和所述个体事件类型以及个体事件时间信息进行优化，得到所述事件流检测模型。

3.根据权利要求2所述的实时事件流识别方法，其特征在于，所述获取所述视频数据特征和所述传感数据特征，包括：

将任意长度的视频片段输入预设视频特征提取器，得到所述视频数据特征；

将所述任意长度的视频片段对应的传感器数据输入预设传感特征提取器，得到所述传感数据特征。

4.根据权利要求2所述的实时事件流识别方法，其特征在于，所述将所述视频数据特征和所述传感数据特征进行连接融合，得到所述融合特征，包括：

将具有相同特征维度的所述视频数据特征和所述传感数据特征进行连接，得到连接特征；

将所述连接特征由线性网络进行特征融合，得到具有多源异构数据统一表示的所述融合特征。

5.根据权利要求2所述的实时事件流识别方法，其特征在于，所述将所述融合特征输入边界匹配网络，得到候选时间片段数据，包括：

确定所述融合特征的时序特征序列；

基于所述时序特征序列的时序候选初始边界位置，以及时序候选长度，将所述时序候选构建为边界匹配特征图，基于所述边界匹配特征图得到边界匹配置信度图；

根据所述边界匹配置信度图的置信度分数，提取所述融合特征的特征表示，得到所述候选时间片段数据。

6.根据权利要求5所述的实时事件流识别方法，其特征在于，所述基于所述时序特征序列的时序候选初始边界位置，以及时序候选长度，将所述时序候选构建为边界匹配特征图，基于所述边界匹配特征图得到边界匹配置信度图，包括：

获取具有预设大小的边界匹配图上的任一时序候选片段；

获取所述时序特征序列中的若干第一采样点，将所述若干第一采样点确定为所述任一时序候选片段的第一时序特征序列；

获取所述任一时序候选片段的开始时间和结束时间，基于所述开始时间和所述结束时间确定预设扩展时序范围，在所述预设扩展时序范围内获取与所述若干第一采样点数量相同的若干第二采样点；

确定所述若干第二采样点中的每个采样点数值，获得第二时序特征序列；

将所述第一时序特征序列与所述第二时序特征序列进行点乘和线性插值，得到任一时序候选片段特征；

采用三维卷积网络消除所述任一时序候选片段特征中的采样点数量，并通过多个二维卷积层确定所述任一时序候选片段的上下文信息，得到所述边界匹配置信度图。

7.根据权利要求2所述的实时事件流识别方法，其特征在于，所述将所述候选时间片段数据输入分类识别网络，得到个体事件类型以及个体事件时间信息，包括：

将每个候选时间片段的数据流特征输入至所述分类识别网络，基于边界匹配置信度图确定每个候选时间片段对应的数据时段进行分类，得到每个候选时间片段中的个体事件类别、个体事件开始时间和个体事件结束时间。