福建信息化语音关键事件检测介绍

    在清单中，LayerUI的installUI()方法调用setLayerEventMask()检测鼠标移动事件，它又调用eventDispatched()方法返回结果。这个方法首先调用()方法确定鼠标移动事件相对于层的坐标位置。接下来这个方法通过检查它的坐标是否落在围绕UI中心的一个矩形区域内，检测鼠标指针是否移到印记文本上方，如果坐标刚好落在这个矩形区域内，印记文本的颜色就变为淡红色，除此以外，印记文本的颜色就恢复为蓝色。显示了鼠标移到印记文本上方前后的颜色变化。鼠标指针移到文本上方时，重新绘制文本颜色给用户一个不刺眼的提示小结JLayer对自定义绘制和事件检测的支持让你可以改进UI的各个组件，你可以将这个Swing组件和半透明及任意形状窗口特性结合起来使用，让你可以设计出更有趣的用户界面。语音关键事件检测在音频编辑和音频处理领域也有应用，如自动剪辑音频中的特定部分或去除背景噪音等。福建信息化语音关键事件检测介绍

    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，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。数字语音关键事件检测特征在语音数据中，关键事件检测可以帮助我们定位到重要的音频段，如会议中的关键决策或演讲中的关键观点。

    实施例一：待分析图像为上述类图像，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：采用各个样本图像组和每个样本图像组的事件检测结果所训练得到的模型，且每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：采用各个样本图像组和每个样本图像组的事件检测结果所训练得到的模型，且每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。

    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。语音关键事件检测在线咨询鱼亮科技！

    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，电子设备可以检测目标防护舱内是否发生异常事件，则在这种情况下。语音关键事件检测技术可以帮助我们在海量的音频数据中快速找到感兴趣的部分，提高信息处理的效率。数字语音关键事件检测特征

语音关键事件检测技术怎么样？欢迎来电咨询！福建信息化语音关键事件检测介绍

    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。福建信息化语音关键事件检测介绍