CN111797873A - 场景识别方法、装置、存储介质及电子设备 - Google Patents
场景识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797873A CN111797873A CN201910282441.8A CN201910282441A CN111797873A CN 111797873 A CN111797873 A CN 111797873A CN 201910282441 A CN201910282441 A CN 201910282441A CN 111797873 A CN111797873 A CN 111797873A
- Authority
- CN
- China
- Prior art keywords
- preset
- scene
- feature vector
- data
- feature
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种场景识别方法、装置、存储介质及电子设备,所述场景识别方法包括:获取当前场景的感知数据;根据所述感知数据获取特征向量;依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值;从所述多个预设特征向量中确定出目标特征向量;将所述目标特征向量对应的预设场景确定为当前场景。本申请实施例提供的场景识别方法中,电子设备可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种场景识别方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展,诸如智能手机等电子设备能够为用户提供的服务越来越多。例如,电子设备可以为用户提供社交服务、导航服务、旅游推荐服务等。为了能够给用户提供针对性、个性化的服务,电子设备需要对用户所处的场景进行识别,随后基于识别出的场景为用户提供服务。
发明内容
本申请实施例提供一种场景识别方法、装置、存储介质及电子设备,可以通过电子设备对当前场景进行识别。
本申请实施例提供一种场景识别方法,包括:
获取当前场景的感知数据;
根据所述感知数据获取所述当前场景的特征向量;
依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;
根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;
将所述目标特征向量对应的预设场景确定为当前场景。
本申请实施例还提供一种场景识别装置,包括:
第一获取模块,用于获取当前场景的感知数据;
第二获取模块,用于根据所述感知数据获取所述当前场景的特征向量;
计算模块,用于依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;
第一确定模块,用于根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;
第二确定模块,用于将所述目标特征向量对应的预设场景确定为当前场景。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述场景识别方法。
本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行上述场景识别方法。
本申请实施例提供的场景识别方法,包括:获取当前场景的感知数据;根据所述感知数据获取所述当前场景的特征向量;依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;将所述目标特征向量对应的预设场景确定为当前场景。所述场景识别方法中,电子设备可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的场景识别方法的应用场景示意图。
图2为本申请实施例提供的场景识别方法的第一种流程示意图。
图3为本申请实施例提供的场景识别方法的第二种流程示意图。
图4为本申请实施例提供的场景识别方法的第三种流程示意图。
图5为本申请实施例提供的场景识别方法的第四种流程示意图。
图6为本申请实施例提供的场景识别方法的第五种流程示意图。
图7为本申请实施例提供的场景识别方法的第六种流程示意图。
图8为本申请实施例提供的场景识别装置的第一种结构示意图。
图9为本申请实施例提供的场景识别装置的第二种结构示意图。
图10为本申请实施例提供的电子设备的第一种结构示意图。
图11为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
参考图1,图1为本申请实施例提供的场景识别方法的应用场景示意图。所述场景识别方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述场景识别方法的硬件和软件的集成。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如,所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、图像传感器、音频传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。图像传感器可以用于采集周围环境的图像,所述图像传感器例如可以为摄像头。音频传感器可以用于采集周围环境中的声音信号,所述音频传感器例如可以为麦克风。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行系统智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,所述多种算法可以构成算法库。例如,所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、词向量、K均值聚类算法、K近邻算法、余弦相似度算法、残差网络、长短期记忆网络、卷积神经网络、递归神经网络等算法。
本申请实施例提供一种场景识别方法,所述场景识别方法可以应用于电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图2,图2为本申请实施例提供的场景识别方法的第一种流程示意图。其中,所述场景识别方法包括以下步骤:
110,获取当前场景的感知数据。
电子设备可以获取当前场景的感知数据。所述当前场景为电子设备当前所处环境的场景,也即所述电子设备的用户当前所处环境的场景。需要说明的是,电子设备是通过获取到的感知数据对当前场景进行识别,因此对电子设备而言,当前场景是未知的场景。
其中,电子设备可以通过上述全景感知架构中的信息感知层来采集当前场景的感知数据。所述感知数据可以包括任意的数据。例如,所述感知数据可以包括温度、湿度、环境光强度、图像信息、音频信息等多种数据。
例如,当前场景可以为会议场景。电子设备获取到的感知数据可以包括会议场景中的多个图像信息、多个声音信息等。
120,根据所述感知数据获取所述当前场景的特征向量。
电子设备获取到当前场景的感知数据后,可以根据所述感知数据获取所述当前场景的特征向量。其中,所述特征向量可以包括多个特征。所述特征向量用于对当前场景进行量化,从而可以通过所述特征向量表示当前场景。
例如,所述特征向量可以为P(A,B,C)。其中,A、B、C均表示某个特征,例如A可以表示图像特征,B可以表示音频特征,C可以表示文本特征。通过所述特征向量P(A,B,C)即可表示当前场景的情况。
130,依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应。
电子设备中可以预先设置多个预设特征向量,并且每一预设特征向量与一个预设场景对应。也即,每一预设特征向量用于表示一个预设场景。可以理解的,预设场景对于电子设备而言是已知的场景。
例如,电子设备中可以预先设置预设特征向量P1、P2、P3等。其中,P1可以与会议场景对应,P2可以与餐厅场景对应,P3可以与地铁场景对应。也即,P1用于表示会议场景,P2用于表示餐厅场景,P3用于表示地铁场景。
需要说明的是,电子设备中设置的预设特征向量可以为大量的向量,例如电子设备中可以设置100个预设特征向量。从而,电子设备中可以预先设置大量的预设场景,每一个预设场景可以为用户生活中的某个具体场景。
电子设备获取到当前场景的特征向量后,依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值。所述特征向量与某个预设特征向量的相似度越大,表示所述特征向量与所述预设特征向量越相似,也即当前场景与所述预设特征向量对应的预设场景越相似。
例如,电子设备获取到当前场景的特征向量P后,依次计算所述特征向量P与P1的相似度N1、P与P2的相似度N2、P与P3的相似度N3。其中,N1表示P与P1之间的相似度,也可以理解为当前场景与P1对应的预设场景之间的相似度;N2表示P与P2之间的相似度,也可以理解为当前场景与P2对应的预设场景之间的相似度;N3表示P与P3之间的相似度,也可以理解为当前场景与P3对应的预设场景之间的相似度。
140,根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量。
电子设备得到多个相似度值后,可以根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量。其中,所述目标特征向量为所述多个预设特征向量中与所述当前场景的特征向量之间的相似度最大的。也即,所述目标特征向量表示的场景与当前场景的相似度最高。
150,将所述目标特征向量对应的预设场景确定为当前场景。
电子设备确定出目标特征向量后,可以将所述目标特征向量对应的预设场景确定为当前场景,从而实现对当前场景的识别。随后,电子设备可以根据识别出的场景进行智能化的操作,例如电子设备可以自动进行模式的切换、自动调节屏幕亮度,或者为用户提供针对当前场景的智能化的建议。
例如,电子设备确定的目标特征向量为P3,P3对应的预设场景为会议场景,则电子设备将会议场景确定为当前场景。随后,电子设备可以根据确定出的场景进行智能化的操作,例如电子设备可以自动切换至静音模式。
本申请实施例中,电子设备可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
在一些实施例中,参考图3,图3为本申请实施例提供的场景识别方法的第二种流程示意图。
其中,步骤120、根据所述感知数据获取所述当前场景的特征向量,包括以下步骤:
121,根据所述感知数据的数据类型选择对应的特征提取模型;
122,通过所述特征提取模型从所述感知数据中提取数据特征;
123,根据所述数据特征获取所述当前场景的特征向量。
电子设备中可以预先设置多个特征提取模型,每一个特征提取模型都用于对一种类型的数据进行特征提取。例如,电子设备中可以预先设置卷积神经网络模型、递归神经网络模型、词向量模型等。其中,卷积神经网络模型用于对图像数据进行处理,以从图像数据中提取图像特征;递归神经网络模型用于对音频数据进行处理,以从音频数据中提取音频特征;词向量模型用于对文本数据进行处理,以从文本数据中提取文本特征。
电子设备获取到当前场景的感知数据后,可以根据所述感知数据的数据类型选择对应的特征提取模型。当所述感知数据包括多种数据类型时,电子设备可以根据每一种数据类型选择一种对应的特征提取模型。
随后,电子设备通过选择的特征提取模型从所述感知数据中提取数据特征,并根据所述数据特征获取所述当前场景的特征向量。例如,电子设备可以将提取到的数据特征进行组合,以获取当前场景的特征向量。
在一些实施例中,参考图4,图4为本申请实施例提供的场景识别方法的第三种流程示意图。
其中,步骤122、通过所述特征提取模型从所述感知数据中提取数据特征,包括以下步骤:
1221,通过卷积神经网络模型从图像数据中提取图像特征;
1222,通过递归神经网络模型或长短期记忆网络模型从音频数据中提取音频特征;
1223,通过词向量模型从文本数据中提取文本特征;
步骤123、根据所述数据特征获取所述当前场景的特征向量,包括以下步骤:
1231,根据所述图像特征、所述音频特征、所述文本特征获取所述当前场景的特征向量。
其中,电子设备获取的感知数据的数据类型包括图像数据、音频数据、文本数据。电子设备针对图像数据选择的特征提取模型可以是卷积神经网络模型,针对音频数据选择的特征提取模型可以是递归神经网络模型或长短期记忆网络模型,针对文本数据选择的特征提取模型可以是词向量模型。
随后,电子设备可以通过卷积神经网络模型从图像数据中提取图像特征,通过递归神经网络模型或长短期记忆网络模型从音频数据中提取音频特征,通过词向量模型从文本数据中提取文本特征。
随后,电子设备根据提取到的图像特征、音频特征、文本特征获取当前场景的特征向量。
例如,电子设备提取到的图像特征可以为A,音频特征可以为B,文本特征可以为C。随后,电子设备可以将提取到的图像特征、音频特征、文本特征进行拼接,得到当前场景的特征向量P(A,B,C)。
在一些实施例中,电子设备还可以对得到的图像特征、音频特征、文本特征再次进行特征提取,以得到新的图像特征、新的音频特征、新的文本特征,并根据新的图像特征、新的音频特征、新的文本特征得到当前场景的特征向量。
例如,电子设备得到图像特征A、音频特征B、文本特征C后,可以采取统计的方法依次对图像特征A、音频特征B、文本特征C再次进行特征提取,得到新的图像特征A1、新的音频特征B1、新的文本特征C1,并将A1、B1、C1进行拼接以得到当前场景的特征向量P(A1,B1,C1)。
在一些实施例中,参考图5,图5为本申请实施例提供的场景识别方法的第四种流程示意图。
其中,步骤130、依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,包括以下步骤:
131,依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值;
132,将所述特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
电子设备可以依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值。
其中,余弦相似度值的取值范围为【-1,1】。余弦相似度值为1表示两个向量的方向相同,余弦相似度值为0表示两个向量相互独立,余弦相似度值为-1表示两个向量的方向相反。余弦相似度值越接近1,表示两个向量的方向越接近。
例如,电子设备得到当前场景的特征向量为P,预设特征向量包括P1、P2、P3,则电子设备依次采用余弦相似度算法计算P与P1、P2、P3的余弦相似度,得到P与P1的余弦相似度值K1、P与P2的余弦相似度值K2、P与P3的余弦相似度值K3。
随后,电子设备将当前场景的特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
例如,电子设备可以将余弦相似度值K1确定为P与P1的相似度值,将余弦相似度值K2确定为P与P2的相似度值,将余弦相似度值K3确定为P与P3的相似度值。
在一些实施例中,继续参考图5,其中,步骤140、根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量,包括以下步骤:
141,从所述多个相似度值中确定出最大的相似度值;
142,将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
电子设备得到多个相似度值后,可以将所述多个相似度值的大小相互比较,以从所述多个相似度值中确定出最大的相似度值。随后,将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
例如,三个相似度值N1、N2、N3中,N1小于N2,N2小于N3,那么电子设备可以确定出最大的相似度值为N3。随后,电子设备将N3对应的预设特征向量P3确定为目标特征向量。
在一些实施例中,参考图6,图6为本申请实施例提供的场景识别方法的第五种流程示意图。
其中,步骤110、获取当前场景的感知数据之前,还包括以下步骤:
161,多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据;
162,根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。
其中,可以由用户先确定多个预设场景。例如,用户可以确定会议场景、餐厅场景、地铁场景等多个场景。
电子设备可以多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据。
例如,电子设备可以多次获取会议场景的预设感知数据,以得到会议场景的多个预设感知数据X1、X2、X3;以及多次获取餐厅场景的预设感知数据,以得到餐厅场景的多个预设感知数据Y1、Y2、Y3;以及多次获取地铁场景的预设感知数据,以得到地铁场景的多个预设感知数据Z1、Z2、Z3。
随后,电子设备根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。其中,电子设备可以对每一预设场景的多个预设感知数据进行特征提取,并由提取后的特征获取与所述预设场景对应的预设特征向量。
例如,电子设备可以对X1、X2、X3进行特征提取,并由提取后的特征获取会议场景的预设特征向量P1;对Y1、Y2、Y3进行特征提取,并由提取后的特征获取餐厅场景的预设特征向量P2;对Z1、Z2、Z3进行特征提取,并由提取后的特征获取地铁场景的预设特征向量P3。
在一些实施例中,参考图7,图7为本申请实施例提供的场景识别方法的第六种流程示意图。
其中,步骤162、根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量,包括以下步骤:
1621,依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量;
1622,计算所述多个预设子特征向量的平均特征向量;
1623,将所述平均特征向量确定为所述预设场景对应的预设特征向量。
电子设备得到每一预设场景的多个预设感知数据后,依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量。其中,电子设备可以对每一预设感知数据进行特征提取,并由提取后的特征得到一个对应的预设子特征向量。从而,对于每一预设场景,电子设备可以得到多个预设子特征向量。
例如,对于会议场景,电子设备可以对预设感知数据X1进行特征提取,并得到X1对应的预设子特征向量P11;对预设感知数据X2进行特征提取,并得到X2对应的预设子特征向量P12;对预设感知数据X3进行特征提取,并得到X3对应的预设子特征向量P13。从而,电子设备可以得到会议场景的三个预设子特征向量P11、P12、P13。
随后,电子设备计算所述多个预设子特征向量的平均特征向量,并将所述平均特征向量确定为所述预设场景对应的预设特征向量。
例如,电子设备得到会议场景的三个预设子特征向量P11、P12、P13后,计算所述三个预设子特征向量P11、P12、P13的平均特征向量P1。随后,电子设备将平均特征向量P1确定为会议场景的预设特征向量。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的场景识别方法,包括:获取当前场景的感知数据;根据所述感知数据获取所述当前场景的特征向量;依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;将所述目标特征向量对应的预设场景确定为当前场景。所述场景识别方法中,电子设备可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
本申请实施例还提供一种场景识别装置,所述场景识别装置可以集成在电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图8,图8为本申请实施例提供的场景识别装置的第一种结构示意图。其中,所述场景识别装置200包括:第一获取模块201、第二获取模块202、计算模块203、第一确定模块204、第二确定模块205。
第一获取模块201,用于获取当前场景的感知数据。
第一获取模块201可以获取当前场景的感知数据。所述当前场景为电子设备当前所处环境的场景,也即所述电子设备的用户当前所处环境的场景。需要说明的是,电子设备是通过获取到的感知数据对当前场景进行识别,因此对电子设备而言,当前场景是未知的场景。
其中,第一获取模块201可以通过电子设备中的全景感知架构中的信息感知层来采集当前场景的感知数据。所述感知数据可以包括任意的数据。例如,所述感知数据可以包括温度、湿度、环境光强度、图像信息、音频信息等多种数据。
例如,当前场景可以为会议场景。第一获取模块201获取到的感知数据可以包括会议场景中的多个图像信息、多个声音信息等。
第二获取模块202,用于根据所述感知数据获取所述当前场景的特征向量。
第一获取模块201获取到当前场景的感知数据后,第二获取模块202可以根据所述感知数据获取所述当前场景的特征向量。其中,所述特征向量可以包括多个特征。所述特征向量用于对当前场景进行量化,从而可以通过所述特征向量表示当前场景。
例如,所述特征向量可以为P(A,B,C)。其中,A、B、C均表示某个特征,例如A可以表示图像特征,B可以表示音频特征,C可以表示文本特征。通过所述特征向量P(A,B,C)即可表示当前场景的情况。
计算模块203,用于依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应。
电子设备中可以预先设置多个预设特征向量,并且每一预设特征向量与一个预设场景对应。也即,每一预设特征向量用于表示一个预设场景。可以理解的,预设场景对于电子设备而言是已知的场景。
例如,电子设备中可以预先设置预设特征向量P1、P2、P3等。其中,P1可以与会议场景对应,P2可以与餐厅场景对应,P3可以与地铁场景对应。也即,P1用于表示会议场景,P2用于表示餐厅场景,P3用于表示地铁场景。
需要说明的是,电子设备中设置的预设特征向量可以为大量的向量,例如电子设备中可以设置100个预设特征向量。从而,电子设备中可以预先设置大量的预设场景,每一个预设场景可以为用户生活中的某个具体场景。
第二获取模块202获取到当前场景的特征向量后,计算模块203依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值。所述特征向量与某个预设特征向量的相似度越大,表示所述特征向量与所述预设特征向量越相似,也即当前场景与所述预设特征向量对应的预设场景越相似。
例如,第二获取模块202获取到当前场景的特征向量P后,计算模块203依次计算所述特征向量P与P1的相似度N1、P与P2的相似度N2、P与P3的相似度N3。其中,N1表示P与P1之间的相似度,也可以理解为当前场景与P1对应的预设场景之间的相似度;N2表示P与P2之间的相似度,也可以理解为当前场景与P2对应的预设场景之间的相似度;N3表示P与P3之间的相似度,也可以理解为当前场景与P3对应的预设场景之间的相似度。
第一确定模块204,用于根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量。
计算模块203得到多个相似度值后,第一确定模块204可以根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量。其中,所述目标特征向量为所述多个预设特征向量中与所述当前场景的特征向量之间的相似度最大的。也即,所述目标特征向量表示的场景与当前场景的相似度最高。
第二确定模块205,用于将所述目标特征向量对应的预设场景确定为当前场景。
第一确定模块204确定出目标特征向量后,第二确定模块205可以将所述目标特征向量对应的预设场景确定为当前场景,从而实现对当前场景的识别。随后,电子设备可以根据识别出的场景进行智能化的操作,例如电子设备可以自动进行模式的切换、自动调节屏幕亮度,或者为用户提供针对当前场景的智能化的建议。
例如,第一确定模块204确定的目标特征向量为P3,P3对应的预设场景为会议场景,则第二确定模块205将会议场景确定为当前场景。随后,电子设备可以根据确定出的场景进行智能化的操作,例如电子设备可以自动切换至静音模式。
本申请实施例中,电子设备可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
在一些实施例中,第二获取模块202用于执行以下步骤:
根据所述感知数据的数据类型选择对应的特征提取模型;
通过所述特征提取模型从所述感知数据中提取数据特征;
根据所述数据特征获取所述当前场景的特征向量。
电子设备中可以预先设置多个特征提取模型,每一个特征提取模型都用于对一种类型的数据进行特征提取。例如,电子设备中可以预先设置卷积神经网络模型、递归神经网络模型、词向量模型等。其中,卷积神经网络模型用于对图像数据进行处理,以从图像数据中提取图像特征;递归神经网络模型用于对音频数据进行处理,以从音频数据中提取音频特征;词向量模型用于对文本数据进行处理,以从文本数据中提取文本特征。
第一获取模块201获取到当前场景的感知数据后,第二获取模块202可以根据所述感知数据的数据类型选择对应的特征提取模型。当所述感知数据包括多种数据类型时,第二获取模块202可以根据每一种数据类型选择一种对应的特征提取模型。
随后,第二获取模块202通过选择的特征提取模型从所述感知数据中提取数据特征,并根据所述数据特征获取所述当前场景的特征向量。例如,第二获取模块202可以将提取到的数据特征进行组合,以获取当前场景的特征向量。
在一些实施例中,通过所述特征提取模型从所述感知数据中提取数据特征时,第二获取模块202用于执行以下步骤:
通过卷积神经网络模型从图像数据中提取图像特征;
通过递归神经网络模型或长短期记忆网络模型从音频数据中提取音频特征;
通过词向量模型从文本数据中提取文本特征;
根据所述数据特征获取所述当前场景的特征向量时,第二获取模块202用于执行以下步骤:
根据所述图像特征、所述音频特征、所述文本特征获取所述当前场景的特征向量。
其中,第一获取模块201获取的感知数据的数据类型包括图像数据、音频数据、文本数据。针对图像数据选择的特征提取模型可以是卷积神经网络模型,针对音频数据选择的特征提取模型可以是递归神经网络模型或长短期记忆网络模型,针对文本数据选择的特征提取模型可以是词向量模型。
随后,第二获取模块202可以通过卷积神经网络模型从图像数据中提取图像特征,通过递归神经网络模型或长短期记忆网络模型从音频数据中提取音频特征,通过词向量模型从文本数据中提取文本特征。
随后,第二获取模块202根据提取到的图像特征、音频特征、文本特征获取当前场景的特征向量。
例如,第二获取模块202提取到的图像特征可以为A,音频特征可以为B,文本特征可以为C。随后,第二获取模块202可以将提取到的图像特征、音频特征、文本特征进行拼接,得到当前场景的特征向量P(A,B,C)。
在一些实施例中,第二获取模块202还可以对得到的图像特征、音频特征、文本特征再次进行特征提取,以得到新的图像特征、新的音频特征、新的文本特征,并根据新的图像特征、新的音频特征、新的文本特征得到当前场景的特征向量。
例如,第二获取模块202得到图像特征A、音频特征B、文本特征C后,可以采取统计的方法依次对图像特征A、音频特征B、文本特征C再次进行特征提取,得到新的图像特征A1、新的音频特征B1、新的文本特征C1,并将A1、B1、C1进行拼接以得到当前场景的特征向量P(A1,B1,C1)。
在一些实施例中,计算模块203用于执行以下步骤:
依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值;
将所述特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
计算模块203可以依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值。
其中,余弦相似度值的取值范围为【-1,1】。余弦相似度值为1表示两个向量的方向相同,余弦相似度值为0表示两个向量相互独立,余弦相似度值为-1表示两个向量的方向相反。余弦相似度值越接近1,表示两个向量的方向越接近。
例如,第二获取模块202得到当前场景的特征向量为P,预设特征向量包括P1、P2、P3,则计算模块203依次采用余弦相似度算法计算P与P1、P2、P3的余弦相似度,得到P与P1的余弦相似度值K1、P与P2的余弦相似度值K2、P与P3的余弦相似度值K3。
随后,计算模块203将当前场景的特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
例如,计算模块203可以将余弦相似度值K1确定为P与P1的相似度值,将余弦相似度值K2确定为P与P2的相似度值,将余弦相似度值K3确定为P与P3的相似度值。
在一些实施例中,第一确定模块204用于执行以下步骤:
从所述多个相似度值中确定出最大的相似度值;
将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
计算模块203得到多个相似度值后,第一确定模块204可以将所述多个相似度值的大小相互比较,以从所述多个相似度值中确定出最大的相似度值。随后,将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
例如,三个相似度值N1、N2、N3中,N1小于N2,N2小于N3,那么第一确定模块204可以确定出最大的相似度值为N3。随后,第一确定模块204将N3对应的预设特征向量P3确定为目标特征向量。
在一些实施例中,参考图9,图9为本申请实施例提供的场景识别装置的第二种结构示意图。
其中,场景识别装置200还包括第三获取模块206,所述第三获取模块206用于执行以下步骤:
多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据;
根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。
其中,可以由用户先确定多个预设场景。例如,用户可以确定会议场景、餐厅场景、地铁场景等多个场景。
第三获取模块206可以多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据。
例如,第三获取模块206可以多次获取会议场景的预设感知数据,以得到会议场景的多个预设感知数据X1、X2、X3;以及多次获取餐厅场景的预设感知数据,以得到餐厅场景的多个预设感知数据Y1、Y2、Y3;以及多次获取地铁场景的预设感知数据,以得到地铁场景的多个预设感知数据Z1、Z2、Z3。
随后,第三获取模块206根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。其中,第三获取模块206可以对每一预设场景的多个预设感知数据进行特征提取,并由提取后的特征获取与所述预设场景对应的预设特征向量。
例如,第三获取模块206可以对X1、X2、X3进行特征提取,并由提取后的特征获取会议场景的预设特征向量P1;对Y1、Y2、Y3进行特征提取,并由提取后的特征获取餐厅场景的预设特征向量P2;对Z1、Z2、Z3进行特征提取,并由提取后的特征获取地铁场景的预设特征向量P3。
在一些实施例中,根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量时,第三获取模块206用于执行以下步骤:
依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量;
计算所述多个预设子特征向量的平均特征向量;
将所述平均特征向量确定为所述预设场景对应的预设特征向量。
第三获取模块206得到每一预设场景的多个预设感知数据后,依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量。其中,第三获取模块206可以对每一预设感知数据进行特征提取,并由提取后的特征得到一个对应的预设子特征向量。从而,对于每一预设场景,第三获取模块206可以得到多个预设子特征向量。
例如,对于会议场景,第三获取模块206可以对预设感知数据X1进行特征提取,并得到X1对应的预设子特征向量P11;对预设感知数据X2进行特征提取,并得到X2对应的预设子特征向量P12;对预设感知数据X3进行特征提取,并得到X3对应的预设子特征向量P13。从而,第三获取模块206可以得到会议场景的三个预设子特征向量P11、P12、P13。
随后,第三获取模块206计算所述多个预设子特征向量的平均特征向量,并将所述平均特征向量确定为所述预设场景对应的预设特征向量。
例如,第三获取模块206得到会议场景的三个预设子特征向量P11、P12、P13后,计算所述三个预设子特征向量P11、P12、P13的平均特征向量P1。随后,第三获取模块206将平均特征向量P1确定为会议场景的预设特征向量。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
由上可知,本申请实施例提供的场景识别装置200,包括:第一获取模块201,用于获取当前场景的感知数据;第二获取模块202,用于根据所述感知数据获取所述当前场景的特征向量;计算模块203,用于依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;第一确定模块204,用于根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;第二确定模块205,用于将所述目标特征向量对应的预设场景确定为当前场景。所述场景识别装置可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
本申请实施例还提供一种电子设备。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图10,图10为本申请实施例提供的电子设备的第一种结构示意图。
其中,电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:
获取当前场景的感知数据;
根据所述感知数据获取所述当前场景的特征向量;
依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;
根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;
将所述目标特征向量对应的预设场景确定为当前场景。
在一些实施例中,根据所述感知数据获取所述当前场景的特征向量时,处理器301执行以下步骤:
根据所述感知数据的数据类型选择对应的特征提取模型;
通过所述特征提取模型从所述感知数据中提取数据特征;
根据所述数据特征获取所述当前场景的特征向量。
在一些实施例中,所述感知数据的数据类型包括图像数据、音频数据、文本数据,通过所述特征提取模型从所述感知数据中提取数据特征时,处理器301执行以下步骤:
通过卷积神经网络模型从所述图像数据中提取图像特征;
通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取音频特征;
通过词向量模型从所述文本数据中提取文本特征;
根据所述数据特征获取所述当前场景的特征向量时,处理器301执行以下步骤:
根据所述图像特征、所述音频特征、所述文本特征获取所述当前场景的特征向量。
在一些实施例中,依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值时,处理器301执行以下步骤:
依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值;
将所述特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
在一些实施例中,根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量时,处理器301执行以下步骤:
从所述多个相似度值中确定出最大的相似度值;
将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
在一些实施例中,获取当前场景的感知数据之前,处理器301还执行以下步骤:
多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据;
根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。
在一些实施例中,根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量时,处理器301执行以下步骤:
依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量;
计算所述多个预设子特征向量的平均特征向量;
将所述平均特征向量确定为所述预设场景对应的预设特征向量。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
在一些实施例中,参考图11,图11为本申请实施例提供的电子设备的第二种结构示意图。
其中,电子设备300还包括:显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中,处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接,用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如,传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中,电源307可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图11中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供了一种电子设备,所述电子设备执行以下步骤:获取当前场景的感知数据;根据所述感知数据获取所述当前场景的特征向量;依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;将所述目标特征向量对应的预设场景确定为当前场景。本申请实施例提供的电子设备,可以根据当前场景的感知数据获取当前场景的特征向量,并根据特征向量与多个预设特征向量的相似度值来确定目标特征向量,并将目标特征向量对应的预设场景确定为当前场景,以实现对当前场景的识别,从而便于电子设备针对当前场景进行智能化的操作。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的场景识别方法。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的场景识别方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种场景识别方法,其特征在于,包括:
获取当前场景的感知数据;
根据所述感知数据获取所述当前场景的特征向量;
依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;
根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;
将所述目标特征向量对应的预设场景确定为当前场景。
2.根据权利要求1所述的场景识别方法,其特征在于,所述根据所述感知数据获取所述当前场景的特征向量,包括:
根据所述感知数据的数据类型选择对应的特征提取模型;
通过所述特征提取模型从所述感知数据中提取数据特征;
根据所述数据特征获取所述当前场景的特征向量。
3.根据权利要求2所述的场景识别方法,其特征在于,所述感知数据的数据类型包括图像数据、音频数据、文本数据,所述通过所述特征提取模型从所述感知数据中提取数据特征,包括:
通过卷积神经网络模型从所述图像数据中提取图像特征;
通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取音频特征;
通过词向量模型从所述文本数据中提取文本特征;
所述根据所述数据特征获取所述当前场景的特征向量,包括:
根据所述图像特征、所述音频特征、所述文本特征获取所述当前场景的特征向量。
4.根据权利要求1所述的场景识别方法,其特征在于,所述依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,包括:
依次采用余弦相似度算法计算所述特征向量与每一所述预设特征向量的余弦相似度,得到多个余弦相似度值;
将所述特征向量与每一所述预设特征向量的余弦相似度值确定为所述特征向量与所述预设特征向量的相似度值,以得到多个相似度值。
5.根据权利要求1所述的场景识别方法,其特征在于,所述根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量,包括:
从所述多个相似度值中确定出最大的相似度值;
将所述最大的相似度值对应的预设特征向量确定为目标特征向量。
6.根据权利要求1所述的场景识别方法,其特征在于,所述获取当前场景的感知数据之前,还包括:
多次获取多个预设场景中的每一预设场景的预设感知数据,以得到每一预设场景的多个预设感知数据;
根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量。
7.根据权利要求6所述的场景识别方法,其特征在于,所述根据每一预设场景的多个预设感知数据获取与所述预设场景对应的预设特征向量,包括:
依次根据每一所述预设感知数据获取一个预设子特征向量,以得到所述预设场景的多个预设子特征向量;
计算所述多个预设子特征向量的平均特征向量;
将所述平均特征向量确定为所述预设场景对应的预设特征向量。
8.一种场景识别装置,其特征在于,包括:
第一获取模块,用于获取当前场景的感知数据;
第二获取模块,用于根据所述感知数据获取所述当前场景的特征向量;
计算模块,用于依次计算所述特征向量与多个预设特征向量中的每一预设特征向量的相似度,得到多个相似度值,其中每一所述预设特征向量与一个预设场景对应;
第一确定模块,用于根据所述多个相似度值从所述多个预设特征向量中确定出目标特征向量;
第二确定模块,用于将所述目标特征向量对应的预设场景确定为当前场景。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1至7任一项所述的场景识别方法。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1至7任一项所述的场景识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282441.8A CN111797873A (zh) | 2019-04-09 | 2019-04-09 | 场景识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282441.8A CN111797873A (zh) | 2019-04-09 | 2019-04-09 | 场景识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797873A true CN111797873A (zh) | 2020-10-20 |
Family
ID=72805364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282441.8A Pending CN111797873A (zh) | 2019-04-09 | 2019-04-09 | 场景识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797873A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157889A (zh) * | 2021-04-21 | 2021-07-23 | 韶鼎人工智能科技有限公司 | 一种基于主题损失的视觉问答模型构建方法 |
CN114065340A (zh) * | 2021-10-15 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
CN115396831A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信集团浙江有限公司 | 交互模型生成方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
CN103942523A (zh) * | 2013-01-18 | 2014-07-23 | 华为终端有限公司 | 一种日照场景识别方法及装置 |
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技(深圳)有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
-
2019
- 2019-04-09 CN CN201910282441.8A patent/CN111797873A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942523A (zh) * | 2013-01-18 | 2014-07-23 | 华为终端有限公司 | 一种日照场景识别方法及装置 |
CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技(深圳)有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157889A (zh) * | 2021-04-21 | 2021-07-23 | 韶鼎人工智能科技有限公司 | 一种基于主题损失的视觉问答模型构建方法 |
CN115396831A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信集团浙江有限公司 | 交互模型生成方法、装置、设备及存储介质 |
CN114065340A (zh) * | 2021-10-15 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
CN114065340B (zh) * | 2021-10-15 | 2024-07-26 | 南方电网数字电网研究院有限公司 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476306B (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN109947886B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111696176B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111243668B (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
CN113205183B (zh) | 物品推荐网络训练方法、装置、电子设备及存储介质 | |
US20140232748A1 (en) | Device, method and computer readable recording medium for operating the same | |
CN111091845A (zh) | 音频处理方法、装置、终端设备及计算机存储介质 | |
CN111581958A (zh) | 对话状态确定方法、装置、计算机设备及存储介质 | |
CN111797854B (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
CN111797850A (zh) | 视频分类方法、装置、存储介质及电子设备 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
CN111798367A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
WO2020207297A1 (zh) | 信息处理方法、存储介质及电子设备 | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
CN111796701A (zh) | 模型训练方法、操作处理方法、装置、存储介质及设备 | |
CN111797655A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797656A (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 |
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 |