事件信息显示方法、装置、计算设备及存储介质与流程

本申请属于计算机技术领域，尤其涉及一种事件信息显示方法、装置、计算设备及存储介质。

背景技术：

随着深度学习模型的发展，深度学习模型在视频监控领域得到了广泛的应用。目前，深度学习模型输出的识别结果为具有特殊含义的专有名词，其无法针对监控结果进行有效扩展，导致输出结果可能存在偏差或者遗漏部分有用信息，使得深度学习模型在视频监控领域的使用存在一定的局限性。

技术实现要素：

有鉴于此，本申请实施例提供了事件信息显示方法、装置、计算设备及存储介质，以解决现有技术中无法对监控结果进行有效扩展的问题，并能够对有效扩展之后的事件信息进行显示。

本申请实施例的第一方面提供了一种事件信息显示方法，包括：

获取与用户输入的检索信息相匹配的目标事件信息；

确定与所述目标事件信息相关联的关联事件信息；

确定各个所述关联事件信息与所述检索信息之间的关联权重；

基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。

在一种可选的实现方式中，所述获取与用户输入的检索信息相匹配的目标事件信息，包括：

遍历预先存储的所述事件信息与预设检索信息之间的关联关系，获取与所述检索信息相匹配的所述目标事件信息。

在一种可选的实现方式中，在所述获取与用户输入的检索信息相匹配的目标事件信息之前，包括：

提取预先确定的监控设备采集的视频帧，所述视频帧包含有预设的监控事件对应的图像信息；

根据预先训练完成的深度学习模型对所述图像信息进行分析，得到各个所述监控事件对应的事件信息，所述事件信息包括所述目标事件信息；

将所述事件信息与预设检索信息进行关联存储。

在一种可选的实现方式中，确定与所述目标事件信息相关联的关联事件信息，包括：

对所述目标事件信息进行关联事件分析，得到与所述目标事件信息相关联的关联事件信息。

在一种可选的实现方式中，所述对所述目标事件信息进行关联事件分析，得到与所述目标事件信息相关联的关联事件信息，包括：

利用预设的信息向量模型分析所述目标事件信息对应的关联事件，得到与所述目标事件信息相关联的所述关联事件信息；

其中，所述预设的信息向量模型的输入为所述预设检索信息，输出为由所述预设检索信息的所有相同信息项组成的信息向量；

所述预设检索信息与所述预设的监控事件对应的所述事件信息之间存在映射关系，所述信息向量中的每个所述信息项用于表示所述目标事件信息的关联事件信息。

在一种可选的实现方式中，所述确定各个所述关联事件信息与所述检索信息之间的关联权重，包括：

分别计算每个所述关联事件信息与所述检索信息之间的关联区分度；

根据所述关联区分度，确定各个所述关联事件信息与所述检索信息之间的关联权重。

在一种可选的实现方式中，所述分别计算每个关联事件信息与所述检索信息之间的关联区分度，包括：

获取预先构建的包含所述检索信息对应的信息项的目标文本；

分别计算每个所述关联事件信息包含的目标信息项，在所述目标文本中出现的概率值；

根据所述概率值确定所述关联区分度。

本申请实施例第二方面提供了一种事件信息显示装置，包括：

获取模块，用于获取与用户输入的检索信息相匹配的目标事件信息；

第一确定模块，用于确定与所述目标事件信息相关联的关联事件信息；

第二确定模块，用于确定各个所述关联事件信息与所述检索信息之间的关联权重；

生成模块，用于基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。

在一种可选的实现方式中，所述获取模块，具体用于：

遍历预先存储的所述事件信息与预设检索信息之间的关联关系，查询与所述检索信息相匹配的所述目标事件信息。

在一种可选的实现方式中，还包括：

提取模块，用于提取预先确定的监控设备采集的视频帧，所述视频帧包含有预设的监控事件对应的图像信息；

分析模块，用于根据预先训练完成的深度学习模型对所述图像信息进行分析，得到各个所述监控事件对应的事件信息，所述事件信息包括所述目标事件信息；

存储模块，用于将所述事件信息与预设检索信息进行关联存储；

在一种可选的实现方式中，所述第一确定模块，具体用于包括：

对所述目标事件信息进行关联事件分析，得到与所述目标事件信息相关联的关联事件信息。

在一种可选的实现方式中，所述第一确定模块，具体用于：

利用预设的信息向量模型分析所述目标事件信息对应的关联事件，得到与所述目标事件信息相关联的所述关联事件信息；

其中，所述预设的信息向量模型的输入为所述预设检索信息，输出为由所述预设检索信息的所有相同信息项组成的信息向量；

所述预设检索信息与所述预设的监控事件对应的所述事件信息之间存在映射关系，所述信息向量中的每个所述信息项用于表示所述目标事件信息的关联事件信息。

在一种可选的实现方式中，所述第二确定模块，包括：

计算单元，用于分别计算每个所述关联事件信息与所述检索信息之间的关联区分度；

确定单元，用于根据所述关联区分度，确定各个所述关联事件信息与所述检索信息之间的关联权重。

在一种可选的实现方式中，所述第二计算单元，包括：

获取子单元，用于获取预先构建的包含所述检索信息对应的信息项的目标文本；

计算子单元，用于分别计算每个所述关联事件信息包含的目标信息项，在所述目标文本中出现的概率值；

确定子单元，用于根据所述概率值确定所述关联区分度。

本申请实施例第三方面提供一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上第一方面所述事件信息显示方法的步骤。

本申请实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上第一方面所述事件信息显示方法的步骤。

本申请实施例第一方面提供的事件信息显示方法，包括：获取与用户输入的检索信息相匹配的目标事件信息；确定与所述目标事件信息相关联的关联事件信息；确定各个所述关联事件信息与所述检索信息之间的关联权重；基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。与现有技术相比，通过确定与检索信息相匹配的目标事件信息的关联事件信息，并根据关联事件信息与检索信息之间的关联权重，生成关联事件信息的排序表，将排序表进行显示，解决现有技术中无法对监控结果进行有效扩展的问题，并能够对有效扩展之后的事件信息进行显示。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请第一实施例提供的事件信息显示方法的实现流程图；

图2是图1中s103的具体实现流程图；

图3是图2中s1031的具体实现过程；

图4是本申请第二实施例提供的事件信息显示方法的实现流程图；

图5是本申请实施例提供的事件信息显示装置的结构示意图；

图6是本申请实施例提供的计算设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

需要说明的是，目前，随着深度学习技术的发展，深度学习技术在视频监控领域得到了广泛的应用，其主要是通过深度学习模型对视频图像信息进行深度学习，输出识别结果。通常，深度学习模型输出的识别结果为具有特殊含义的专业名词，其存在无法将关键信息全部显示给用户的问题，导致需要在专业人员的解释下，用户才能准确了解视频监控的结果，存在一定的局限性。而本申请实施例提供的技术方案，能够对视频监控结果进行关联扩展，并将关联结果排序之后展示给用户。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。如图1所示，是本申请第一实施例提供的事件信息显示方法的实现流程图，本实施例可以由事件信息显示装置的硬件或软件实现，所述事件信息显示装置可以是服务器或者其他具有计算功能的计算设备。具体详述如下：

s101，获取与用户输入的检索信息相匹配的目标事件信息。

在本实施例中，用户可以通过事件信息显示装置的预设界面输入所述检索信息，所述检索信息可以是单一的关键词、语句、或者是多个关键词的组合等。所述事件信息显示装置可以为监控设备，所述监控设备中存储有预设时长内的监控视频帧，在通常状况下，当监控设备在检测到用户输入的所述检索信息后，获取与所述检索信息相匹配的目标事件信息，其中，所述目标事件信息属于预先存储的事件信息。

可以理解地，利用深度学习模型对不同的监控视频帧进行分析，可以分别得到各个监控视频对应的事件信息，在本实施例中，将所述事件信息与预设检索信息进行关联存储。作为示例而非限定，s101的实现过程为：

遍历预先存储的事件信息与预设检索信息之间的关联关系，获取与所述检索信息相匹配的所述目标事件信息。

s102，确定与所述目标事件信息相关联的关联事件信息。

需要说明的是，在本申请的实施例中，所述事件信息为深度学习模型对监控视频进行分析，得到的事件信息，其往往为预先设置的专用名词，例如哨兵异常，对于普通用户，例如安保人员，当看见哨兵异常的事件信息后，无法快速准确地确定哨兵异常对应的准确含义，例如哨兵异常可能对应为哨兵不在岗位、哨兵在岗位但是状态异常等，导致安保人员需要到哨兵岗亭进行确认才能确定最终的状态，使用不方便。

在本实例中，为了更准确地显示事件信息，确定与所述目标事件信息相关联的关联事件信息。

作为示例而非限定，s102，包括：对所述目标事件信息进行关联事件分析，得到与所述目标事件信息相关联的关联事件信息。

例如，利用预设的信息向量模型分析所述目标事件信息对应的关联事件，得到与所述目标事件信息相关联的所述关联事件信息；

其中，所述预设的信息向量模型的输入为所述预设检索信息，输出为由所述预设检索信息的所有相同信息项组成的信息向量；

所述预设检索信息与所述预设的监控事件对应的所述事件信息之间存在映射关系，所述信息向量中的每个所述信息项用于表示所述目标事件信息的关联事件信息。

在一种可选的实现方式中，还可以通过确定所述检索信息包含信息项在所述目标事件信息中出现的概率，从所述目标事件信息中获取关键信息项，并确定与关键信息项相关联的关联事件信息。

具体地，获取所述检索信息包含的所有信息项；利用预设的加权算法计算各个所述信息项在所述目标事件信息中出现的逆文本频率指数；基于所述逆文本频率指数确定所述目标事件信息包含的关键信息项；确定与所述关键信息项相关联的关联事件信息。

其中，所述预设的加权算法可以是tf-idf(termfrequency–inversedocumentfrequency)算法，当有信息项在所述目标事件信息中出现的所述逆文本频率指数(idf)大于预设的频率指数阈值，则判定该信息项是所述关键信息项，当有信息项在所述目标事件信息中出现的所述逆文本频率指数小于或等于预设的频率指数阈值，则判定该信息项不是所述关键信息项。

s103，确定各个所述关联事件信息与所述检索信息之间的关联权重。

可以理解地，所述关联事件信息与所述检索信息之间包含有部分相同的信息项，且不同的关联事件信息与所述检索信息之间具有的相同信息项不同；由于每个相同的信息项在所述关联事件信息和所述检索信息中表达的含义不一定完全相同，因此需要进一步确定各个所述关联事件信息与所述检索信息之间的关联权重。所述关联权重用于度量所述关联事件信息与所述检索信息的相关程度。

具体地，如图2所示，是图1中s103的具体实现流程图。由图2可知，s103包括：

s1031，分别计算每个所述关联事件信息与所述检索信息之间的关联区分度。

在本实施例中，通过计算所述关联事件信息包含的目标信息项与所述检测信息包含的信息项之间的共现距离，确定所述关联事件信息与所述检索信息之间的关联区分度。

具体地，如图3所示，是图2中s1031的具体实现过程。由图3可知，s1031包括：

s301，获取预先构建的包含所述检索信息对应的信息项的目标文本。

可以理解地，所述检索信息为预设的多个检索信息中的一种，通常为了全面准确地对预先存储的事件信息进行扩展，预先存储有多个检索信息，每个检索信息与事件性关联存储。

s302，分别计算每个所述关联事件信息包含的目标信息项，在所述目标文本中出现的概率值。

可以理解地，每个所述关联事件信息包含有至少一个所述目标信息项，每个所述目标信息项可能出现在所述目标文本中，也可能有目标信息项不出现在所述目标文本中，在本实施例中，仅计算出现在所述目标文本中的所述目标信息项的出现概率。

s303，根据所述概率值确定所述关联区分度。

具体地，所述概率值与所述关联区分度之间是反关系，即所述概率值越大，对应的所述关联区分区度越小。

s1032，根据所述关联区分度，确定各个所述关联事件信息与所述检索信息之间的关联权重。

可以理解地，所述关联区分度与所述关联权重为反比关系，即所述关联区分度越小，对应的所述关联权重越大。

s104，基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。

在一种可选的实现方式中，根据关联权重的值由大到小将所述关联事件信息进行顺序排序，也可以选取关联权重大于预设关联权重阈值的所述关联事件信息，进行排序。

通过上述实施例可知，本申请提供的事件信息显示方法，包括：获取与用户输入的检索信息相匹配的目标事件信息；确定与所述目标事件信息相关联的关联事件信息；确定各个所述关联事件信息与所述检索信息之间的关联权重；基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。与现有技术相比，通过确定与检索信息相匹配的目标事件信息的关联事件信息，并根据关联事件信息与检索信息之间的关联权重，生成关联事件信息的排序表，将排序表进行显示，解决现有技术中无法对监控结果进行有效扩展的问题，并能够对有效扩展之后的事件信息进行显示。

具体地，如图4所示，是本申请第二实施例提供的事件信息显示方法的实现流程图。由图4可知，本实施例与图1所示实施例相比，s404～s407的具体实现过程与s101～s104的具体实现过程相同，不同之处在于，在s404之前还包括s401～s403，其中s403与s404为顺序执行关系，详述如下：

s401，提取预先确定的监控设备采集的视频帧，所述视频帧包含有预设的监控事件对应的图像信息。

其中，所述预先确定的监控设备可以是一体机、彩色枪式摄像机、彩色半球摄像机、红外摄像机或者监控摄像头等，所述预设的监控事件可以是工作人员是否在岗或者预设区域是否存在安全隐患等。

s402，根据预先训练完成的深度学习模型对所述图像信息进行分析，得到各个所述监控事件对应的事件信息，所述事件信息包括所述目标事件信息。

其中，所述预先训练完成的深度学习模型可以是神经网络模型、逻辑回归模型或者随机森林模型等分类识别模型，所述分类识别模型的输入为监控设备采集的图像信息，输出为预设监控事件对应的事件信息。

s403，将所述事件信息与预设检索信息进行关联存储。

可以理解地，每个所述事件信息对应一个监控事件，而通常预设检索信息为根据经验预先设置的每个监控事件对应的检索信息，因此可以将同一监控事件对应的所述事件信息和所述预设检索信息进行关联存储。通过上述分析可知，本实施例在图1所示实施例的基础上，通过提取预先确定的监控设备采集的视频帧，所述视频帧包含有预设的监控事件对应的图像信息；根据预先训练完成的深度学习模型对所述图像信息进行分析，得到各个所述监控事件对应的事件信息；将所述事件信息与预设检索信息进行关联存储。为获取用户输入的检索信息相匹配的目标事件信息提供基础，为实现目标事件信息有效扩展提供信息依据。

图5是本申请实施例提供的事件信息显示装置的结构示意图。由图5可知，本申请实施例提供的事件信息显示装置5包括：获取模块501、第一确定模块502、第二确定模块503以及生成模块504。其中，

获取模块501，用于获取与用户输入的检索信息相匹配的目标事件信息；

第一确定模块502，用于确定与所述目标事件信息相关联的关联事件信息；

第二确定模块503，用于确定各个所述关联事件信息与所述检索信息之间的关联权重；

生成模块504，用于基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。

在一种可选的实现方式中，所述获取模块501，具体用于：

遍历预先存储的所述事件信息与预设检索信息之间的关联关系，查询与所述检索信息相匹配的所述目标事件信息。

在一种可选的实现方式中，还包括：

提取模块，用于提取预先确定的监控设备采集的视频帧，所述视频帧包含有预设的监控事件对应的图像信息；

分析模块，用于根据预先训练完成的深度学习模型对所述图像信息进行分析，得到各个所述监控事件对应的事件信息，所述事件信息包括所述目标事件信息；

存储模块，用于将所述事件信息与预设检索信息进行关联存储；

在一种可选的实现方式中，所述第一确定模块502，具体用于包括：

对所述目标事件信息进行关联事件分析，得到与所述目标事件信息相关联的关联事件信息。

在一种可选的实现方式中，所述第一确定模块502，具体用于：

利用预设的信息向量模型分析所述目标事件信息对应的关联事件，得到与所述目标事件信息相关联的所述关联事件信息；

其中，所述预设的信息向量模型的输入为所述预设检索信息，输出为由所述预设检索信息的所有相同信息项组成的信息向量；

所述预设检索信息与所述预设的监控事件对应的所述事件信息之间存在映射关系，所述信息向量中的每个所述信息项用于表示所述目标事件信息的关联事件信息。

在一种可选的实现方式中，所述第二确定模块503，包括：

计算单元，用于分别计算每个所述关联事件信息与所述检索信息之间的关联区分度；

确定单元，用于根据所述关联区分度，确定各个所述关联事件信息与所述检索信息之间的关联权重。

在一种可选的实现方式中，所述第二计算单元，包括：

获取子单元，用于获取预先构建的包含所述检索信息对应的信息项的目标文本；

计算子单元，用于分别计算每个所述关联事件信息包含的目标信息项，在所述目标文本中出现的概率值；

确定子单元，用于根据所述概率值确定所述关联区分度。

图6是本申请实施例提供的计算设备的示意图。如图6所示，该实施例的计算设备6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如事件信息显示程序。处理器60执行计算机程序62时实现上述各个事件信息显示方法实施例中的步骤，例如图1所示的步骤101至104。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在所述计算设备6中的执行过程。例如，计算机程序62可以被分割成获取模块、第一确定模块、第二确定模块以及生成模块(虚拟装置中的模块)，各模块具体功能如下：

获取模块，用于获取与用户输入的检索信息相匹配的目标事件信息；

第一确定模块，用于确定与所述目标事件信息相关联的关联事件信息；

第二确定模块，用于确定各个所述关联事件信息与所述检索信息之间的关联权重；

生成模块，用于基于所述关联权重，生成所述关联事件信息的排序表，将所述排序表通过预设界面进行显示。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。