一种预警方法、系统、电子设备及存储介质与流程

1.本技术涉及监控预警技术领域，特别是涉及一种预警方法、系统、电子设备及存储介质。


背景技术：

2.在可能发生人员或物品安全问题的场景中，可以设置警戒区域，进而通过监控警戒区域进行预警。例如，如果人员在海滩上距离海洋水位线较近的位置活动，可能发生人员被海水卷入海中的情况。为了避免上述情况的发生，可以在海边设置警戒区域。这样，在监控到有人员处于警戒区域时可以发出警报以进行预警，防止危险发生。
3.在目前的预警方式中，警戒区域和预警时间等均是预先确定好的，预警效果与当前情况可能并不适应。例如，如果海水退潮，海水水位线距离警戒区域较远，人员进入警戒区域依然会触发警报。因此，目前的预警方式并不能进行精准预警，预警效果较差。


技术实现要素：

4.本技术实施例的目的在于提供一种预警方法、系统、电子设备及存储介质，以提高预警方式的精准度，提高预警效果。具体技术方案如下：
5.第一方面，本技术实施例提供了一种预警方法，所述方法包括：
6.获取当前场景的监控图像以及当前环境信息；
7.将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域，其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；
8.基于所述警戒区域对所述当前场景进行预警。
9.可选的，所述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域的步骤，包括：
10.将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；
11.获得所述深度学习模型输出的所述警戒区域。
12.可选的，所述深度学习模型的训练方式，包括：
13.获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；
14.将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；
15.根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学
习模型。
16.可选的，所述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：
17.将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域。
18.可选的，所述当前场景为临水预警场景，所述当前环境信息为当前天气信息；
19.所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：
20.基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；
21.基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及所述当前水域范围，输出警戒区域。
22.可选的，所述当前场景为防滑预警场景，所述当前环境信息包括当前天气信息和当前时间；
23.所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：
24.基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；
25.基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。
26.可选的，所述需要进行预警的情况包括以下至少一种：
27.所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；
28.所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；
29.所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间。
30.可选的，所述当前场景为防踩踏预警场景，所述当前环境信息包括当前场景对应的人流密度阈值；
31.所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：
32.基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；
33.基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。
34.第二方面，本技术实施例提供了一种预警系统，所述系统包括图像采集设备和处理设备，其中：
35.所述图像采集设备，用于采集当前场景的监控图像；
36.所述处理设备，用于获取所述监控图像以及当前环境信息；将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域，其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于所述警戒区域对所述当前场景进行预警。
37.可选的，所述处理设备，具体用于将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；获得所述深度学习模型输出的所述警戒区域。
38.可选的，所述处理设备，具体用于获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学习模型。
39.可选的，所述处理设备，具体用于将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域。
40.可选的，所述当前场景为临水预警场景，所述当前环境信息为当前天气信息；
41.所述处理设备，具体用于基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及所述当前水域范围，输出警戒区域。
42.可选的，所述当前场景为防滑预警场景，所述当前环境信息包括当前天气信息和当前时间；
43.所述处理设备，具体用于基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。
44.可选的，所述需要进行预警的情况包括以下至少一种：
45.所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；
46.所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；
47.所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间。
48.可选的，所述当前场景为防踩踏预警场景，所述当前环境信息包括当前场景对应的人流密度阈值；
49.所述处理设备，具体用于基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。
50.第三方面，本技术实施例提供了一种电子设备，包括：
51.存储器，用于存放计算机程序；
52.处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法。
53.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法。
54.本技术实施例有益效果：
55.本技术实施例提供的方案中，电子设备可以获取当前场景的监控图像以及当前环境信息；将监控图像以及当前环境信息输入预先训练的深度学习模型，获得深度学习模型输出的监控图像中的警戒区域，其中，深度学习模型为预先根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于警戒区域对当前场景进行预警。由于深度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此警戒区域适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。
56.当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
57.为了更清楚地说明本技术实施例或现有技术中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
58.图1为本技术实施例所提供的一种预警方法的流程图；
59.图2为图1所示实施例中步骤s102的一种具体流程图；
60.图3为基于图1所示实施例的深度学习模型训练方式的一种流程图；
61.图4为基于图1所实施例的警戒区域确定方式的第一种流程图；
62.图5(a)为基于图4所示实施例的临水预警场景下警戒区域标签的第一种示意图；
63.图5(b)为基于图4所示实施例的临水预警场景下警戒区域标签的第二种示意图；
64.图5(c)为基于图4所示实施例的临水预警场景下警戒区域标签的第三种示意图；
65.图5(d)为基于图4所示实施例的临水预警场景下警戒区域标签的第四种示意图；
66.图6为基于图1所示实施例的临水预警场景下预警方式的一种流程图；
67.图7为基于图1所实施例的警戒区域确定方式的第二种流程图；
68.图8(a)为基于图7所示实施例的防滑预警场景下警戒区域标签的第一种示意图；
69.图8(b)为基于图7所示实施例的防滑预警场景下警戒区域标签的第二种示意图；
70.图9为基于图1所示实施例的防滑预警场景下预警方式的一种流程图；
71.图10为基于图1所实施例的警戒区域确定方式的第三种流程图；
72.图11(a)为基于图10所示实施例的防踩踏预警场景下警戒区域标签的第一种示意图；
73.图11(b)为基于图10所示实施例的防踩踏预警场景下警戒区域标签的第二种示意图；
74.图12为基于图1所示实施例的防踩踏预警场景下预警方式的一种流程图；
75.图13为本技术实施例提供的一种预警系统的结构示意图；
76.图14为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
77.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员基于本技术所获得的所有其他实施例，都属于本技术保护的范围。
78.为了对当前场景进行精准预警，提高预警效果。本技术实施例提供了一种预警方法、系统、电子设备、计算机可读存储介质以及计算机程序产品。下面首先对本技术实施例所提供的一种预警方法进行介绍。
79.本技术实施例所提供的预警方法可以应用于临水预警设备、防滑预警设备以及防踩踏预警设备等任意需要进行预警的电子设备，在此不做具体限定。
80.如图1所示，一种预警方法，所述方法包括：
81.s101，获取当前场景的监控图像以及当前环境信息；
82.s102，将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域；
83.其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的。
84.s103，基于所述警戒区域对所述当前场景进行预警。
85.可见，本技术实施例中，电子设备可以获取当前场景的监控图像以及当前环境信息；将监控图像以及当前环境信息输入预先训练的深度学习模型，获得深度学习模型输出的监控图像中的警戒区域，其中，深度学习模型为预先根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于警戒区域对当前场景进行预警。由于深
度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此警戒区域适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。
86.在步骤s101中，电子设备可以获取当前场景的监控图像以及当前环境信息。其中，监控图像可以为监控摄像头对当前场景所拍摄的图像。例如，如果当前场景为临水预警场景，监控图像可以为对水域拍摄的图像；如果当前场景为防滑预警场景，监控图像可以为针对地面拍摄的图像；如果当前场景为防踩踏场景，监控图像可以为对人群拍摄的图像。
87.上述当前环境信息可以为当前时间、当前天气信息或当前人流密度阈值等。当前环境信息可以为电子设备通过网络获取的、用户输入电子设备的或者电子设备通过对监控图像进行图像分析得到的。
88.例如，如果当前环境信息为当前时间，电子设备可以通过通过网络，获取当前时刻的时间；如果当前环境信息为当前天气信息，电子设备可以通过网络获取当前场景所处位置的天气信息、分析监控图像的图像特征以确定天气信息或获取用户输入的天气信息；如果当前环境信息为人流密度阈值，电子设备可以获取用户输入的人流密度阈值。
89.为了基于当前环境信息以及监控图像确定出监控图像中的警戒区域，以基于警戒区域对当前场景进行预警，在对当前场景进行预警之前，可以根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签，对深度学习模型进行训练。
90.例如，如果预警的场景为临水预警场景，那么图像样本可以为对水域拍摄的图像。由于在下雨或者下雪时，水域附近的地面或堤岸会较为湿滑，如果行人在水域附近行走，溺水的风险会增加，因此当前环境信息可以为当前天气。警戒区域标签可以为用户在图像样本中标定出的警戒区域。
91.在获取到当前场景的监控图像以及当前环境信息后，电子设备可以将监控图像以及当前环境信息输入预先训练的深度学习模型。这样，电子设备便可以获取深度学习模型输出的监控图像中的警戒区域，即执行步骤s102。
92.在确定警戒区域后，电子设备便可以基于警戒区域对当前场景进行预警，即执行步骤s103。
93.在一种实施方式中，如果当前场景为临水预警场景或者防滑预警场景，电子设备可以对监控图像进行人体识别，确定监控图像中行人的位置，基于监控图像中行人的位置以及警戒区域的位置对当前场景进行预警。
94.例如，监控场景为临水预警场景，为了避免行人溺水，电子设备可以对监控图像进行人体识别，确定监控图像中行人所处的位置。如果存在处于警戒区域中的行人，说明存在与水域之间的距离较近的行人，那么电子设备可以对当前场景中的行人进行预警。
95.又例如，监控场景为防湿滑预警场景，为了避免行人滑倒，电子设备可以对监控图像进行人体识别，确定监控图像中行人所处的位置。如果存在处于警戒区域中的行人，说明存在即将踏入湿滑地面的行人，那么电子设备可以对当前场景中的行人进行预警。
96.在另一种实施方式中，如果当前场景为防踩踏预警场景，电子设备可以确定预设密度阈值以及警戒区域的人流密度，基于预设密度阈值以及人流密度之间的大小关系对当前场景进行预警。
97.例如，电子设备可以将监控图像输入预先训练的人流密度确定模型，获得人流密度模型输出的监控图像中警戒区域的人流密度。如果人流密度大于预设密度阈值，说明当前场景发生踩踏的风险较高，那么电子设备可以对当前场景中的人群进行预警。
98.上述两种实施方式中，电子设备对当前场景进行预警的方式可以分为三种：
99.在第一种预警方式中，电子设备可以对当前场景中的行人进行预警。
100.例如，电子设备可以控制当前场景中的音频播放设备播放提示音频。具体来说，如果当前场景为临水预警场景，电子设备可以控制海岸上的音响，播放海岸预警提示音频，音频内容可以为：海边危险，为避免溺水，请远离海边；如果当前场景为防湿滑预警场景，电子设备可以控制室内的音响，播放防滑预警提示音频，音频内容可以为：地面湿滑，请注意脚下；如果当前场景为防踩踏预警场景，那么电子设备可以控制场景中的音响，播放防踩踏预警提示音频，音频内容可以为：人群拥挤，为避免踩踏，请有序疏散。
101.又例如，电子设备可以控制当前场景中的显示屏显示预警图像或预警文字。具体来说，如果当前场景为临水预警场景，那么电子设备可以控制海岸上的大屏幕显示预警文字，文字内容可以为：海边危险，请您远离；如果当前场景为防湿滑预警场景，电子设备可以控制室内的大屏幕显示预警图片，预警图片的内容可以为拖把立在地面上，地面上有一滩水渍，以示地面由于被打扫而变得湿滑。
102.在第二种预警方式中，电子设备可以通过自身的网络模块对控制台发出警告，以通知处于控制台前的工作人员或安保人员。其中，警告类型可以包括语音警告、图像警告和文字警告。
103.例如，如果当前场景为临水预警场景，警告类型为语音警告，那么电子设备可以通过网络模块，触发控制台发出语音警报，语音警报的内容可以为：海岸附近游客较多，请及时前往海滩并提醒游客远离海岸。这样，工作人员便可以从控制台前，前往海岸区域，并提醒游客远离海岸。
104.又例如，如果当前场景为防湿滑预警场景，警告类型为文字警告，那么电子设备可以通过网络模块，触发控制台显示文字，文字内容可以为：目前室内地面较为湿滑，请及时前往并提醒行人远离湿滑地面。这样，工作人员便可以从控制台前，前往湿滑地面的区域附近，并提醒行人远离湿滑地面。
105.又例如，如果当前场景为防踩踏预警场景，警告类型为图像警告，那么电子设备可以通过网络模块，触发控制台显示图像，图像内容可以为：红色惊叹号。这样，工作人员便可以从控制台前，前往监控场景，并提醒人群有序疏散。
106.在第三种预警方式中，电子设备可以在对当前场景中的行人进行预警的同时，通过自身的网络模块对控制台发出警告，以通知处于控制台前的工作人员或安保人员。
107.例如，如果当前场景为临水预警场景，电子设备可以控制海岸上的音响，播放海岸预警提示音频，以提醒游客远离海岸。与此同时，电子设备还可以通过网络模块，触发控制台发出语音警报，以使控制台前的工作人员前往海岸区域，并提醒游客远离海岸。
108.可见，本技术实施例中，由于深度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此警戒区域适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。
109.作为本技术实施例的一种实施方式，如图2所示，上述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域的步骤，可以包括：
110.s201，将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；
111.在确定监控图像中的警戒区域之前，可以基于图像样本、当前环境信息样本以及警戒区域标签，对初始深度学习模型进行训练，得到深度学习模型。由于深度学习模型学习有当前环境信息对监控图像中警戒区域的影响，因此深度学习模型可以对警戒区域做智能化的设置，也就是动态化的自适应调整。这样，便可以根据当前环境信息的变化，实时对警戒区域进行调整。
112.例如，在临水预警场景下，当前环境信息可以为当前水域范围。如果海水从退潮状态变为涨潮状态，那么当前水域范围将扩大，相应的，警戒区域可以根据海水上涨的幅度向岸边的方向进行移动。
113.s202，获得所述深度学习模型输出的所述警戒区域。
114.在深度学习模型输出监控图像中的警戒区域后，电子设备可以获得警戒区域。进而，电子设备可以基于警戒区域对当前场景进行预警。
115.可见，本技术实施例中，电子设备可以将监控图像以及当前环境信息输入预先训练的深度学习模型，以使深度学习模型基于已训练的模型参数，对监控图像以及当前环境信息进行处理，从监控图像中动态化自适应调整警戒区域，并输出监控图像中的警戒区域；获得深度学习模型输出的警戒区域。由于深度学习模型学习有当前环境信息对监控图像中警戒区域的影响，因此深度学习模型可以对警戒区域做智能化的设置，也就是动态化的自适应调整，并输出警戒区域。进而，电子设备可以获得警戒区域，基于警戒区域对当前场景进行预警。这样，可以实现动态化自适应调整警戒区域，提高预警方式的精准度。
116.作为本技术实施例的一种实施方式，如图3所示，上述深度学习模型的训练方式，可以包括：
117.s301，获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；
118.电子设备可以获取当前场景对应的多个图像样本、每个图像样本对应的当前环境信息样本以及警戒区域标签。其中，图像样本可以为架设在当前场景中的摄像头，对当前场景进行拍摄得到的。图像样本对应的当前环境信息样本可以为电子设备通过网络获取的、用户输入电子设备的或者电子设备通过对监控图像进行图像分析得到的。
119.警戒区域标签为图像样本在其对应的当前环境信息样本的条件下，警戒区域在该图像样本中应当处于的位置。作为一种实施方式，警戒区域标签可以为用户在监控图像中标定出的警戒区域。
120.s302，将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；
121.为了对初始深度学习模型进行训练，电子设备可以将每个图像样本以及对应的当
前环境信息样本输入初始深度学习模型。初始深度学习模型便可以提取图像样本的图像特征，基于图像特征以及当前环境信息样本确定出预估警戒区域。这样，电子设备便可以获取预估警戒区域。
122.s303，根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学习模型。
123.由于警戒区域标签为警戒区域在图像样本中应当处于的位置，预估警戒区域为初始深度学习模型预估出的警戒区域在图像样本中的位置，因此电子设备可以根据每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，通过反向传播的方式，调整初始深度学习模型的参数，直到初始深度学习模型满足收敛条件，得到训练完成的深度学习模型。
124.例如，在深度学习模型的训练过程中，电子设备可以获取当前场景对应的样本图像1-样本图像3以及对应的当前环境信息样本1-当前环境信息样本3。用户可以参考当前环境信息本1-当前环境信息样本3，确定样本图像1-样本图像3中的警戒区域，将用户在样本图像1-样本图像3中标定出的警戒区域作为警戒区域标签1-警戒区域标签3。
125.电子设备可以将样本图像1-样本图像3以及对应的当前环境信息样本1-当前环境信息样本3输入初始深度学习模型，获取深度学习模型针对样本图像1-样本图像3确定出的预估警戒区域1-预估警戒区域3。这样，电子设备便可以根据警戒区域标签1-警戒区域标签3与预估警戒区域1-预估警戒区域3之间的差异，采用反向传播的方式，调整初始深度学习模型的参数，直到初始深度学习模型满足收敛条件，得到深度学习模型。
126.可见，本技术实施例中，电子设备可以获取当前场景对应的多个图像样本、每个图像样本对应的当前环境信息样本以及警戒区域标签；将每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取初始深度学习模型基于图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；根据每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整初始深度学习模型的参数，直到初始深度学习模型满足收敛条件，得到深度学习模型。由于警戒区域标签为警戒区域在图像样本中应当处于的位置，预估警戒区域为初始深度学习模型预估出的警戒区域在图像样本中的位置，因此电子设备可以根据每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整初始深度学习模型的参数，直到初始深度学习模型满足收敛条件，得到训练完成的深度学习模型。这样，可以使得训练出的深度学习模型准确地确定警戒区域。
127.作为本技术实施例的一种实施方式，上述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，可以包括：
128.将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域。
129.由于深度学习模型是根据图像样本、图像样本对应的当前环境信息样本以及警戒
区域标签训练得到的，因此深度学习模型在接收到输入的监控图像以及当前环境信息后，可以提取监控图像的图像特征，基于图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及当前环境信息和预先训练学习到的当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出监控图像中的警戒区域。
130.可见，本技术实施例中，电子设备可以将监控图像和当前环境信息输入预先训练的深度学习模型，以使深度学习模型提取监控图像的图像特征，并基于图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及当前环境信息和预先训练学习到的当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出监控图像中的警戒区域。由于深度学习模型是根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签训练得到的，因此深度学习模型可以提取监控图像的图像特征，基于图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及当前环境信息和预先训练学习到的当前环境信息样本之间的关系，输出警戒区域。这样，可以准确地确定出警戒区域，进而基于警戒区域精准预警。
131.作为本技术实施例的一种实施方式，上述当前场景为临水预警场景，上述当前环境信息可以为当前天气信息；
132.如图4所示，上述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，可以包括：
133.s401，基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；
134.在当前场景为临水预警场景的情况下，监控图像可以为对水域拍摄的监控图像。其中，水域可以为海洋水域、湖水水域、河水水域或水库水域等。
135.在对深度学习模型进行训练的过程中，深度学习模型学习到图像样本中的水域特征与水域范围之间的关系。在电子设备将监控图像输入训练完成的深度学习模型后，深度学习模型可以基于监控图像的图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围。
136.s402，基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及所述当前水域范围，输出警戒区域。
137.由于在下雨或下雪等天气下，水域附近的地面较为湿滑，用户在水域附近行走，溺水的风险较高。因此在临水预警场景下，当前环境信息可以包括当前天气信息。
138.在对深度学习模型进行训练的过程中，用户可以在图像样本中标注警戒区域，电子设备可以将用户在控制台对图像样本标注的警戒区域，作为该图像样本在对应的当前环境信息样本的条件下的警戒区域标签。
139.例如，在临水预警场景下，警戒区域标签的示意图可以如图5(a)-图5(d)所示。在图5(a)中，河流处于退潮状态，天气信息为晴天，警戒区域标签可以为第一警戒线501到第一水域502之间的区域，该区域的宽度大约为2米。行人520在警戒区域标签以外的区域进行移动，可以避免溺水。第一监控设备510可以对海岸进行图像采集。
140.在图5(b)中，河流处于平潮状态，天气信息为晴天，警戒区域标签可以为第二警戒
线503到第二水域504之间的区域，该区域的宽度大约为2米。在图5(c)中，河流处于涨潮状态，天气信息为晴天，警戒区域标签可以为第三警戒线505到第三水域506之间的区域，该区域的宽度大约为2米。在图5(d)中，河流处于退潮状态，天气信息为雨天，警戒区域标签可以为第四警戒线507到第四水域508之间的区域，该区域的宽度大约为3米。
141.在确定当前水域范围后，由于深度学习模型在训练的过程中，学习到的是在当前天气信息样本的条件下，图像样本对应的警戒区域标签，也就是在各天气条件下以及各水域范围条件下，警戒区域应当处于的位置。因此深度学习模型可以基于当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及水域范围，输出警戒区域。
142.在一种实施方式中，在临水预警场景下的预警方式的流程图可以如图6所示，具体可以包括以下步骤：
143.s601，增加其它维度参数调整警戒区域范围；
144.由于在下雨或者下雪等天气下，海岸附近的行人溺水风险增大，因此可以增加其它维度参数调整警戒区域范围。其中，其它维度参数可以包括天气参数及纬度参数。在下雨或下雪等天气下，增大警戒区域的范围，以使海岸附近的行人距离水域更远。
145.s602，获取用户在控制后台，分别在河道涨潮、退潮以及平潮时设置警戒区域；
146.为了对深度学习模型进行训练，用户可以在控制后台，分别对河道处于涨潮、退潮以及平潮的情况下，在图像样本中标注警戒区域。电子设备可以将用户标注的警戒区域作为警戒区域标签。
147.s603，根据设置的警戒区域和其它维度参数训练出深度学习模型；
148.在获取用户标注的警戒区域标签后，电子设备可以将图像样本、其它维度参数以及警戒区域标签输入深度学习模型，获取深度学习模型输出的预估警戒区域。
149.根据预估警戒区域与警戒区域标签之间的差异，电子设备可以通过反向传播的方式调整深度学习模型中的参数，直到深度学习模型满足收敛条件。
150.s604，开启监控设备，通过训练完成的深度学习模型实时对河道进行监控，如果检测到危险情况，触发语音模块进行播报；
151.为了对海岸进行预警，电子设备可以开启架设在海岸的监控设备，监控设备可以对海岸拍摄监控图像。电子设备可以获取监控图像，并将监控图像输入训练完成的深度学习模型。这样，电子设备便可以获取深度学习模型输出的警戒区域。
152.电子设备可以对监控图像进行人体识别，如果存在处于警戒区域内的行人，那么电子设备可以判定为危险情况发生。在这种情况下，电子设备可以触发语音模块进行播报，以提示行人远离水域。
153.s605，获取用户在控制后台对警戒区域的人工纠错结果，基于人工纠错结果对深度学习模型进行优化。
154.如果深度学习模型输出的警戒区域有误，用户可以在控制后台对输出的警戒区域进行人工纠错，即针对输出的警戒区域有误的监控图像，用户在该监控图像中标注警戒区域，用户所标注的警戒区域为人工纠错结果。
155.这样，电子设备便可以获取人工纠错结果，并返回步骤s603，基于输出的警戒区域有误的监控图像、该监控图像对应的环境信息以及人工纠错结果，再次对深度学习模型进行训练。
156.可见，本技术实施例中，深度学习模型可以基于图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；基于当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及当前水域范围，输出警戒区域。由于深度学习模型在训练的过程中，学习到的是在当前天气信息样本的条件下，图像样本对应的警戒区域标签，也就是在各天气条件下以及各水域范围条件下，警戒区域应当处于的位置。因此深度学习模型可以基于当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及水域范围，输出警戒区域。这样，可以使得在临水预警场景下，深度学习模型输出的警戒区域准确，进而电子设备可以基于警戒区域进行精准预警，提高预警效果。
157.作为本技术实施例的一种实施方式，上述当前场景可以为防滑预警场景，上述当前环境信息可以包括当前天气信息和当前时间；
158.如图7所示，上述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，可以包括：
159.s701，基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；
160.防滑预警场景具体可以为公寓、写字楼或商场等场所。在深度学习模型的训练过程中，用户可以对地面湿滑的图像样本进行标注。这样，深度学习模型便可以对地面湿滑特征进行学习。深度学习模型可以基于监控图像的图像特征，以及预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定监控图像中是否存在湿滑区域。
161.s702，基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。
162.在下雨或下雪等天气下，行人的鞋底带有雨水或者雪，地面可能由于行人鞋底留在地面的雨水或者雪而变得湿滑。由于在下雨或下雪等天气下，行人可能滑倒，因此在防滑预警场景下，当前环境信息可以包括当前天气信息。
163.在商场或者写字楼等场景中，保洁人员在每天的清洁时间内对地面进行清洁，将造成地面湿滑，进而导致行人滑倒。并且商场或者写字楼的开门时间和关门时间通常是固定的，在关门时间内，商场或写字楼内没有行人，进而不会存在行人滑倒。因此在防滑预警场景下，当前环境信息还可以包括当前时间。
164.在对深度学习模型进行训练的过程中，用户可以在图像样本中标注警戒区域，电子设备可以将用户在控制台对图像样本标注的警戒区域，作为该图像样本在对应的当前环境信息样本的条件下的警戒区域标签。
165.例如，在防滑预警场景下，警戒区域标签的示意图可以如图8(a)所示。用户可以对监控图像中的潮湿地面进行标注，得到潮湿区域801，将该潮湿区域801作为警戒区域标签。第二监控设备810监控区域进行图像采集。如果行人820在潮湿区域801以外进行移动，可以避免由于地面湿滑而滑倒。
166.在防滑预警场景下，关闭警戒区域的示意图可以如图8(b)所示，在潮湿地面上的水渍消失后，地面变得干燥，行人820将不会因为地面潮湿而滑倒，电子设备可以关闭警戒
区域。此外，在商场或写字楼关闭的时间段内，由于商场或写字楼内没有行人，因此电子设备可以关闭警戒区域。
167.由于深度学习模型是根据图像样本、图像样本对应的时间样本和天气信息样本、以及警戒区域标签训练得到的。因此深度学习模型可以基于当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，确定是否需要预警。
168.其中，需要预警时间可以为保洁人员进行清洁的时间段。例如，如果写字楼的保洁人员每天上午九点到十点以及下午两点到三点进行清洁，那么需要预警时间可以为每天上午九点到十点以及下午两点到三点。
169.在深度学习模型确定需要进行预警的情况下，深度学习模型可以输出警戒区域。其中，需要进行预警的情况可以为监控图像中存在湿滑区域的情况，当前天气状况为需要进行预警的天气的情况或当前时间为需要进行预警的时间的情况；警戒区域可以包括湿滑区域。在深度学习模型确定不需要进行预警的情况下，深度学习模型的输出可以为空。
170.在一种实施方式中，防踩踏预警场景下的预警方式的流程图可以如图9所示，具体可以包括以下步骤：
171.s901，增加时间参数以及天气参数；
172.由于在下雨或下雪等天气下，行人的鞋底带有雨水或者雪，地面可能由于行人鞋底留在地面的雨水或者雪而变得湿滑。因此在防滑预警场景下，当前环境信息可以包括当前天气信息。由于在商场或者写字楼等场景中，每天的清洁时间内地面较为湿滑，进而导致行人滑倒。因此在防滑预警场景下，当前环境信息还可以包括当前时间。
173.s902，获取用户在控制后台，在潮湿地面设置的警戒区域，如果地面干燥，关闭警戒区域；
174.为了对深度学习模型进行训练，用户可以在控制后台，在图像样本中潮湿地面的位置标注警戒区域。电子设备可以将用户标注的警戒区域作为警戒区域标签。
175.如果潮湿地面的水渍消失，行人将不会滑倒，电子设备可以在地面干燥时，关闭警戒区域。
176.s903，根据设置的警戒区域和其它维度参数训练深度学习模型；
177.在获取用户标注的警戒区域标签后，电子设备可以将图像样本、其它维度参数以及警戒区域标签输入深度学习模型，获取深度学习模型输出的预估警戒区域。其中，其它维度参数可以包括当前天气信息和当前时间。
178.根据预估警戒区域与警戒区域标签之间的差异，电子设备可以通过反向传播的方式调整深度学习模型中的参数，直到深度学习模型满足收敛条件。
179.s904，开启监控设备，通过训练完成的深度学习模型对室内进行监控，如果检测到湿滑区域，触发语音模块进行播报；
180.为了对潮湿地面进行预警，电子设备可以开启监控设备，监控设备可以对地面拍摄监控图像。电子设备可以获取监控图像，并将监控图像输入训练完成的深度学习模型。这样，深度学习模型便可以确定监控图像中是否存在湿滑区域。
181.如果检测到湿滑区域，说明行人可能滑倒，电子设备可以触发语音模块进行播报，以提示行人远离潮湿地面。
182.s905，获取用户在控制后台对警戒区域的人工纠错结果，基于人工纠错结果对深度学习模型进行优化。
183.如果深度学习模型输出的警戒区域有误，用户可以在控制后台对输出的警戒区域进行人工纠错，即针对输出的警戒区域有误的监控图像，用户在该监控图像中标注警戒区域，用户所标注的警戒区域为人工纠错结果。
184.这样，电子设备便可以获取人工纠错结果，并返回步骤s903，基于输出的警戒区域有误的监控图像、该监控图像对应的环境信息以及人工纠错结果，再次对深度学习模型进行训练。
185.可见，本技术实施例中，深度学习模型可以基于图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定监控图像中是否存在湿滑区域；基于当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。由于在下雨或下雪等天气下，行人的鞋底带有雨水或者雪，地面可能变得湿滑，并且由于在商场或者写字楼等场景中，每天的清洁时间内地面较为湿滑，因此当前环境信息可以包括当前天气信息和当前时间。由于深度学习模型是根据图像样本、图像样本对应的时间样本和天气信息样本、以及警戒区域标签训练得到的。因此深度学习模型可以基于当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。这样，深度学习模型可以在防滑预警场景中，准确地确定警戒区域，进而电子设备可以基于警戒区域，进行精准预警。
186.作为本技术实施例的一种实施方式，上述需要进行预警的情况可以包括以下至少一种：
187.所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；
188.所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；
189.所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间。
190.在第一种需要进行预警的情况下，由于行人进入湿滑区域可能滑倒，因此监控图像中存在湿滑区域为需要进行预警的情况。在这种情况下，电子设备可以触发音频播放设备，播放防滑预警提示音频，音频内容可以为：地面湿滑，请注意脚下。
191.作为一种实施方式，在监控图像中存在湿滑区域的情况下，电子设备可以对监控图像进行人体识别，在检测到存在进入警戒区域的行人时，控制音频播放设备播放防滑预警提示音频。
192.例如，如果监控场景为写字楼，当前天气为下雨，那么电子设备可以将写字楼入口处设置为警戒区域，并控制音频播放设备在写字楼入口处一直播放防滑预警提示音频。音频内容可以为雨天地面湿滑，请注意脚下。
193.在第二种需要进行预警的情况下，如果当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征当前天气信息对应的天气状况为需要进行防滑预警的天气，例如，需要进行防滑预警的天气可以为下雨或下雪，那么由于行人的鞋底带有雨水或
者雪，地面可能由于行人鞋底留在地面的雨水或者雪而变得湿滑，因此当前天气信息对应的天气状况为需要进行防滑预警的天气为需要进行预警的情况。
194.作为一种实施方式，在当前天气信息对应的天气状况为需要进行防滑预警的天气的情况下，电子设备可以预先设置警戒区域，并一直对当前场景进行预警。
195.例如，如果监控场景为写字楼，当前天气为下雨，那么电子设备可以将写字楼入口处设置为警戒区域，并一直在写字楼入口处播放防滑预警提示音频，音频内容可以为雨天地面湿滑，请注意脚下。
196.在第三种需要进行预警的情况下，如果在清洁人员进行清洁的时间段内，那么地面将由于清洁而变得湿滑。清洁人员进行清洁的时间可以为需要进行防滑预警的时间。由于当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征当前时间为需要进行防滑预警的时间，因此当前时间为需要进行防滑预警的时间为需要进行预警的情况。
197.在一种实施方式中，清洁人员进行清洁的时间段可以为需要进行防滑预警的时间，电子设备可以一直对当前场景进行预警。
198.例如，如果清洁人员每天上午九点到上午十点进行清洁，那么需要进行防滑预警的时间可以为每天上午九点到上午十点。由于在清洁时间段内，地面始终处于湿滑状态，因此电子设备可以在清洁时间段内，控制音频播放设备一直播放防滑预警提示音频。其中，音频内容可以为：地面清洁中，请注意脚下，小心摔倒。
199.可见，在本技术实施例中，需要进行预警的情况包括以下至少一种：监控图像中存在湿滑区域，警戒区域包括湿滑区域；当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征当前天气信息对应的天气状况为需要进行防滑预警的天气；当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征当前时间为需要进行防滑预警的时间。在第一种情况下，由于行人进入湿滑区域可能滑倒，因此监控图像中存在湿滑区域为需要进行预警的情况。在第二种情况下，在下雨或者下雪的天气，由于行人的鞋底带有雨水或者雪，地面可能由于行人鞋底留在地面的雨水或者雪而变得湿滑，因此当前天气信息对应的天气状况为需要进行防滑预警的天气为需要进行预警的情况。在第三种情况下，如果在清洁人员进行清洁的时间段内，那么地面将由于清洁而变得湿滑，因此当前时间为需要进行防滑预警的时间为需要进行预警的情况。这样，深度学习模型便可以在上述三种情况下，快速准确地输出警戒区域。
200.作为本技术实施例的一种实施方式，上述当前场景可以为防踩踏预警场景，上述当前环境信息可以包括当前场景对应的人流密度阈值；
201.如图10所示，上述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，可以包括：
202.s1001，基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；
203.防踩踏预警场景具体可以为景区或演唱会等人流密集的场所。由于深度学习模型是根据图像样本中的人员特征以及人流密度之间的关系训练得到的，因此深度学习模型可
以基于监控图像对应的图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定监控图像对应的人流密度。
204.s1002，基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。
205.由于深度学习模型预先训练学习得到的图像样本的人流密度与当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，因此深度学习模型可以根据人流密度与人流密度阈值之间的大小关系，确定是否输出警戒区域。其中，警戒区域包括人流密度大于人流密度阈值的区域。
206.在对深度学习模型进行训练的过程中，用户可以在图像样本中标注警戒区域，电子设备可以将用户在控制台对图像样本标注的警戒区域，作为该图像样本在对应的当前环境信息样本的条件下的警戒区域标签。
207.例如，在防踩踏预警场景下，警戒区域标签的示意图可以如图11(a)所示。用户可以对监控图像中的人流密度达到人流密度阈值的区域进行标注，得到人流密集区域1101，将该人流密集区域1101作为警戒区域标签。第三监控设备1110可以对人群进行图像采集。
208.在防踩踏预警场景下，关闭警戒区域的示意图可以如图11(b)所示，如果人流密集区域的人流密度降低到人流密度阈值之下，将不存在踩踏的风险，因此电子设备可以关闭警戒区域。
209.在对深度学习模型进行训练的过程中，深度学习模型所学习到的图像样本的人流密度与当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系可以为：在图像样本的人流密度达到当前场景对应的人流密度阈值的情况下，输出警戒区域；在图像样本的人流密度未达到当前场景对应的人流密度阈值的情况下，输出为空，即不需要进行预警。
210.在第一种实施方式中，深度学习模型可以在人流密度达到人流密度阈值的情况下，输出警戒区域，并对当前场景进行预警。
211.例如，如果防踩踏场景为景区，那么深度学习模型可以根据监控图像的图像特征，确定监控图像中是否存在人流密度达到人流密度阈值的区域。如果人流密度阈值为1.2，监控图像中确定出人流密度为1.25的区域，那么深度学习模型可以输出该人流密度为1.25的区域，并触发音频播放设备播放防踩踏预警提示音频。音频内容可以为：当前人流较为密集，请勿逗留，以防踩踏。
212.在第二种实施方式中，深度学习模型可以在人流密度达到第一预设阈值的情况下，输出警戒区域，在该警戒区域的人流密度达到第二预设阈值的情况下，对当前场景进行预警。
213.例如，如果防踩踏场景为演唱会，那么深度学习模型可以根据监控图像的图像特征，确定监控图像中是否存在人流密度达到人流密度阈值的区域。如果第一预设阈值为1.2，第二预设阈值为1.4，监控图像中确定出人流密度为1.3的区域，那么深度学习模型可以输出为该人流密度为1.3的区域，但是不会进行预警。
214.如果该区域的人流密度从1.3提高到1.4，即达到第二预设阈值，那么电子设备将触发音频播放设备播放防踩踏预警提示音频。音频内容可以为：当前人流密度过高，为避免
踩踏，请有序向舞台两侧疏散。
215.在第三种实施方式中，深度学习模型可以在人流密度达到第一预设阈值的情况下，输出警戒区域，并对当前场景进行第一级别预警。在该警戒区域的人流密度达到第二预设阈值的情况下，对当前场景进行第二级别预警。
216.例如，如果防踩踏场景为演唱会，那么深度学习模型可以根据监控图像的图像特征，确定监控图像中是否存在人流密度达到人流密度阈值的区域。如果第一预设阈值为1.2，第二预设阈值为1.4，监控图像中确定出人流密度为1.3的区域，那么深度学习模型可以输出为该人流密度为1.3的区域。电子设备可以触发音频播放设备播放第一级别预警音频，音频内容可以为：当前人流密度较高，请勿拥挤，以防踩踏。
217.如果该区域的人流密度从1.3提高到1.4，那么电子设备将触发音频播放设备播放第一级别预警音频，音频内容可以为：当前人流密度过高，为避免踩踏，请有序向舞台两侧疏散。
218.在第四种实施方式中，深度学习模型可以预先确定警戒区域，在该警戒区域内的人流密度达到人流密度阈值的情况下，对当前场景进行预警。
219.例如，如果防踩踏场景为景区，那么可以在人流量较大的景点附近预先设置警戒区域，以对该区域进行重点监控。如果预设阈值为1.2，深度学习模型输出的该预先设置的警戒区域的人流密度为1.0，电子设备不会进行预警。
220.如果深度学习模型输出的该预先设置的警戒区域的人流密度为1.25，那么电子设备将触发音频播放设备播放防踩踏预警提示音频。音频内容可以为：当前人流较为密集，请勿逗留，以防踩踏。
221.作为一种实施方式，防踩踏预警场景下的预警方式的流程图可以如图12所示，具体可以包括以下步骤：
222.s1201，在人流密度高于第三预设阈值的情况下，开启警戒区域；在人流密度不高于第三预设阈值的情况下，关闭警戒区域；
223.如果人流密度高于第三预设阈值，说明人流密度过高，容易发生踩踏，因此需要开启警戒区域；在人流密度不高于第三预设阈值的情况下，可以关闭警戒区域。
224.s1202，根据设置的人流密度与是否开启警戒区域之间的关系训练深度学习模型；
225.在对深度学习模型进行训练的过程中，电子设备可以根据设置的人流密度与是否开启警戒区域之间的关系训练深度学习模型。具体的，深度学习模型所学习到的图像样本的人流密度与当前场景对应的人流密度阈值之间的大小关系与是否开启警戒区域之间的关系可以为：在图像样本的人流密度达到当前场景对应的人流密度阈值的情况下，开启警戒区域；在图像样本的人流密度未达到当前场景对应的人流密度阈值的情况下，不开启警戒区域。
226.s1203，开启监控设备，通过训练完成的深度学习模型对监控区域进行监控；在触发警报时，播放防踩踏预警提示音频；
227.为了对当前场景进行预警，电子设备可以开启监控设备，监控设备可以对地面拍摄监控图像。电子设备可以获取监控图像，并将监控图像输入训练完成的深度学习模型。这样，深度学习模型便可以确定监控图像中是否存在人流密度大于人流密度阈值的区域。
228.如果检测到监控图像中存在人流密度大于人流密度阈值的区域，即触发警报，说
明可能发生踩踏，电子设备可以触发语音模块播放防踩踏预警提示音频。
229.s1204，获取用户在控制后台对警戒区域的人工纠错结果，基于人工纠错结果对深度学习模型进行优化。
230.如果深度学习模型输出的警戒区域有误，用户可以在控制后台对输出的警戒区域进行人工纠错，即针对输出的警戒区域有误的监控图像，用户在该监控图像中标注警戒区域，用户所标注的警戒区域为人工纠错结果。
231.这样，电子设备便可以获取人工纠错结果，并返回步骤s1203，基于输出的警戒区域有误的监控图像、该监控图像对应的环境信息以及人工纠错结果，再次对深度学习模型进行训练。
232.需要说明的是，本技术的技术方案中，所涉及的用户个人信息的获取、存储、使用、加工、传输、提供和公开等操作，均是在已取得用户授权的情况下进行的。
233.相应于上述预警方法，本技术实施例还提供了一种预警系统，下面对本技术实施例所提供的预警系统进行介绍。
234.如图13所示，一种预警系统，所述系统包括图像采集设备和处理设备，其中：
235.所述图像采集设备1301，用于采集当前场景的监控图像；
236.所述处理设备1302，用于获取所述监控图像以及当前环境信息；将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域，其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于所述警戒区域对所述当前场景进行预警。
237.可见，本技术实施例中，电子设备可以获取当前场景的监控图像以及当前环境信息；将监控图像以及当前环境信息输入预先训练的深度学习模型，获得深度学习模型输出的监控图像中的警戒区域，其中，深度学习模型为预先根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于警戒区域对当前场景进行预警。由于深度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此警戒区域适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。
238.作为本技术实施例的一种实施方式，上述处理设备1302，具体用于将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；获得所述深度学习模型输出的所述警戒区域。
239.作为本技术实施例的一种实施方式，上述处理设备1302，具体用于获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学习模型。
240.作为本技术实施例的一种实施方式，上述处理设备1302，具体用于将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，输出警戒区域。
241.作为本技术实施例的一种实施方式，上述当前场景可以为临水预警场景，上述当前环境信息可以为当前天气信息；
242.上述处理设备1302，具体用于基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及所述当前水域范围，输出警戒区域。
243.作为本技术实施例的一种实施方式，上述当前场景为防滑预警场景，上述当前环境信息包括当前天气信息和当前时间；
244.上述处理设备1302，具体用于基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。
245.作为本技术实施例的一种实施方式，上述需要进行预警的情况包括以下至少一种：
246.所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；
247.所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；
248.所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间；
249.作为本技术实施例的一种实施方式，上述当前场景为防踩踏预警场景，上述当前环境信息包括当前场景对应的人流密度阈值；
250.上述处理设备1302，具体用于基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。
251.本技术实施例还提供了一种电子设备，如图14所示，包括：
252.存储器1401，用于存放计算机程序；
253.处理器1402，用于执行存储器1401上所存放的程序时，实现上述任一实施例所述的预警方法。
254.并且上述电子设备还可以包括通信总线和/或通信接口，处理器1402、通信接口、存储器1401通过通信总线完成相互间的通信。
255.可见，本技术实施例中，电子设备可以获取当前场景的监控图像以及当前环境信息；将监控图像以及当前环境信息输入预先训练的深度学习模型，获得深度学习模型输出的监控图像中的警戒区域，其中，深度学习模型为预先根据图像样本、图像样本对应的当前
环境信息样本以及警戒区域标签训练得到的；基于警戒区域对当前场景进行预警。由于深度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此警戒区域适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。
256.上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
257.通信接口用于上述电子设备与其他设备之间的通信。
258.存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
259.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
260.在本技术提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一预警方法的步骤。
261.在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一预警方法。
262.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)等。
263.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
264.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
265.以上所述仅为本技术的较佳实施例，并非用于限定本技术的保护范围。凡在本技术的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本技术的保护范围内。

技术特征：
1.一种预警方法，其特征在于，所述方法包括：获取当前场景的监控图像以及当前环境信息；将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域，其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于所述警戒区域对所述当前场景进行预警。2.根据权利要求1所述的方法，其特征在于，所述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域的步骤，包括：将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；获得所述深度学习模型输出的所述警戒区域。3.根据权利要求1或2所述的方法，其特征在于，所述深度学习模型的训练方式，包括：获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学习模型。4.根据权利要求2所述的方法，其特征在于，所述将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域。5.根据权利要求4所述的方法，其特征在于，所述当前场景为临水预警场景，所述当前环境信息为当前天气信息；所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以
及所述当前水域范围，输出警戒区域。6.根据权利要求4所述的方法，其特征在于，所述当前场景为防滑预警场景，所述当前环境信息包括当前天气信息和当前时间；所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域。7.根据权利要求6所述的方法，其特征在于，所述需要进行预警的情况包括以下至少一种：所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间。8.根据权利要求4所述的方法，其特征在于，所述当前场景为防踩踏预警场景，所述当前环境信息包括当前场景对应的人流密度阈值；所述基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域的步骤，包括：基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。9.一种预警系统，其特征在于，所述系统包括图像采集设备和处理设备，其中：所述图像采集设备，用于采集当前场景的监控图像；所述处理设备，用于获取所述监控图像以及当前环境信息；将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，获得所述深度学习模型输出的所述监控图像中的警戒区域，其中，所述深度学习模型为预先根据图像样本、所述图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于所述警戒区域对所述当前场景进行预警。10.根据权利要求9所述的系统，其特征在于，所述处理设备，具体用于将所述监控图像以及所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型基于已训练的模型参数，对所述监控图像以及所述当前环境信息进行处理，从所述监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；获得所述深度学习模型输出的所述警戒区域；
所述处理设备，具体用于获取当前场景对应的多个图像样本、所述每个图像样本对应的当前环境信息样本以及警戒区域标签；将所述每个图像样本以及对应的当前环境信息样本输入初始深度学习模型，获取所述初始深度学习模型基于所述图像样本的图像特征以及当前环境信息样本确定的预估警戒区域；根据所述每个图像样本对应的警戒区域标签与预估警戒区域之间的差异，调整所述初始深度学习模型的参数，直到所述初始深度学习模型满足收敛条件，得到所述深度学习模型；所述处理设备，具体用于将所述监控图像和所述当前环境信息输入预先训练的深度学习模型，以使所述深度学习模型提取所述监控图像的图像特征，并基于所述图像特征和预先训练学习到的图像样本中的图像特征之间的关系，以及所述当前环境信息和预先训练学习到的所述当前环境信息样本之间的关系，从监控图像中动态化自适应调整警戒区域，并输出所述监控图像中的警戒区域；所述当前场景为临水预警场景，所述当前环境信息为当前天气信息；所述处理设备，具体用于基于所述图像特征和预先训练学习到的图像样本中的水域特征之间的关系，确定当前水域范围；基于所述当前天气信息和预先训练学习到的图像样本对应的天气信息之间的关系以及所述当前水域范围，输出警戒区域；所述当前场景为防滑预警场景，所述当前环境信息包括当前天气信息和当前时间；所述处理设备，具体用于基于所述图像特征与预先训练学习到的图像样本中的地面湿滑特征之间的关系，确定所述监控图像中是否存在湿滑区域；基于所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系，以及所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系，在确定需要进行预警的情况下，输出警戒区域；所述需要进行预警的情况包括以下至少一种：所述监控图像中存在湿滑区域，所述警戒区域包括所述湿滑区域；所述当前天气信息与预先训练学习到的图像样本对应的天气信息之间的关系表征所述当前天气信息对应的天气状况为需要进行防滑预警的天气；所述当前时间与预先训练学习到的图像样本对应的需要预警时间之间的关系表征所述当前时间为需要进行防滑预警的时间；所述当前场景为防踩踏预警场景，所述当前环境信息包括当前场景对应的人流密度阈值；所述处理设备，具体用于基于所述图像特征和预先训练学习到的图像样本中的人员特征之间的关系，确定所述监控图像对应的人流密度；基于预先训练学习得到的图像样本的人流密度与所述当前场景对应的人流密度阈值之间的大小关系与是否输出警戒区域之间的关系，在确定所述人流密度达到所述人流密度阈值的情况下，输出警戒区域。11.一种电子设备，其特征在于，包括：存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法。

技术总结
本申请实施例提供了一种预警方法、系统、电子设备及存储介质，电子设备可以获取当前场景的监控图像以及当前环境信息；将监控图像以及当前环境信息输入预先训练的深度学习模型，获得深度学习模型输出的监控图像中的警戒区域，其中，深度学习模型为预先根据图像样本、图像样本对应的当前环境信息样本以及警戒区域标签训练得到的；基于警戒区域对当前场景进行预警。由于深度学习模型学习有当前环境信息对警戒区域的影响，因此可以根据当前环境信息对警戒区域进行动态化自适应调整。由于警戒区域是根据当前环境信息确定，因此适配于当前场景。这样，电子设备便可以基于警戒区域对当前场景进行预警，进而可以对当前场景进行精准预警，提高预警效果。提高预警效果。提高预警效果。


技术研发人员：徐方舟
受保护的技术使用者：杭州萤石软件有限公司
技术研发日：2023.07.06
技术公布日：2023/10/5