基于计算机视觉的物流仓储人员异常行为识别.pdfVIP

摘 要 随着科技的快速发展，智能化技术己经渗透到各行各业中，都建成了全覆盖 的监控系统。实现全方位、无死角的视频监控。通过视频可以实时的进行监视， 一旦发现异常情况可以及时的处理。目前，随着人工智能的迅速发展，机器视觉 在各行各业中得到了广泛的应用。本文将目标检测、姿态识别和行为分类算法结 合，应用于现代物流仓储内，实现仓储人员的实时行为识别。算法通过获取监控 视频实现实时的检测，不仅节约了大量的人力成本，而且当有处于跌倒或者在公 共场合吸烟等异常行为时，能够及时的发现并采取相应的措施，从而使物流仓储 减少人员伤害和财产损失。基于上述情况，本文以物流仓储内异常行为分析为立 足点展开研究，通过深度学习算法对异常行为进行分析并得到行为类别，本文主 要工作分为如下三个部分： 首先，对目标检测算法进行研究，在物流仓储场景下，对监控中的目标进行 实时的定位，YOLOV3在速度和精度上都有非常出色的表现，选用YOLOV3作 为基础算法，在其基础上进行改进，提出了YOLOV3-PS4。由于在物流仓储内对 仓储人员的检测区别于其他多类别的检测，需要对算法进行优化达到精细化的效 果，从主干网络、候选区域等多个方面对其进行优化，目的是提高对特征提取的 能力以及定位能力，以适应其在物流仓储场景下的检测任务。 相比，Aphapose虽然具有相对较高的准确率，但是结构复杂且训练过程冗余，很 大程度上影响算法的效率，而物流仓储监控需要实时的去提取骨骼关节点信息， 对算法速度有着较高的要求，因此，本课题采用OpenPose作为基础网络。在物 流仓储内有很多物流包裹和货架，与人体骨架有些相似，时常会有错检情况的发 生，因此，在基于OpenIose的研究基础之上进行改进，实现先精准定位再进行 骨架提取。 最后，对行为分类算法进行研究，利用时空图卷积的变换来捕捉骨骼变换的 关系，为捕捉骨架数据的特征，由于模型对局部信息特征提取能力不强，为了解 改进算法，增强模型的感受野，提高模型的性能。 图33表5参56 关键词：仓储安全管理；YOLOV3 ST-GCN；OpcnPose；注意力机制 分类号：TP399 目 录 摘 要……………………………………………………………………………I Abstract…………………………………．…．…．…………………………………．…………………．……．Ⅱ l绪论………………………………………………………………………………………………………1 1．1研究背景和研究意义……………………………………………………1 1．1．1研究背景…………………………………………………………．1 1．1．2研究意义…………………………………………………………．1 1．2国内外研究现状…………………………………………………………2 1．2．1物流仓储安全管理研究现状……………………………………．．2 1．2．2目标检测研究现状………………………………………………．2 1．2．3姿态估计研究现状………………………………………………．5 1．2．4行为分类研究现状………………………………………………．5 1．3研究内容与章节安排……………………………………………………6 1．3．1研究内容…………………………………………………………．6 1．3．2章节安排…………………………………………………………．7 2相关理论研究…………………………………………………………………．8 2．1 目标检测…………………………………………………………………8 2．1．1传统的目标检测算法理论研究…………………………………．8 2．1．2基于深度学习的目标检测算法理论研究………………………12 2．2姿态估计………………………………………………………………．23 2．2．1 基于自上而下思想的人体姿态估计……………………………23 2．2．2基于自下而上思想的人体姿态估计……………………………24 2．3行为识别………………………………………………………………．25 2．3．1 基于手工提取特征的行为分类方法………………………