科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前快递物流行业普遍存在分拣人员暴力分拣现象，为减少此类行为可采用基于图像的行为识别方法，但这种方法在实际场景中存在算法鲁棒性差、人体关节点数据难获取等问题。针对上述问题，制作了1个物流暴力分拣行为视频数据集，研究了暴力分拣行为识别模型。通过树莓派采集室内外2种情景下的分拣视频数据，利用Python socket模块实现视频图像实时传输，采用切片筛选规则除去非标准数据，应用OpenPose模型获取关节点数据。针对一般人体行为识别网络模型无法较好反映暴力分拣关节点对动作重要影响程度的问题，研究了以ST-GCN为主干网络的优化图神经网络模型ST-AGCN。利用空间注意力机制学习不同关节点对于各种动作的影响，以更新各关节点的权重；通过增加自适应图结构层以端到端学习方式将人体骨骼图的拓扑结构与网络参数共同优化，突出关联度高的关节点对动作识别的影响。以室内外环境下暴力分拣视频为对象开展和多种深度学习模型的对比实验和消融实验，实验结果表明：ST-AGCN模型识别现实场景中暴力分拣行为的准确率相比ST-GCN、STA-LSTM、不含空间注意力机制的ST-AGCN和不含自适应图结构层的ST-AGCN模型分别提高了5.6%,13.82%,2.36%,1.61%，且适用于室内外环境杂乱、局部遮挡等复杂的物流分拣场景，验证了ST-AGCN的优越性以及空间注意力机制和自适应图结构层的有效性。
- 单位
