一种基于深度学习的物流快递驿站异常行为识别方法

发布时间：2021-11-19 18:52

　　随着网点数量的快速增长,物流快递驿站的安全问题得到了越来越多的重视。文章提出了一种基于深度学习的物流快递驿站异常行为识别方法,其采用卷积神经网络ResNet152提取视频的每一帧图像特征,通过递归神经网络LSTM对帧与帧之间的时序关系进行建模,并采用多路分支网络架构以适应不同物流快递驿站的摄像机视角变化。在实际物流快递驿站场景下的实验结果验证了本文方法的有效性。 

【文章来源】：物流科技. 2020,43(09)

【文章页数】：5 页

【部分图文】：

以分支1为例的融合网络结构

基于深度学习的物流快递驿站异常行为识别方法的网络结构如图1所示，其由多个分支网络构成，每个分支网络对应训练场景中的特定摄像机视角，分别由卷积网络、递归网络、融合网络和分类网络构成。其中卷积网络用来提取视频中每一帧图片的特征，递归网络用来对帧与帧之间的时序关系进行建模。卷积网络和递归网络学习该视角相关的区分性特征，而融合网络则对来自其他分支的特征数据进行融合，以利用不同分支提取特征的互补性，分类网络最终输出每一视频帧属于各个动作的概率。由于实际应用时物流快递驿站的摄像机视角和训练场景并不相同，因此单独训练一个视角分类网络，用于给出输入视频属于各个分支的概率。在应用阶段，物流快递驿站的每路视频输入到各个分支网络，并使用视角分类网络获得的分支概率作为权重来集成各个分支上获得的动作分类结果。1.2 基于卷积网络的视频帧图像特征提取。

相比于重复地堆叠网络，Res Net在输出和输入之间引入了短路连接，从而可以有效地解决网络层数过深出现的梯度消失问题。本文采用在Image Net 11K图像集上预训练的152层Res Net网络[14]提取视频帧的图像特征，输入图像的大小为224×224，输出为Res Net152网络的flatten0＿output层，其维度为2 048维，即vt,i∈R2 048。1.3 基于递归网络的视频帧与帧时序关系建模。

【参考文献】：
期刊论文
[1]我国物流快递行业安全监管研究[J]. 魏宇析.  合作经济与科技. 2020(08)
[2]我国快递配送末端自提点发展模式分析[J]. 王硕,张文涛,冯淑贞.  综合运输. 2018(07)
[3]快递业“最后一公里”配送模式分析[J]. 王晓琦.  南方企业家. 2018(03)
[4]基于计算机视觉的物流暴力分拣行为识别[J]. 尚淑玲.  计算机仿真. 2013(12)

硕士论文
[1]计算机视觉在物流仓储安全管理中的应用研究[D]. 刘稳.安徽理工大学 2019



本文编号：3505652