基于视频监控的手扶电梯乘客异常行为识别

发布时间：2021-06-01 20:00

　　针对乘客在搭乘扶梯时的危险行为难以被实时准确检测的问题,提出了一种基于视频监控的手扶电梯乘客异常行为识别算法。首先,使用YOLOv3对图像中乘客的位置进行检测;接着,使用MobileNetv2作为基网络,结合反卷积层对检测出来的乘客进行人体骨架提取;然后,使用骨架距离作为跟踪依据,采用匈牙利匹配算法对相邻帧间的人体骨架进行匹配,实现视频中乘客的ID号分配;最后,通过图卷积神经网络对乘客关键点信息进行异常行为识别。在GTX1080GPU上的实验结果表明,文中提出的识别算法的处理速度能达到15 f/s,异常行为识别准确率达94.3%,能够实时准确地识别手扶电梯上乘客的异常行为。 

【文章来源】：华南理工大学学报(自然科学版). 2020,48(08)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

摄像机安装位置示意图

图1 摄像机安装位置示意图乘客骨架提取是识别和定位出图像中所有乘客的关键点,并根据人体的骨骼关联性将其连接起来。人体骨架通常可以传递重要的运动信息,因此可以作为行为识别的主要依据。现有方法可以分为自上而下[18- 20]和自下而上[17,21- 22]的方法。自上而下的方法首先使用行人检测方法将图像中的行人检测出来,然后使用单人关键点提取方法对关键点进行定位;而自下而上的方法先从图像中检测出所有人体的关键点,然后基于各种数据关联技术将这些关键点连接起来形成骨架。其中自下而上的方法对于行人拥挤的情况存在关键点混淆的缺点,难以将个别关键点归到对应正确的人,这对后续使用关键点作为依据的乘客行为识别的影响较大。因此,本文使用自上而下的关键点提取方法,先使用YOLOv3[23]对图像中乘客的位置进行检测,再使用MobileNetv2[24]作为基网络,结合反卷积层对检测出来的乘客进行人体关键点提取,能较好地克服行人密集时关键点组合成骨架分配错误的缺点。

本文使用YOLOv3、MobileNetv2与反卷积结合的自上而下的人体骨架提取方法进行乘客骨架的提取,具体流程图如图3所示。2.1 基于YOLOv3的乘客检测

【参考文献】：
期刊论文
[1]人工智能背景下视频监控系统的应用[J]. 段雨梅.  科技风. 2019(29)
[2]基于人体骨架序列的手扶电梯乘客异常行为识别[J]. 田联房,吴啟超,杜启亮,黄理广,李淼,张大明.  华南理工大学学报(自然科学版). 2019(04)
[3]基于Adaboost和码本模型的手扶电梯出入口视频监控方法[J]. 杜启亮,黎浩正,田联房.  计算机应用. 2017(09)
[4]基于动态粒子流场的视频异常行为自动识别[J]. 仉长崎,管业鹏.  光电子·激光. 2015(12)

博士论文
[1]智能视觉监控中运动目标检测与行为识别方法[D]. 王韦桦.西安电子科技大学 2014

硕士论文
[1]基于Kinect的人体行为表示和识别方法[D]. 高彬.中国矿业大学 2018



本文编号：3210056