基于改进运动历史图像网络的自助行为识别算法
在当今,自助服务业务如自助取款、自助购物、自助值机等越来越普及,对这些业务操作行为的规范性监测也变得愈发重要。这一问题属于固定视野下的行为识别范畴,而人类行为识别近年来一直是计算机视觉领域的研究热点,广泛应用于人机智能交互、视频监控、智能家居、虚拟现实等众多领域。
随着深度图像采集成本的降低和研究重点的提升,出现了基于人体骨骼和人体分割图的行为识别方法,并且更多地采用卷积神经网络(CNN)方法。像C3D等3D - CNN模型算法是端到端的识别方法,更适用于二级短时间视频行为识别;P3D算法用‘2 + 1’D卷积核替代3D卷积核,并结合现有的残差神经网络,克服了C3D计算参数多、精度低的缺点;MiCT - Net则通过进一步降低3D - CNN模型的复杂度来提高响应速度。然而,这些3D - CNN方法虽然有效提高了识别率和泛化能力,但存在参数多、计算量大以及对硬件设备性能要求高的问题。
航空旅客自助行李值机(SSBC)业务近年来备受关注,但由于自助操作时间长、动作多且复杂,容易出现异常行为,需要进行自动监测,而现有的识别方法无法满足实际需求。因此,本文研究了一种快速有效的方法来识别SSBC的异常行为。
1. 值机行为的定义
行为B指的是人们所有有目的的活动,它由N个简单动作序列$a_1, \cdots, a_i, \cdots, a_N$组成,即$B = {a_1, \cdots, a_i, \cdots, a_N}$。
SSBC业务一般可分为七种行为,即身份验证、座位选择与登机牌打印、确认SSBC通知、行李标签打印、粘贴行李标签、放置行李和获取行李值机凭证。其中,行李放置行为$B_p$指乘客将贴好
超级会员免费看
订阅专栏 解锁全文

被折叠的 条评论
为什么被折叠?



