[發(fā)明專(zhuān)利]暴力分揀行為識(shí)別方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201811295123.7
• 申請(qǐng)日: 2018-11-01
• 公開(kāi)（公告）號(hào): CN111126115A
• 公開(kāi)（公告）日: 2020-05-08
• 發(fā)明（設(shè)計(jì)）人: 虢齊;張玉雙;袁益琴
• 申請(qǐng)（專(zhuān)利權(quán)）人: 順豐科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 郭棟梁

1.一種暴力分揀行為識(shí)別方法，其特征在于，包括：

獲取待預(yù)測(cè)視頻；

對(duì)所述待預(yù)測(cè)視頻進(jìn)行灰度化；

將所述灰度化后的待預(yù)測(cè)視頻輸入預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行暴力分揀行為的識(shí)別，其中所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型具有行為特征提取能力。

2.根據(jù)權(quán)利要求1所述的暴力分揀行為識(shí)別方法，其特征在于，所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型是通過(guò)以下步驟建立的：

獲取存在行為識(shí)別能力的第一模型和未輸入任何參數(shù)的第二模型；

將所述第一模型進(jìn)行灰度化；

提取所述灰度化后的第一模型的特征層參數(shù)；

將所述特征層參數(shù)傳輸?shù)剿龅诙Ｐ椭校纱嬖谛袨樘卣魈崛∧芰Φ某跏既S卷積神經(jīng)網(wǎng)絡(luò)模型；

將多個(gè)已經(jīng)灰度化并經(jīng)過(guò)標(biāo)注后的樣本視頻輸入所述初始三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以形成所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的暴力分揀行為識(shí)別方法，其特征在于，還包括利用下采樣法或插幀法對(duì)所述已經(jīng)灰度化并經(jīng)過(guò)標(biāo)注后的樣本視頻進(jìn)行幀率處理。

4.根據(jù)權(quán)利要求2所述的暴力分揀行為識(shí)別方法，其特征在于，將多個(gè)已經(jīng)灰度化并經(jīng)過(guò)標(biāo)注后的樣本視頻輸入所述初始三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：

采取小批量隨機(jī)梯度下降法，擬合所述樣本視頻以判斷樣本視頻的分類(lèi)。

5.根據(jù)權(quán)利要求1所述的暴力分揀行為識(shí)別方法，其特征在于，所述將所述灰度化后的待預(yù)測(cè)視頻輸入預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行暴力分揀行為的識(shí)別，包括：

將所述灰度化后的待預(yù)測(cè)視頻經(jīng)過(guò)多個(gè)卷積層以提取其中的行為特征，輸出張量；

對(duì)所述灰度視頻的行為特征進(jìn)行處理，將所述張量輸入全局均值池化層后，輸出向量；

將所述向量經(jīng)過(guò)全連接層，進(jìn)行行為特征分類(lèi)，輸出暴力分揀行為的概率，如果概率大于或等于預(yù)定閾值，則判斷為暴力分揀行為。

6.根據(jù)權(quán)利要求5所述的暴力分揀行為識(shí)別方法，其特征在于，所述閾值為0.5。

7.根據(jù)權(quán)利要求2所述的暴力分揀行為識(shí)別方法，其特征在于，所述第一模型和所述第二模型為相同維數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型。

8.一種暴力分揀行為識(shí)別裝置，其特征在于，包括：

采集模塊，用于獲取待預(yù)測(cè)視頻；

處理模塊，用于對(duì)所述待預(yù)測(cè)視頻進(jìn)行灰度化；

識(shí)別模塊，用于將所述灰度化后的待預(yù)測(cè)視頻輸入預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行暴力分揀行為的識(shí)別，其中所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型具有行為特征提取能力。

9.根據(jù)權(quán)利要求8所述的一種暴力分揀行為識(shí)別裝置，其特征在于，所述識(shí)別模型中所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型包括:

獲取模塊，用于獲取存在行為識(shí)別能力的第一模型和未輸入任何參數(shù)的第二模型；

處理模塊，用于將所述第一模型進(jìn)行灰度化；

參數(shù)提取模塊，用于提取所述灰度化后第一模型的特征層參數(shù)；

傳輸模塊，用于將所述參數(shù)傳輸?shù)剿龅诙Ｐ椭校纱嬖谛袨樘卣魈崛∧芰Φ某跏既S卷積神經(jīng)網(wǎng)絡(luò)模型；

模型生成模塊，用于將多個(gè)已經(jīng)灰度化并經(jīng)過(guò)標(biāo)注后的樣本視頻輸入所述初始三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以形成所述預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型。

10.根據(jù)權(quán)利要求8所述的一種暴力分揀行為識(shí)別裝置，其特征在于，所述識(shí)別模塊包括:

特征提取子模塊，用于將所述灰度化后的待預(yù)測(cè)視頻經(jīng)過(guò)多個(gè)卷積層以提取其中的行為特征，輸出張量；

特征處理子模塊，用于對(duì)所述灰度視頻的行為特征進(jìn)行處理，將所述張量輸入全局均值池化層后，輸出向量；

特征判斷子模塊，用于將所述行為特征進(jìn)行分類(lèi)，對(duì)所述向量經(jīng)過(guò)全連接層，進(jìn)行行為特征分類(lèi)，輸出暴力分揀行為的概率。