[發(fā)明專利]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（公告）號(hào): CN111126115A
• 公開（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)（專利權(quán)）人: 順豐科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(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

本申請(qǐng)公開了一種暴力分揀行為識(shí)別方法和裝置。該方法包括：獲取待預(yù)測(cè)視頻；對(duì)待預(yù)測(cè)視頻進(jìn)行灰度化；將灰度化后的待預(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。本申請(qǐng)通過(guò)利用存在行為特征提取能力的模型構(gòu)建三維卷積神經(jīng)網(wǎng)絡(luò)模型，利用灰度視頻進(jìn)行學(xué)習(xí)和暴力分揀行為識(shí)別。從而縮短了暴力分揀行為識(shí)別的周期，提高了判斷的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)視頻處理技術(shù)領(lǐng)域，尤其涉及基于深度學(xué)習(xí)和知識(shí)遷移的暴力分揀行為識(shí)別的方法和裝置。

背景技術(shù)

近年來(lái)，隨物流行業(yè)的發(fā)展，為了追求時(shí)效性，會(huì)出現(xiàn)暴力分揀的行為，例如還會(huì)出現(xiàn)扔或者踢包裹的現(xiàn)象，這些行為對(duì)包裹造成了損害，同時(shí)也使的各類投訴呈現(xiàn)激增的趨勢(shì)。快遞行業(yè)從業(yè)人員服務(wù)水平質(zhì)量低以及對(duì)基層網(wǎng)點(diǎn)管理的不規(guī)范性導(dǎo)致暴力分揀的行為的存在，暴力分揀行為經(jīng)常發(fā)現(xiàn)在正常的分揀行為之中，持續(xù)時(shí)間通常在一秒之內(nèi)，所以基于視頻的暴力分揀行為智能檢測(cè)尤為重要。

現(xiàn)今，深度學(xué)習(xí)被廣泛的應(yīng)用在圖片分析和視頻理解領(lǐng)域，但是目前深度學(xué)習(xí)都需要大量的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)標(biāo)注需要耗費(fèi)時(shí)間和人力，除此之外。視頻本身是由連續(xù)的多幀圖片組成，對(duì)于神經(jīng)網(wǎng)絡(luò)的計(jì)算而言是比較耗時(shí)的，而且當(dāng)視頻幀率較低時(shí)，分揀行為的差異性會(huì)變小，容易造成結(jié)果的誤判。

因此，快速有效的識(shí)別暴力分揀行為是亟待解決的問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)存在的不足之處，本申請(qǐng)?zhí)岢隽艘环N暴力分揀行為識(shí)別方法，其有效地解決了現(xiàn)有技術(shù)中存在的耗時(shí)識(shí)別率不高的問(wèn)題，提高了識(shí)別效率和準(zhǔn)確率。

第一方面，本申請(qǐng)實(shí)施例提供一種暴力分揀行為識(shí)別方法，該方法包括：

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。

其中，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。

第二方面，本申請(qǐng)實(shí)施例還提供一種暴力分揀行為識(shí)別裝置，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。

其中識(shí)別模型中的預(yù)定的三維卷積神經(jīng)網(wǎng)絡(luò)模型包括:

獲取子模塊，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；

處理子模塊，用于將所述第一模型進(jìn)行灰度化；

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

傳輸子模塊，用于將所述特征層參數(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；