[發(fā)明專利]亂丟垃圾行為的識(shí)別方法、識(shí)別裝置和可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010969601.9
• 申請(qǐng)日: 2020-09-15
• 公開（公告）號(hào): CN112115846A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 陳繼華;陳志國(guó);陳凱迪
• 申請(qǐng)（專利權(quán)）人: 上海迥靈信息技術(shù)有限公司;深圳力維智聯(lián)技術(shù)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: 深圳市恒程創(chuàng)新知識(shí)產(chǎn)權(quán)代理有限公司 44542
• 代理人: 劉冰

本發(fā)明公開了一種亂丟垃圾行為的識(shí)別方法，該方法包括：獲取依次采集的多個(gè)監(jiān)控圖像；執(zhí)行對(duì)所述多個(gè)監(jiān)控圖像中人體圖像與垃圾圖像的識(shí)別操作，得到識(shí)別結(jié)果；根據(jù)所述識(shí)別結(jié)果確定監(jiān)控區(qū)域內(nèi)人體與垃圾的相對(duì)位置變化信息；根據(jù)所述相對(duì)位置變化信息確定亂丟垃圾行為的判別信息。本發(fā)明還公開了一種行為識(shí)別裝置和可讀存儲(chǔ)介質(zhì)。本發(fā)明旨在實(shí)現(xiàn)對(duì)監(jiān)控區(qū)域中出現(xiàn)的亂丟垃圾行為進(jìn)行自動(dòng)識(shí)別，保障環(huán)境衛(wèi)生。

技術(shù)領(lǐng)域

本發(fā)明涉及監(jiān)控技術(shù)領(lǐng)域，尤其涉及亂丟垃圾行為的識(shí)別方法、行為識(shí)別裝置和可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著人們生活水平的提高，人們對(duì)環(huán)境問題也越來越重視。其中，環(huán)境衛(wèi)生問題與人們的生活息息相關(guān)，是目前人們需要亟待解決的問題。

然而，由于缺乏對(duì)亂丟垃圾行為自動(dòng)監(jiān)控識(shí)別的有效手段，很多時(shí)候只能看到遍地垃圾污染環(huán)境而無(wú)法對(duì)亂丟垃圾的不文明行為進(jìn)行及時(shí)監(jiān)管，破壞環(huán)境衛(wèi)生。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種亂丟垃圾行為的識(shí)別方法，旨在實(shí)現(xiàn)對(duì)監(jiān)控區(qū)域中出現(xiàn)的亂丟垃圾行為進(jìn)行自動(dòng)識(shí)別，保障環(huán)境衛(wèi)生。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種亂丟垃圾行為的識(shí)別方法，所述亂丟垃圾行為的識(shí)別方法包括以下步驟：

獲取依次采集的多個(gè)監(jiān)控圖像；

執(zhí)行對(duì)所述多個(gè)監(jiān)控圖像中人體圖像與垃圾圖像的識(shí)別操作，得到識(shí)別結(jié)果；

根據(jù)所述識(shí)別結(jié)果確定監(jiān)控區(qū)域內(nèi)人體與垃圾的相對(duì)位置變化信息；

根據(jù)所述相對(duì)位置變化信息確定亂丟垃圾行為的判別信息。

可選地，所述根據(jù)所述相對(duì)位置變化信息確定亂丟垃圾行為的判別信息的步驟包括：

若所述相對(duì)位置變化信息為所述垃圾相對(duì)于所述人體的位置從第一位置切換至第二位置，則確定所述判別信息為存在亂丟垃圾行為；

其中，所述第一位置為所述垃圾與所述人體結(jié)合的位置，所述第二位置為所述垃圾與所述人體分離、且所述垃圾位于地面的位置；

可選地，所述執(zhí)行對(duì)所述多個(gè)監(jiān)控圖像中人體圖像與垃圾圖像的識(shí)別操作，得到識(shí)別結(jié)果的步驟包括：

將所述多個(gè)監(jiān)控圖像輸入人體與垃圾識(shí)別模型；其中，所述人體與垃圾識(shí)別模型為基于Alexnet改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型；

獲取所述人體與垃圾識(shí)別模型的輸出結(jié)果作為所述識(shí)別結(jié)果。

可選地，所述將所述多個(gè)監(jiān)控圖像輸入人體與垃圾識(shí)別模型的步驟之前，還包括：

獲取基于Alexnet改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型和訓(xùn)練樣本集；所述訓(xùn)練樣本集包括多個(gè)攜帶有第一標(biāo)簽的第一圖像；所述第一標(biāo)簽設(shè)置為對(duì)所述第一圖像中的人員和/或垃圾進(jìn)行標(biāo)識(shí)的信息；

采用所述訓(xùn)練樣本集交替訓(xùn)練所述訓(xùn)練模型，得到候選模型；

根據(jù)所述候選模型確定所述人體與垃圾識(shí)別模型。

可選地，所述獲取基于Alexnet改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型的步驟之前，還包括：

建立基于Alexnet改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的初始模型；所述初始模型包括連接的卷積層、激活層、歸一層、池化層和全連接層，其中，所述激活層包括第一激活層和第二激活層，所述第一激活層基于ReLU函數(shù)構(gòu)建，所述第二激活層基于Leaky ReLU函數(shù)構(gòu)建；

設(shè)置所述初始模型中的超參數(shù)得到所述訓(xùn)練模型。

可選地，所述卷積層的數(shù)量有多個(gè)，所述全連接層的數(shù)量有多個(gè)，一部分所述卷積層與所述第二激活層連接，另一部分所述卷積層與所述第一激活層連接；部分所述全連接層與所述第一激活層連接。