基于深度学习的翻越行为检测

翻越行为检测对疫情管控、社会治安等有着重要意义,一定程度上可以减少因为违规翻越行为而造成的意外事故.针对目前翻越行为检测任务实时性差、需要先验知识的问题,本文将Faster RCNN+SlowFast时空行为检测算法应用在翻越行为检测任务中,将翻越行为进行拆分检测.为提高时空行为检测算法中目标的检测精度和速率将目标检测模块Faster RCNN改为实时性高且轻量化的YOLOv5;其次针对同一行为不同视角下广泛的类内多样性的问题,将Fast支路和Slow支路的residual block分别改为AC residual block和SE residual block来加强网络对关键特征与细粒度特征的学习能力,最后设计翻越行为检测算法进行攀爬与下降两种状态的连续性检测,实验结果显示该网络平均准确率达93.5%,在翻越行为检测中表现出良好的性能.

基于计算机视觉数据融合的工人围栏翻越行为检测

不安全行为是导致施工现场人员伤亡和安全事故的主要原因,因为工人翻越围栏导致的高处坠落事故在现场时有发生。以管理人员现场巡查为主的不安全行为检测方法,难以对施工现场进行全时段全覆盖的实时监管,导致效率不高且效果不佳。对此,应用两种计算机视觉技术的数据融合,建立了工人围栏翻越不安全行为的智能检测模型,并开展了围栏翻越不安全行为的模拟实验。实验结果表明,该智能检测模型的识别准确率高于单一方法,证实了其有效性。该模型能够提高施工现场不安全行为的检查效率,从而提高施工现场安全管理水平,并可推广至施工现场多种工人不安全行为的检测。

基于Yolo和GOTURN的景区游客翻越行为识别

近年来,随着旅游市场的快速发展,在旅游景区出现的一些违规行为,不仅危害了人身安全,而且也给社会造成了许多负面影响。由于出现该类行为的频率不高,通过人工观察耗费大量人力资源且效率不高,使用深度学习算法对具体行为进行识别,帮助景区监管人员快速预警违规行为,已成为必然趋势。针对这一问题,结合目标检测与目标跟踪任务,该文提出了一种基于Yolo和GOTURN的景区游客翻越行为识别方法。首先将视频转为视频帧,再经过Yolo目标检测和GOTURN目标跟踪得到人员边界框坐标和视频帧轨迹点集合,再进入轨迹分析得出最终结果标签(是否为翻越行为),形成一个完整的翻越行为识别方法。实验数据表明,基于Yolo和GOTURN的景区游客翻越行为识别方法相对于其他方法具有较高的准确率,应用在实际的景区游客翻越行为识别系统中得到了93.7%的准确率。