基于DA-GCN的煤矿人员行为识别方法

• Published in: 工矿自动化 Vol. 47; no. 4; pp. 62 - 66
• Main Authors: 黄瀚, 程小舟, 云霄, 周玉, 孙彦景
• Format: Journal Article
• Language: Chinese
• Published: 中钢集团马鞍山矿山研究院股份有限公司选矿及自动化研究所,安徽马鞍山 243000%中国矿业大学信息与控制工程学院,江苏徐州 221116 2021; 中国矿业大学信息与控制工程学院,江苏徐州 221116%中国矿业大学信息与控制工程学院,江苏徐州 221116; 中国矿业大学徐州市智能安全与应急协同工程研究中心,江苏徐州 221116
• Subjects: 动态多层感知图卷积; 动态注意力机制; 煤矿视频监控; 井下人员行为识别; 关键点提取
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.17721

TD67; 针对煤矿生产区域的监控视频较为模糊且人员行为类型复杂,常规行为识别方法的准确率较低的问题,提出了一种基于动态注意力与多层感知图卷积网络(DA-GCN)的煤矿人员行为识别方法.采用Openpose算法提取输入视频的人体关键点,得到3个维度、18个坐标的人体关键点信息,降低模糊背景信息的干扰;通过动态多层感知图卷积网络(D-GCN)提取人体关键点的空间特征,通过时间卷积网络(TCN)提取人体关键点的时间特征,提高网络对不同动作的泛化能力;使用动态注意力机制,增强网络对于动作关键帧、关键骨架的注意力程度,进一步缓解视频质量不佳带来的影响;使用Softmax分类器进行动作分类.通过场景分析,将井下行为分为站立、行走、坐、跨越和操作设备5种类型,构建适用于煤矿场景的Cumt-Action数据集.实验结果表明,DA-GCN在Cumt-Action数据集的最高准确率达到99.3％,最高召回率达到98.6％;与其他算法相比,DA-GCN在Cumt-Action数据集和公共数据集NTU-RGBD上均具有较高的识别准确率,证明了 DA-GCN优秀的行为识别能力.