随着科技的快速发展,智能化技术已经渗透到各行各业中,都建成了全覆盖的监控系统,实现全方位、无死角的视频监控。通过视频可以实时的进行监视,一旦发现异常情况可以及时的处理。目前,随着人工智能的迅速发展,机器视觉在各行各业中得到了广泛的应用。本文将目标检测、姿态识别和行为分类算法结合,应用于现代物流仓储内,实现仓储人员的实时行为识别。算法通过获取监控视频实现实时的检测,不仅节约了大量的人力成本,而且当有处于跌倒或者在公共场合吸烟等异常行为时,能够及时的发现并采取相应的措施,从而使物流仓储减少人员伤害和财产损失。基于上述情况,本文以物流仓储内异常行为分析为立足点展开研究,通过深度学习算法对异常行为进行分析并得到行为类别,本文主要工作分为如下三个部分:首先,对目标检测算法进行研究,在物流仓储场景下,对监控中的目标进行实时的定位,YOLOV3在速度和精度上都有非常出色的表现,选用YOLOV3作为基础算法,在其基础上进行改进,提出了 YOLOV3-PS4。由于在物流仓储内对仓储人员的检测区别于其他多类别的检测,需要对算法进行优化达到精细化的效果,从主干网络、候选区域等多个方面对其进行优化,目的是提高对特征提取的能力以及定位能力,以适应其在物流仓储场景下的检测任务。然后,对人体姿态识别算法进行研究,在算法的选择上,OpenPose和Aphapose相比,Aphapose虽然具有相对较高的准确率,但是结构复杂且训练过程冗余,很大程度上影响算法的效率,而物流仓储监控需要实时的去提取骨骼关节点信息,对算法速度有着较高的要求,因此,本课题采用OpenPose作为基础网络。在物流仓储内有很多物流包裹和货架,与人体骨架有些相似,时常会有错检情况的发生,因此,在基于OpenPose的研究基础之上进行改进,实现先精准定位再进行骨架提取。最后,对行为分类算法进行研究,利用时空图卷积的变换来捕捉骨骼变换的关系,为捕捉骨架数据的特征,由于模型对局部信息特征提取能力不强,为了解决这个问题,对ST-GCN进行改进优化,添加注意力机制模块,提出AT-STGCN改进算法,增强模型的感受野,提高模型的性能。图33表5参56