基于人體屬性分析的考場(chǎng)行為識(shí)別

姚捃， 郭志林， 趙杰

(1.成都理工大學(xué)工程技術(shù)學(xué)院, 樂山 614000; 2.核工業(yè)西南物理研究院, 成都 610000)

人體行為識(shí)別是人工智能視覺任務(wù)的重要技術(shù)，在人機(jī)交互、智能安防、考場(chǎng)監(jiān)考、嬰幼兒看護(hù)中都有著重要應(yīng)用。

早期的行為識(shí)別基于手工提取特征的方法，利用特征描述符包括軌跡特征、梯度直方圖特征(histogram of oriented gradient, HOG)、光流直方圖特征(histogram of oriented optical flow, HOF)、混合動(dòng)態(tài)紋理特征、光流場(chǎng)特征、人體關(guān)節(jié)點(diǎn)特征等構(gòu)建特征空間，進(jìn)而使用機(jī)器學(xué)習(xí)的方法進(jìn)行行為的識(shí)別。

唐超等[1]提出深度圖像特征(RGB depth map，RDG-D)的人體動(dòng)作識(shí)別方法，首先獲取基于RGB模態(tài)信息的梯度直方圖特征、基于深度圖像模態(tài)信息的時(shí)空興趣點(diǎn)特征和基于關(guān)節(jié)模態(tài)信息的人體關(guān)節(jié)點(diǎn)位置特征，利用集成決策對(duì)三種提取到的特征進(jìn)行分類，在公開數(shù)據(jù)集上取得了不錯(cuò)的效果。

劉帆等[2]改進(jìn)了一種基于全局特征和局部特征的方法來實(shí)現(xiàn)人體行為識(shí)別，首先使用背景減法獲得人體運(yùn)動(dòng)區(qū)域，然后引入方向可控濾波器改進(jìn)HOG特征以增強(qiáng)局部邊緣信息，同時(shí)對(duì)加速穩(wěn)健特征進(jìn)行聚類獲得詞袋模型；最后將融合后的行為特征輸入支持向量機(jī)對(duì)行為特征進(jìn)行分類識(shí)別，在UCF Sports等數(shù)據(jù)集上獲得了先進(jìn)的性能表現(xiàn)。

張恒鑫等[3]借助OpenPose算法得到人體區(qū)域中關(guān)節(jié)點(diǎn)的二維坐標(biāo)構(gòu)建骨架模型,提取基于關(guān)節(jié)向量的多種動(dòng)作時(shí)空特征,采用KNN(K nearest neighbor)模型進(jìn)行行為識(shí)別，在Weizmann數(shù)據(jù)集上取得了不錯(cuò)的效果。

但是，由于視頻場(chǎng)景的復(fù)雜性、光線變化、人體遮擋等問題，以上所列舉的手工提取特征的方法嚴(yán)重依賴于手工特征提取算子的設(shè)置和具體任務(wù)的數(shù)據(jù)集分布，具有一定的局限性，漸漸被深度學(xué)習(xí)方法所替代，如卷積神經(jīng)網(wǎng)絡(luò)、快慢信息網(wǎng)絡(luò)、TSN雙流網(wǎng)絡(luò)、3D卷積神經(jīng)網(wǎng)絡(luò)、TSN雙流與長(zhǎng)短期記憶網(wǎng)絡(luò)(long short term memory，LSTM)結(jié)合的混合網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)利用深度學(xué)習(xí)強(qiáng)大的特征提取能力，從各個(gè)角度提取出行為識(shí)別所需要的人體外觀和人體運(yùn)動(dòng)的高級(jí)時(shí)空特征(如光流特征、3D時(shí)空特征)，能更準(zhǔn)確地分辨行為類別。

戎輝等[4]利用卷積神經(jīng)網(wǎng)絡(luò)AlexNet對(duì)駕駛員行為狀態(tài)進(jìn)行識(shí)別，首先對(duì)駕駛員7種駕駛狀態(tài)進(jìn)行了定義,構(gòu)建了駕駛員狀態(tài)信息采集系統(tǒng)，然后利用卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)方法進(jìn)行行為識(shí)別，同時(shí)達(dá)到了理想的準(zhǔn)確率與推理速度。齊琦等[5]提出了一種基于改進(jìn)多通道3D卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的人體行為識(shí)別方法，同時(shí)將圖片的空間信息和時(shí)間信息作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行行為識(shí)別，在公開數(shù)據(jù)集UCF-101上取得了不錯(cuò)的效果。周鵬等[6]提出一種改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型(dynamic convolution neural network，DCNN)，模型中增加了信號(hào)融合單元，并提出一種將時(shí)間序列轉(zhuǎn)換成單通道行為圖片進(jìn)行行為識(shí)別的方法，在公開數(shù)據(jù)集UCI上取得了優(yōu)于傳統(tǒng)模型的性能。何嘉宇等[7]構(gòu)建了特征金字塔層次結(jié)構(gòu)以增強(qiáng)網(wǎng)絡(luò)檢測(cè)不同持續(xù)時(shí)長(zhǎng)的行為片段的能力，在公開數(shù)據(jù)集上獲得了先進(jìn)的識(shí)別性能。文獻(xiàn)[8-12]利用LSTM長(zhǎng)短記憶網(wǎng)絡(luò)對(duì)于時(shí)序數(shù)據(jù)特有的敏感性，對(duì)數(shù)據(jù)之間的聯(lián)系進(jìn)行有選擇的記憶與遺忘，僅保留對(duì)識(shí)別結(jié)果有益的數(shù)據(jù)，達(dá)到了良好的識(shí)別率。Ayed等[13]利用深度卷積神經(jīng)網(wǎng)絡(luò)在提取出面部姿勢(shì)、面部特征和感覺特征基礎(chǔ)上進(jìn)行了行為識(shí)別，在CK+(the extended Cohn-Kanade dataset)數(shù)據(jù)集上取得了不錯(cuò)效果。Fuentes等[14]提出了一種基于深度學(xué)習(xí)的時(shí)空信息分層牛行為識(shí)別方法，在有效提取外觀特征、時(shí)空信息和上下文時(shí)間特征基礎(chǔ)上進(jìn)行了牛行為識(shí)別，成功檢測(cè)出15種不同類型的分級(jí)活動(dòng)。Ma等[15]在RexNet基礎(chǔ)上加入時(shí)序信息，進(jìn)行了擴(kuò)展網(wǎng)絡(luò)的3D算法改進(jìn)，最終在公開數(shù)據(jù)集上獲得了91.02%的準(zhǔn)確率和101.02 f/s的每秒識(shí)別幀數(shù)。

以上一些基于深度學(xué)習(xí)提取時(shí)空特征的行為識(shí)別算法存在著硬件需求過高、時(shí)效性不足、復(fù)雜場(chǎng)景準(zhǔn)確率偏低等問題。在很多應(yīng)用場(chǎng)景下不能實(shí)現(xiàn)實(shí)時(shí)識(shí)別，是這些行為識(shí)別算法并未得到有效應(yīng)用的主要原因。因此有研究者提出利用深度學(xué)習(xí)模型中多種類輸出頭的特性，在實(shí)際應(yīng)用中以構(gòu)建精準(zhǔn)的行為類別數(shù)據(jù)集為基礎(chǔ)進(jìn)行行為識(shí)別，以期達(dá)到或超越傳統(tǒng)機(jī)器學(xué)習(xí)和基于時(shí)空特征的深度學(xué)習(xí)算法的效果。

董琪琪等[16]利用SSD(single shot multiBox detector)算法，在建立聽講、睡覺、舉手、回答及寫字5種學(xué)生行為狀態(tài)數(shù)據(jù)集基礎(chǔ)上進(jìn)行了行為識(shí)別, 達(dá)到了95.4%的平均精度。王昊飛等[17]提出了一種基于注意力機(jī)制的ResNeXt模型進(jìn)行行為識(shí)別，將注意力機(jī)制嵌入ResNeXt網(wǎng)絡(luò)中，在UCF101和HMDB51數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)，得到了95.2%和65.6%的準(zhǔn)確率。葉黎偉等[18]利用YOLOv5網(wǎng)絡(luò)結(jié)合GCT(gated channel transformation)模式利用采集的課堂視頻數(shù)據(jù)進(jìn)行了10類課堂行為的識(shí)別。竇剛等[19]利用經(jīng)典的端到端網(wǎng)絡(luò)YOLOv3，在沒有提取時(shí)序信息基礎(chǔ)上，通過改進(jìn)的網(wǎng)絡(luò)進(jìn)行了考場(chǎng)異常行為識(shí)別，解決了推理速度過慢的問題。陳亞晨等[20]基于改進(jìn)的YOLOv3網(wǎng)絡(luò)通過去除部分輸出檢測(cè)模塊、增加淺層網(wǎng)絡(luò)的層數(shù)以及采用K-means聚類算法選取初始先驗(yàn)框等策略進(jìn)行了眼行為的識(shí)別，達(dá)到了91.3%的識(shí)別準(zhǔn)確率。

以上研究雖然解決了特定場(chǎng)景中行為識(shí)別推理速度的問題，然而存在以下問題：①不能同時(shí)識(shí)別多種行為；②沒有利用大型數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，在其他問題上擴(kuò)展性不足?；诖?，現(xiàn)提出基于人體屬性分析的考場(chǎng)行為識(shí)別算法，利用考場(chǎng)特殊場(chǎng)景的優(yōu)勢(shì)，在沒有光照變化、場(chǎng)景單一、人體上半部沒有明顯遮擋情況下，采集高清視頻圖像，進(jìn)而利用視頻處理設(shè)備解幀輸入深度神經(jīng)網(wǎng)絡(luò)，進(jìn)行快速的人體檢測(cè)與人體屬性分析，再根據(jù)屬性分析結(jié)果進(jìn)行行為判別。算法采用多標(biāo)簽學(xué)習(xí)機(jī)制可以同時(shí)識(shí)別出多種行為類別；檢測(cè)網(wǎng)絡(luò)優(yōu)化為單一anchor box，進(jìn)一步提升了推理速度；使用了大型公開數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，只需稍做更改就可以擴(kuò)展到其他行為識(shí)別任務(wù)。提出的算法經(jīng)過實(shí)驗(yàn)驗(yàn)證，具有良好的擴(kuò)展性、高效性和準(zhǔn)確率。

1 方法

人體檢測(cè)和人體屬性分析從本質(zhì)上講都涉及分類與定位算法，因此采用了效率與性能并重的YOLOv3來實(shí)現(xiàn)。YOLOv4和YOLOv5雖然是在YOLOv3基礎(chǔ)上進(jìn)一步改進(jìn)，但都是在細(xì)枝末節(jié)上進(jìn)行的優(yōu)化，反而丟失了YOLOv3在工業(yè)界的普遍適用性。所以總體思路是將人體檢測(cè)與屬性分析作為YOLOv3網(wǎng)絡(luò)的并行化任務(wù)，并對(duì)輸出向量加以修正。

1.1 數(shù)據(jù)準(zhǔn)備

在數(shù)據(jù)準(zhǔn)備階段，需要采集本地視頻數(shù)據(jù)集，篩選出視頻數(shù)據(jù)中典型的正常行為與違規(guī)行為，然后對(duì)視頻幀進(jìn)行標(biāo)注。其中紙條、手機(jī)、書本等應(yīng)歸為人體攜帶屬性；而扭頭、斜視、說話、埋頭等作為人體行為屬性。由于人體檢測(cè)與屬性分析由統(tǒng)一的網(wǎng)絡(luò)完成，所以需要對(duì)數(shù)據(jù)進(jìn)行整體標(biāo)注，考場(chǎng)主要行為數(shù)據(jù)判定如表1所示。

標(biāo)注應(yīng)符合多標(biāo)簽學(xué)習(xí)模式，采用與行人屬性分析的WIDER數(shù)據(jù)集相同的json格式，需要標(biāo)注出人體目標(biāo)的bbox及所攜帶屬性。bbox由4個(gè)坐標(biāo)給定，屬性由屬性向量給定。

結(jié)合表1給出屬性對(duì)照及單個(gè)目標(biāo)標(biāo)注(紙條)示例如下：

{′attribute_id_map′:

{′0′: ′note′,

′1′: ′phone′,

′2′: ′book′,

′3′: ′turn′,

′4′: ′strabismus′,

′5′: ′speak′,

′6′: ′bury′,

′7′: ′probe′}

{′attribute′: [1, -1, -1, -1, -1, -1, -1, -1],

′bbox′: [565.398773006135,

370.6503067484663,

76.95705521472392,

238.7239263803681]}

}

最后經(jīng)過數(shù)據(jù)預(yù)處理，進(jìn)行了數(shù)據(jù)集的標(biāo)簽可視化，如圖1所示。

1.2 模型訓(xùn)練

訓(xùn)練階段，神經(jīng)網(wǎng)絡(luò)模型主要采用了以特征金字塔和Darknet53相結(jié)合作為backbone的YOLOv3算法，并基于考場(chǎng)監(jiān)考的任務(wù)特點(diǎn)在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上進(jìn)行了如下改善。

(1)設(shè)定1個(gè)anchor box，只有檢測(cè)到人體目標(biāo)時(shí)人體附屬的屬性信息才有判定的價(jià)值，同時(shí)考慮到坐姿下人體目標(biāo)大小基本一致，因此YOLOv3只需要1個(gè)anchor box來檢測(cè)人體目標(biāo)類別，極大地提升了檢測(cè)效率。

(2)修改任務(wù)輸出，將YOLOv3輸出的80個(gè)類別的分類置信度向量改為本任務(wù)所需的人體屬性分析向量，每個(gè)人體目標(biāo)框后攜帶8個(gè)屬性的置信度(紙條，手機(jī)，書本，扭頭，斜視，說話，埋頭，探頭)，改善后的輸出與YOLOv3輸出對(duì)比如圖2所示。

(3)加入注意力機(jī)制，基于考場(chǎng)人員坐姿特點(diǎn)，加入注意力機(jī)制模塊(convolutional block attention module，CBAM)，對(duì)于給定的中間特征圖，CBAM按順序推導(dǎo)出沿通道和空間兩個(gè)獨(dú)立維度的注意力圖，然后將注意圖相乘到輸入特征圖進(jìn)行自適應(yīng)特征細(xì)化。通道注意力聚焦在“什么”是有意義的輸入圖像，為了有效計(jì)算通道注意力，需要對(duì)輸入特征圖的空間維度進(jìn)行壓縮，對(duì)于空間信息的聚合，常用的方法是平均池化。空間注意力聚焦在“哪里”是最具信息量的部分，這是對(duì)通道注意力的補(bǔ)充。為了計(jì)算空間注意力，沿著通道軸應(yīng)用平均池化和最大池化操作，然后將它們連接起來生成一個(gè)有效的特征描述符，如圖3所示。

CBAM可以無(wú)縫集成到任何CNN架構(gòu)中，開銷可以忽略不計(jì)，并且可以與基礎(chǔ)CNN一起進(jìn)行端到端訓(xùn)練。對(duì)于考場(chǎng)特殊環(huán)境下的考試人員，與違規(guī)行為有關(guān)的屬性(如書本、扭頭)往往集中在上半身區(qū)域，因此加入CBAM模塊，尤其是CBAM中的空間注意力圖將有效地提升目標(biāo)檢測(cè)與屬性分析的準(zhǔn)確率，在殘差網(wǎng)絡(luò)中加入CBAM模塊后如圖4所示。

L=Lt+Lc+La

(1)

(2)

(3)

(1-yijk)ln(1-pijk)

(4)

(5)進(jìn)行預(yù)訓(xùn)練，本地采集視頻數(shù)據(jù)非常耗時(shí)，為了提高人體屬性分析最后的準(zhǔn)確率，需要利用主流數(shù)據(jù)集的預(yù)訓(xùn)練模型來初始化網(wǎng)絡(luò)參數(shù)。結(jié)合考場(chǎng)任務(wù)的需求，最終選擇了WIDER數(shù)據(jù)集，WIDER數(shù)據(jù)集一共包含13 789張圖像，共57 524個(gè)行人邊界框，并且為每個(gè)行人標(biāo)注了14種屬性，每種屬性包含存在、不存在兩種情況。WIDER數(shù)據(jù)集與其他數(shù)據(jù)集對(duì)比如表2所示。

表2 行人屬性識(shí)別數(shù)據(jù)集Table 2 Pedestrian attributes recognition data set

模型預(yù)訓(xùn)練使用標(biāo)準(zhǔn)的YOLOv3網(wǎng)絡(luò)，將輸出網(wǎng)絡(luò)屬性向量修改為WIDER數(shù)據(jù)集所需的14個(gè)2值屬性向量，并在每一個(gè)殘差塊后添加一個(gè)CBAM模塊，以準(zhǔn)確高效的提取人體上半身屬性信息。

預(yù)訓(xùn)練完成后初始化YOLOv3網(wǎng)絡(luò)，輸出修改為任務(wù)所需的1個(gè)anchor box并攜帶8個(gè)2值屬性向量，在本地?cái)?shù)據(jù)集上進(jìn)行再次訓(xùn)練，獲得最終模型。

1.3 模型部署

模型運(yùn)行階段，利用部署在考場(chǎng)的高清攝像頭采集視頻數(shù)據(jù)流，并接入到視頻處理設(shè)備。視頻處理設(shè)備主要進(jìn)行視頻解幀與幀圖像預(yù)處理，以符合神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)輸入。

將模型導(dǎo)入考場(chǎng)邊緣設(shè)備中，視頻處理設(shè)備的輸出視頻幀作為輸入數(shù)據(jù)，邊緣設(shè)備同時(shí)輸出所有考場(chǎng)人員目標(biāo)檢測(cè)框和屬性分析值，并根據(jù)屬性分析值的結(jié)果作出實(shí)時(shí)的考場(chǎng)行為判斷，整體部署如圖5所示。

圖5 整體部署Fig.5 Overall deployment

2 實(shí)驗(yàn)

利用攝像頭和視頻處理設(shè)備將視頻采集解幀后輸入邊緣智能設(shè)備，分三組分別檢驗(yàn)正常考場(chǎng)行為、各種違規(guī)行為、正常與違規(guī)行為。實(shí)驗(yàn)運(yùn)行部分結(jié)果如圖6所示，可以發(fā)現(xiàn)，只有當(dāng)所有人體屬性值均未檢出才會(huì)判定為正常行為；如果檢測(cè)出1條或多條屬性，將判定為違規(guī)行為。

圖6 模型實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of ours

為了驗(yàn)證模型改善方案對(duì)最后本實(shí)驗(yàn)改進(jìn)的YOLOv3模型結(jié)果的影響大小，并確定最終采取的措施，在WIDER數(shù)據(jù)集上進(jìn)行了anchor、損失函數(shù)、預(yù)訓(xùn)練三種改進(jìn)方案的消融實(shí)驗(yàn)，評(píng)價(jià)指標(biāo)采用mAP(mean average precision)，分別以mAP50和mAP75以度量在WIDER數(shù)據(jù)集14個(gè)屬性上平均性能，實(shí)驗(yàn)結(jié)果分析如表3所示。

實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，三種措施對(duì)于mAP50和mAP75指標(biāo)都有一定提升，且設(shè)置anchor提升效果最為明顯。

原因?yàn)椋孩傥ㄒ淮_定的anchor能夠使得網(wǎng)絡(luò)對(duì)數(shù)據(jù)集上的預(yù)測(cè)框擁有一個(gè)正確的先驗(yàn)認(rèn)識(shí)，使得邊界框的預(yù)測(cè)更加容易，參數(shù)學(xué)習(xí)更加輕松，從而提升檢測(cè)效果與效率；②損失函數(shù)的改進(jìn)能夠讓模型學(xué)習(xí)到更好的坐標(biāo)回歸參數(shù)，使得模型預(yù)測(cè)的坐標(biāo)位置更加準(zhǔn)確，進(jìn)而最終提升屬性檢測(cè)準(zhǔn)確率。

表3 消融實(shí)驗(yàn)mAPTable 3 Ablation study mAP

為了分析模型在實(shí)際監(jiān)控中對(duì)比傳統(tǒng)方案的效率與準(zhǔn)確性提升程度，利用WIDER數(shù)據(jù)集、本地采集數(shù)據(jù)集、WINDER+本地?cái)?shù)據(jù)集三種數(shù)據(jù)組合分別測(cè)試傳統(tǒng)行人屬性識(shí)別算法PANDA、MLCNN和本實(shí)驗(yàn)改進(jìn)的YOLOv3模型(簡(jiǎn)稱Model)表現(xiàn)。

三種方案都需要進(jìn)行預(yù)訓(xùn)練和遷移學(xué)習(xí)，才能在實(shí)際的考場(chǎng)視頻上進(jìn)行屬性分析和行為判別，模型訓(xùn)練過程對(duì)比如圖7所示。

可以發(fā)現(xiàn)Model相比MLCNN和PANDA，模型具有優(yōu)良的訓(xùn)練曲線，曲線在中前段就很快收斂到低值，中后段也更加平穩(wěn)，反映出模型泛化推理階段具有更好的魯棒性。

三種方案學(xué)習(xí)過程的準(zhǔn)確率對(duì)比如圖8所示。

從準(zhǔn)確率上對(duì)比可以發(fā)現(xiàn)Model相比PANDA和MLCNN，學(xué)習(xí)曲線在后半段趨于平滑穩(wěn)定，也具有更高的性能指標(biāo)，更符合實(shí)際考場(chǎng)應(yīng)用需求。

將三種方案部署于考場(chǎng)，并對(duì)考場(chǎng)行為視頻長(zhǎng)時(shí)運(yùn)行進(jìn)行匯總和分析，評(píng)價(jià)指標(biāo)采用行人屬性識(shí)別常用的mA(mean accuracy)，mA計(jì)算公式為

(5)

分析結(jié)果如表4所示。由表4可知，模型準(zhǔn)確率與推理速度相對(duì)于傳統(tǒng)屬性分析算法具備一定優(yōu)勢(shì)，原因?yàn)椋孩資OLOv3集成了SSD多尺度預(yù)測(cè)、全卷積(fully convolutional networks，F(xiàn)CN)、特征金字塔(feature pyramid networks，F(xiàn)PN)、DenseNet特征復(fù)用等多種特性，具有工業(yè)部署的優(yōu)勢(shì)；②改進(jìn)的網(wǎng)絡(luò)中加入了CBAM注意力模塊，在預(yù)訓(xùn)練階段能很好地提取到人體上半身局部屬性信息；③由于本地?cái)?shù)據(jù)集采集自室內(nèi)環(huán)境，場(chǎng)景單一，沒有明顯遮擋，簡(jiǎn)化了anchor box與屬性向量等因素，使得WIDER+Local的遷移學(xué)習(xí)方案獲得了三種算法上的最佳效果。

圖7 模型訓(xùn)練過程對(duì)比Fig.7 Comparison of training process

圖8 三種模型學(xué)習(xí)過程對(duì)比Fig.8 Comparison of learning process of three models

表4 準(zhǔn)確率mA和推理速度分析Table 4 Analysis of accuracy mA and reasoning speed

對(duì)各屬性預(yù)測(cè)準(zhǔn)確率的進(jìn)一步分析可以發(fā)現(xiàn)，由于加入了通道注意力和空間注意力機(jī)制，在WIDER數(shù)據(jù)集上可以提取到非常良好的人體上半身局部屬性特征。而書本、紙條、手機(jī)等屬性因?yàn)轭A(yù)訓(xùn)練數(shù)據(jù)集沒有相關(guān)樣本而本地采集樣本又較少，因此最終扭頭、斜視、說話、埋頭、探頭等與人體局部特征相關(guān)屬性上表現(xiàn)明顯好于其他非人體局部特征相關(guān)屬性；同時(shí)紙條屬性又屬于小目標(biāo)，相較于書本和手機(jī)的檢測(cè)精度更低，所有屬性最終檢測(cè)準(zhǔn)確率如圖9所示。

圖9 各屬性檢測(cè)準(zhǔn)確率對(duì)比Fig.9 Comparison of accuracy of attributes

3 結(jié)論

雖然行人屬性識(shí)別領(lǐng)域由于問題場(chǎng)景的復(fù)雜性、拍攝角度不同、相同屬性類內(nèi)差異巨大、光線變化、類內(nèi)和類間遮擋等問題而仍然存在很大的挑戰(zhàn)。但是在實(shí)際的考場(chǎng)監(jiān)控場(chǎng)景中，由于攝像頭角度固定、室內(nèi)無(wú)明顯光學(xué)變化、檢測(cè)的目標(biāo)單一、類內(nèi)無(wú)遮擋等天然的優(yōu)勢(shì)，使得利用YOLOv3改進(jìn)后的模型能較好地同時(shí)執(zhí)行人體檢測(cè)和人體屬性分析任務(wù)。

基于人體屬性分析的考場(chǎng)行為識(shí)別也具有不可避免的缺陷：①由于問題的特殊性，需要對(duì)本地采集數(shù)據(jù)進(jìn)行精心的標(biāo)注；②由于本地?cái)?shù)據(jù)集采集數(shù)量有限，無(wú)法勝任實(shí)際應(yīng)用，需要借助大型人體屬性數(shù)據(jù)集的預(yù)訓(xùn)練參數(shù)；③人體屬性分析屬于靜態(tài)幀的行為識(shí)別方法，沒有加入時(shí)序信息，在一些情況下會(huì)造成錯(cuò)誤的判定，如彎腰撿東西、舉手提問等。

鑒于此，應(yīng)根據(jù)需要加入人工復(fù)核機(jī)制，或增加檢測(cè)屬性，或增加視頻采集時(shí)長(zhǎng)，而這些措施無(wú)疑都增加了算法的復(fù)雜性與操作的難度。