【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种手检行为监测方法、装置、电子设备及存储介质。
技术介绍
1、在当今社会，安检工作是确保公共安全的重要一环。然而，由于安检员流动性较大，不同安检员的专业性和责任心良莠不齐，部分安检员偷懒导致的缺检漏检行为较为普遍，可能导致不正当行为的出现，损害旅客权益，严重危害公共安全。因此，建立一种完善的安检行为监察机制显得尤为重要。
2、传统的监督安检员安检行为的方式通常是通过人工现场巡查或者查看视频监控录像的方式，来监督安检员有无手检行为。而随着人工智能的发展，为了提高监督效率，可以通过在安检现场设置视频监控设备，收集安检员手检行为的相关数据，包括视频流、安检员的检查动作图像等，然后将这些数据输入到预先训练好的模型中进行监测。
3、然而，与手检行为相关的数据是多种多样的，例如行人是否携带包裹、安检员与行人之间的距离、安检员的手部挥手动作等，这些数据的分布差异较大，模型很难学习到统一的模式。一种解决方式是使用多个模型分别对与手检行为相关的数据进行训练与监测，以此来提高手检行为监测的准确性。
4、尽管使用多个模型组合的方式监测手检行为可以提高模型的表现，但在实际应用中会面临速度慢、资源消耗大等问题，使得手检行为监测的效率较低。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种手检行为监测方法、装置、电子设备及存储介质，以提高手检行为监测的效率。
2、第一方面，本申请提供了一种手检行
3、将目标对象进入第一区域时的第一图像数据输入预先训练的多任务学习模型中，得到由所述多任务学习模型中的第一学习任务对应的网络输出的第一监测结果；所述第一监测结果表示所述目标对象是否携带目标物品；
4、在所述第一监测结果为目标对象携带目标物品的情况下，获取所述目标对象进入第二区域时的第二图像数据；
5、将所述第二图像数据输入所述多任务学习模型中，得到由所述多任务学习模型中的第二学习任务对应的网络输出的第二监测结果；所述第二监测结果表示安检员是否对所述目标对象进行手检。
6、根据本申请的手检行为监测方法，通过将目标对象进入第一区域时的第一图像数据输入预先训练的多任务学习模型中，得到由所述多任务学习模型中的第一学习任务对应的网络输出的第一监测结果；所述第一监测结果表示所述目标对象是否携带目标物品；在所述第一监测结果为目标对象携带目标物品的情况下，获取所述目标对象进入第二区域时的第二图像数据；将所述第二图像数据输入所述多任务学习模型中，得到由所述多任务学习模型中的第二学习任务对应的网络输出的第二监测结果；所述第二监测结果表示安检员是否对所述目标对象进行手检。本申请实施例通过将与手检行为有关的特征划分为监测目标对象是否携带目标物品的第一学习任务和监测安检员是否对携带有目标物品的目标对象进行手检的第二学习任务，实现了将多任务学习模型应用于手检行为监测场景中的任务划分，并且在第一学习任务的监测结果为目标对象携带有目标物品的情况下，再开启第二学习任务，通过这种将与手检行为有关的特征划分为不同的学习任务，以及将不同学习任务之间进行关联的方式对手检行为进行检测，实现了将目标物品的携带和是否有手检行为的监测流程都结合到一个模型中，由一个模型来解决多个任务，从而提高手检行为的监测效率。
7、根据本申请的一个实施例，所述方法还包括：
8、在所述第一监测结果为目标对象未携带目标物品的情况下，将所述目标对象标记为安全，并取消安检员对所述目标对象的手检行为监测。
9、该实施例中，首先监测目标对象是否携带目标物品，如果未携带，则可以认为目标对象未携带危险物品或违禁品，因而不用再对安检员对该目标对象是否有手检行为的监测，从而节省计算资源。
10、根据本申请的一个实施例，所述多任务学习模型至少包括用于监测目标对象是否携带目标物品的第一学习任务，以及用于监测安检员是否对目标对象进行手检的第二学习任务；
11、其中，每个学习任务对应有一个门控网络和一个塔网络；不同学习任务共享多个专家网络，不同学习任务对应的专家网络具有不同的权重。
12、在该实施例中，多任务学习模型包括多个学习任务，每个学习任务都有对应的门控网络和塔网络，并共享多个专家网络，通过门控网络针对不同的学习任务控制多个专家网络的权重，从而控制专家网络中不同任务之间的信息流动，使得多任务学习模型在处理多个任务时能够更好地适应不同任务之间的差异，提高整体性能。
13、根据本申请的一个实施例，所述将目标对象进入第一区域时的第一图像数据输入预先训练的多任务学习模型中，得到由所述多任务学习模型中的第一学习任务对应的网络输出的第一监测结果，包括：
14、基于所述门控网络识别所述第一图像数据对应的学习任务；
15、在识别到所述第一图像数据对应第一学习任务的情况下，基于所述门控网络对所述多个专家网络的权重进行调整，以使调整权重后的多个专家网络对应第一学习任务；
16、基于调整权重后的多个专家网络提取所述第一图像数据的特征向量；
17、基于所述第一学习任务对应的塔网络对所述特征向量进行识别，得到第一监测结果。
18、在该实施例中，在多任务学习模型中，可以通过门控网络来识别图像数据所对应的学习任务，从而能够针对不同的学习任务，输出不同学习任务对应的专家网络的权重，从而实现对专家网络进行动态的权重调整，从而使得多任务学习模型能找到适合该学习任务的网络对图像数据进行处理，并输出监测结果，提高了监测目标对象是否携带目标物品的准确性。
19、根据本申请的一个实施例，所述将所述第二图像数据输入所述多任务学习模型中，得到由所述多任务学习模型中的第二学习任务对应的网络输出的第二监测结果，包括：
20、基于所述门控网络识别所述第二图像数据对应的学习任务；
21、在识别到所述第二图像数据对应第二学习任务的情况下，基于所述门控网络对所述多个专家网络的权重进行调整，以使调整权重后的多个专家网络对应第二学习任务；
22、基于调整权重后的多个专家网络提取所述第二图像数据的特征向量；
23、基于所述第二学习任务对应的塔网络对所述特征向量进行识别，得到第二监测结果。
24、在该实施例中，在多任务学习模型中，可以通过门控网络来识别图像数据所对应的学习任务，从而能够针对不同的学习任务，输出不同学习任务对应的专家网络的权重，从而实现对专家网络进行动态的权重调整，从而使得多任务学习模型能找到适合该学习任务的网络对图像数据进行处理，并输出监测结果，提高了监测安检员是否对所述目标对象进行手检的准确性。
25、根据本申请的一个实施例，所述门控网络根据以下方式识别图像数据对应的学习任务：
26、获取图像数据的区域特征；
27、在所述区域特征指示所述图像数据中包括第本文档来自技高网...
【技术保护点】
1.一种手检行为监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述多任务学习模型至少包括用于监测目标对象是否携带目标物品的第一学习任务，以及用于监测安检员是否对目标对象进行手检的第二学习任务；
4.根据权利要求3所述的方法，其特征在于，所述将目标对象进入第一区域时的第一图像数据输入预先训练的多任务学习模型中，得到由所述多任务学习模型中的第一学习任务对应的网络输出的第一监测结果，包括：
5.根据权利要求3所述的方法，其特征在于，所述将所述第二图像数据输入所述多任务学习模型中，得到由所述多任务学习模型中的第二学习任务对应的网络输出的第二监测结果，包括：
6.根据权利要求3所述的方法，其特征在于，所述门控网络根据以下方式识别图像数据对应的学习任务：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种手检行为监测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种手检行为监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述多任务学习模型至少包括用于监测目标对象是否携带目标物品的第一学习任务，以及用于监测安检员是否对目标对象进行手检的第二学习任务；
4.根据权利要求3所述的方法，其特征在于，所述将目标对象进入第一区域时的第一图像数据输入预先训练的多任务学习模型中，得到由所述多任务学习模型中的第一学习任务对应的网络输出的第一监测结果，包括：
5.根据权利要求3所述的方法，其特征在于，所述将所述第二图像数据输入所述多任务学习模型中，得到由所述多...
【专利技术属性】
技术研发人员：王理达，夏可浩，雷朋川，黄韬，黄佩林，
申请(专利权)人：广州广电运通智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。