基于改进双流算法的矿工行为识别方法研究

针对目前矿工行为数据集构建不全面、行为识别实时性较差、对相似行为的细粒性识别精度较低等问题,提出了一种端到端的自主学习行为特征并实现行为分类的识别方法。首先,对原始矿工行为视频进行特征提取,生成用来描述时间特征的光流图以及可以描述空间特征的三原色(RGB)图像,使用双流网络对提取的特征进行学习并得到行为分类结果;然后,引入量子遗传算法对双流网络进行改进,对网络中待训练参数进行量子编码,将双流网络在测试集上的代价函数值作为适应度函数。采用量子交叉、量子门旋转实现种群个体的进化。构建了包含50种矿工行为的数据集,在该数据集上利用双流法进行行为识别。研究结果表明:使用量子遗传算法优化后的3种双流网络的识别准确率,比优化前分别提升了1.01%,0.87%和0.32%。通过与其他矿工行为识别算法进行对比,本文所提方法在两种数据集上识别率分别达到90.36%和72.29%,均优于其他几种识别算法,准确率最大差距达到22.36%,证明了本文所提方法的有效性。