随着视频监控技术的飞速发展和视频监控设备的大批量部署,如何利用监控系统的海量视频数据逐渐得到关注。由于技术的限制,以往对监控视频的使用只限于视频保存和查看。伴随着深度学习技术在计算机视觉领域的迅猛发展和硬件设备计算能力的显著提升,以往一些难以实现的需求在新技术和新设备的加持下,有了实现的前景和可能。本文将聚焦收银台场景下监控视频的应用,在过去,管理者为了监督收银台店员的服务规范,通常利用“暗访”或查看监控视频的方式,非常费时费力,并且难以做到全天候的监督。为了解决这个问题,提高管理人员的管理效率,提升从业人员的服务质量,基于深度学习技术开发了收银台服务规范智能检测系统。收银台场景事件检测算法的准确率是评价系统实用性的重要指标之一,为了提高事件检测算法的准确率,从目标检测算法、事件判断算法和工程应用等角度对准确率进行了优化,具体实现了以下几个方面的工作:一、为提高收银台场景的目标检测算法准确率,提出了两个网络,分别提升了小目标和运动物体的检测准确率。基于注意力机制构建了针对收银台场景小目标检测的优化网络,先通过辅助信息裁剪小目标可能存在的区域,使用RNN网络对图像进行编解码,再通过分类器输出目标类型。基于光流通道构建了附加光流信息的目标检测网络,并探究了光流通道的两种使用方式:四通道模型和双特征提取网络模型。最后结合使用了上述两个网络,提升了收银台场景下的目标检测综合性能。二、为提高收银台场景事件判断的准确率,提出了两种基于多分支网络结构模型的视频事件检测算法,并进行对比实验。使用目标检测和姿态评估算法获得的信息,结合事件特征在空间和时序逻辑上先验知识,手工编写事件检测模块。在目标检测和姿态评估这两个分支的基础上,增加光流和原图的3D卷积特征,并使用Transformer-encoder和分类器替换手工检测模块。三、分析管理人员的业务需求,基于Web技术开发了收银台服务规范智能检测系统。系统实时对收银台场景监控视频进行采样并检测,事件检测算法会对视频进行分析,根据业务需求捕获相应事件。基于Web开发技术,通过前后端分离的方式,设计并开发了实时检测功能模块和历史事件模块。