買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜福建星網(wǎng)物聯(lián)信息系統(tǒng)有限公司申請(qǐng)的專利一種人體行為識(shí)別方法及終端獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN113609957B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202110880546.0，技術(shù)領(lǐng)域涉及：G06V40/20；該發(fā)明授權(quán)一種人體行為識(shí)別方法及終端是由陳呂財(cái);鄭維宏;田中敏;魏軍福;鄭宏雄設(shè)計(jì)研發(fā)完成，并于2021-08-02向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種人體行為識(shí)別方法及終端在說(shuō)明書摘要公布了：本發(fā)明公開一種人體行為識(shí)別方法及終端，其中方法包括如下步驟：S2：構(gòu)建人體異常行為識(shí)別的深度網(wǎng)絡(luò)模型；S3：訓(xùn)練深度網(wǎng)絡(luò)模型，并轉(zhuǎn)化模型到邊緣設(shè)備上；S4：使用深度網(wǎng)絡(luò)模型對(duì)輸入的待分類動(dòng)作行為圖像進(jìn)行推斷，獲得推斷后的圖像特征圖；對(duì)獲取的圖像特征圖進(jìn)行后處理及拼接獲得最終的圖像特征圖，最終的圖像特征圖進(jìn)行分析得到動(dòng)作分類結(jié)果和動(dòng)作區(qū)域框結(jié)果。上述技術(shù)方案能夠在不占用過(guò)多算力的情況下，進(jìn)行對(duì)人像圖像的識(shí)別，提升了檢測(cè)效率。同時(shí)在對(duì)人像圖像行為識(shí)別方面，能夠兼容邊緣設(shè)備，在設(shè)備端就直接能夠進(jìn)行端到端的圖像計(jì)算與識(shí)別,極大減小非端到端方法在分步識(shí)別帶來(lái)的累計(jì)誤差，識(shí)別準(zhǔn)確率更高。

本發(fā)明授權(quán)一種人體行為識(shí)別方法及終端在權(quán)利要求書中公布了：1.一種人體行為識(shí)別方法，其特征在于，包括如下步驟：S2：構(gòu)建人體異常行為識(shí)別的深度網(wǎng)絡(luò)模型，具體為：S21：用歸一化層和卷積層對(duì)輸入的圖像進(jìn)行歸一化并調(diào)整獲得的圖像特征圖；S22：將S21獲得的圖像特征圖輸入一個(gè)下采樣分支，獲得一個(gè)小尺度的圖像特征圖；S23：將S22獲得的小尺度的圖像特征圖輸入一個(gè)上采樣分支，把圖像特征圖還原回原圖大小的一半；S24：將S23還原后的圖像特征圖輸入各分支網(wǎng)絡(luò)獲得對(duì)應(yīng)動(dòng)作的圖像特征圖；S3：訓(xùn)練深度網(wǎng)絡(luò)模型，并轉(zhuǎn)化模型到邊緣設(shè)備上；訓(xùn)練深度網(wǎng)絡(luò)模型具體包括：S31：獲取待分類動(dòng)作行為圖像訓(xùn)練集，找出各圖像中異常行為動(dòng)作區(qū)域，標(biāo)注異常行為動(dòng)作區(qū)域的四個(gè)頂點(diǎn)坐標(biāo)作為真值標(biāo)簽；S32：將經(jīng)標(biāo)注后的待分類動(dòng)作行為圖像訓(xùn)練集輸入到深度網(wǎng)絡(luò)模型中，經(jīng)推斷得到圖像特征圖集；S33：將圖像特征圖集中的每一圖像特征圖與對(duì)應(yīng)圖像的真值標(biāo)簽進(jìn)行損失計(jì)算，設(shè)置深度網(wǎng)絡(luò)模型的學(xué)習(xí)率，根據(jù)學(xué)習(xí)率和損失函數(shù)將圖像特征圖集中的每一圖像特征圖與對(duì)應(yīng)圖像的真值標(biāo)簽進(jìn)行損失計(jì)算，得到損失值，根據(jù)損失值對(duì)深度網(wǎng)絡(luò)模型進(jìn)行損失的反向傳播，并更新深度網(wǎng)絡(luò)模型的參數(shù)權(quán)重；所述模型的學(xué)習(xí)率大小為0.0001，模型使用的損失函數(shù)為：Loss＝Lossce+Lossmse*w1其中Lossce為多分類交叉熵?fù)p失，Lossmse為均方差損失，w為根據(jù)標(biāo)簽類別個(gè)數(shù)和標(biāo)簽值計(jì)算得到的權(quán)重；Lossce的計(jì)算如下：Lossce＝categorical_crossentropyytrue，ypred2其中ytrue是真值標(biāo)簽，ypred是模型預(yù)測(cè)值，categorical_crossentropy表示多分類交叉熵計(jì)算；Lossmse的計(jì)算如下：Lossmse＝meanytrue-ypred23其中，mean表示求均值操作；w的計(jì)算如公式4：w＝1_class*non_zero_classk4其中k是真值標(biāo)簽在其長(zhǎng)寬維度上的和，K＝sumytrue5n_class是動(dòng)作類別的種類個(gè)數(shù)，non_zero_class是數(shù)組k的值以0.1為界進(jìn)行修改后的數(shù)組，大于0.1的部位值為1，否則為0：non_zero_class＝k＞0.16重復(fù)步驟S33遍歷圖像特征圖集中的各圖像特征圖，不斷更新深度網(wǎng)絡(luò)模型的參數(shù)權(quán)重，直至模型穩(wěn)定；S4：使用深度網(wǎng)絡(luò)模型對(duì)輸入的待分類動(dòng)作行為圖像進(jìn)行推斷，獲得推斷后的圖像特征圖；對(duì)獲取的圖像特征圖進(jìn)行后處理及拼接獲得最終的圖像特征圖，最終的圖像特征圖進(jìn)行分析得到動(dòng)作分類結(jié)果和動(dòng)作區(qū)域框結(jié)果。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人福建星網(wǎng)物聯(lián)信息系統(tǒng)有限公司，其通訊地址為：350108 福建省福州市閩侯縣上街鎮(zhèn)高新大道9號(hào)2號(hào)樓7層；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。