買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜江西財經大學申請的專利基于深度學習的手勢識別方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119445676B 。

龍圖騰網通過國家知識產權局官網在2025-04-18發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510045686.4，技術領域涉及：G06V40/20；該發明授權基于深度學習的手勢識別方法及系統是由張蒙恩;楊哲凱;王飛;雷可;謝亮;郝長生;劉鵬;畢俊如;李昶頡;程前煜設計研發完成，并于2025-01-13向國家知識產權局提交的專利申請。

本基于深度學習的手勢識別方法及系統在說明書摘要公布了：本發明公開了基于深度學習的手勢識別方法及系統，方法包括手勢圖像采集、數據預處理、建立手勢識別模型和手勢識別。本發明屬于手勢識別領域，具體是指基于深度學習的手勢識別方法及系統，本方案通過結合多尺度卷積和角度適配卷積，動態調整不同尺度下的特征集成，提高對復雜手勢細節的識別能力；基于引入空間和通道注意力機制自動聚焦手勢區域，抑制背景干擾，進而提高手勢識別的準確性；通過將全局特征和上下文特征集成，捕捉動態手勢變化，提高對動態手勢圖像序列的處理能力，提高在復雜背景下的手勢識別能力，基于分類精度、重建質量和細節增強設計損失，提高對復雜動作和細節特征的辨識能力，進而提高最終手勢識別的準確性。

本發明授權基于深度學習的手勢識別方法及系統在權利要求書中公布了：1.基于深度學習的手勢識別方法，其特征在于：該方法包括以下步驟：步驟S1：手勢圖像采集；采集歷史手勢識別圖像數據；步驟S2：手勢圖像優化；步驟S3：建立手勢識別模型；步驟S4：手勢識別；基于建立完成的手勢識別模型對實時采集的手勢圖像實現手勢類型識別；在步驟S3中包括步驟S31：特征提取；輸入優化后的手勢圖像，包含全局特征增強與局部細節增強的結果；利用多尺度卷積適配不同大小的手勢和動作范圍，提取空間特征，并引入動態上下文特征集成模塊DCF，表示為：；引入上下文增強特征，表示為：；其中，是全局特征圖；、和分別是直接對圖像進行卷積特征提取、進行12下采樣后提取特征和進行14下采樣后提取特征；是上下文增強特征輸出；DWConv是深度可分離卷積；Conv·是卷積操作；Concat·是拼接；使用輕量化的通道注意力模塊對每個卷積特征進行通道加權，進行全局特征校準；表示為：；其中，是全局特征校準輸出；GAP·是全局平均池化；是Sigmoid激活函數；是一維卷積操作；融合全局空間和通道信息，以適配多樣化的手勢，表示為：；其中，是融合后的多模態特征圖；SAM·和CAM·分別是空間注意力模塊和通道注意力模塊；在步驟S2中，所述手勢圖像優化具體包括以下步驟：步驟S21：構建全局特征集成子網絡；接收手勢圖像數據，使用多尺度卷積提取特征，適配不同大小的手勢圖像和動作范圍，并在多尺度卷積中增加角度適配卷積，適配手勢角度，表示為：；其中，M是使用角度適配卷積處理后的特征圖；DAC·是角度適配卷積，用于適配手勢角度；Conv·是卷積操作；PReLU·是PReLU激活函數；通過多尺度感受野提取手勢的全局特征，引入動態權重，表示為：；其中，是通過Softmax計算的動態權重；是輸出的多尺度角度適配特征圖；結合空間和通道注意力，表示為：；；其中，SAM·和CAM·分別是空間注意力模塊和通道注意力模塊；Sigmoid是Sigmoid激活函數；GAP·和GMP·分別是全局平均池化和全局最大池化；Concat·是拼接；得到輸出特征DAU，表示為：；根據分辨率手勢特征的顯著性，動態調整特征集成，表示為：；；其中，SKFF是多尺度動態特征集成輸出；V1、V2和V3分別是原始尺度、下采樣12尺度和下采樣14尺度的顯著性得分；和是上采樣操作；通過逐層注意力增強，優化手勢區域的全局特征，表示為：；；其中，是上一層的特征圖；是逐層融合后的注意力權重圖；CFFB是上下文特征集成模塊的輸出；引入上下文特征集成模塊，生成全局增強后的手勢圖像，表示為：；其中，CFF·是上下文特征集成模塊；FFM·是多尺度動態特征集成模塊；步驟S22：構建局部細節增強子網絡；用于恢復手勢圖像中指尖輪廓和關節邊緣的細節特征；接收全局增強后的手勢圖像輸出，使用通道注意力模塊提取局部特征，突出手勢區域細節，并在局部特征提取過程中，加入層間融合模塊，表示為：；其中，N是局部特征提取的初始局部特征圖；ILF·是層間融合模塊；通過細節增強模塊級聯，逐步細化手勢圖像的邊緣和局部特征，并引入遞歸多尺度恢復機制，表示為：；其中，DRM·是細節增強模塊；、是多級通道注意力模塊；RMSR·是遞歸多尺度恢復機制；使用多尺度卷積核和像素級注意力機制，恢復手勢的局部細節，表示為：；其中，N1和N9是N在局部細節增強子網絡中生成的特征圖；LDRB·是局部細節增強塊；得到細節增強后的手勢圖像，表示為：；步驟S23：損失函數設計。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江西財經大學，其通訊地址為：330000 江西省南昌市經濟技術開發區雙港東大街169號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。