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！

龍圖騰網恭喜北京中聯國成科技有限公司申請的專利一種人形機器人的動作識別與模仿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：CN119169502B 。

龍圖騰網通過國家知識產權局官網在2025-05-09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：202411203627.7，技術領域涉及：G06V20/40；該發明授權一種人形機器人的動作識別與模仿方法及系統是由張坦設計研發完成，并于2024-08-29向國家知識產權局提交的專利申請。

本一種人形機器人的動作識別與模仿方法及系統在說明書摘要公布了：本發明公開了一種人形機器人的動作識別與模仿方法及系統。方法包括：從原始運動視頻中提取包含待識別運動目標的靜態場景視圖；從靜態場景視圖中分離得到運動目標；跟蹤運動目標的運動軌跡；對運動目標進行融合動作特征提取，得到運動目標融合動作特征向量；采用目標融合動作特征向量對訓練數據集進行訓練，結合靜態識別和動態識別，得到運動目標的動作描述；將動作描述發送至人形機器人進行動作模仿。系統包括靜態場景視圖提取模塊、運動目標分離模塊、運動軌跡跟蹤模塊、特征向量提取模塊、標簽標注模塊、3D卷積時空網絡模型建立模塊和動作執行模塊。本發明通過融合靜態識別和動態識別，實現了更準確的動作描述和更高效的動作模仿。

本發明授權一種人形機器人的動作識別與模仿方法及系統在權利要求書中公布了：1.一種人形機器人的動作識別與模仿方法，其特征在于，包括：采用灰度差異背景分割法，從原始運動視頻中提取包含待識別運動目標的靜態場景視圖；從所述靜態場景視圖中分離得到運動目標；使用跟蹤算法跟蹤所述運動目標的運動軌跡；捕捉所述運動目標的關鍵動作幀，對所述運動目標進行融合動作特征提取，得到運動目標融合動作特征向量；對所述關鍵動作幀進行動作標簽的標注，將所述運動目標融合動作特征向量和對應的所述動作標簽進行整理，得到訓練數據集；采用所述目標融合動作特征向量對所述訓練數據集進行訓練，結合靜態識別和動態識別，得到所述運動目標的動作描述；將所述動作描述發送至人形機器人進行動作模仿；所述捕捉所述運動目標的關鍵動作幀，對所述運動目標進行融合動作特征提取，得到運動目標融合動作特征向量包括：在跟蹤到所述運動目標的運動軌跡的視頻中，計算每一幀與前一幀的差異度，當差異度超過設定的閾值時，認定這一幀為關鍵動作幀；對于每個所述關鍵動作幀，提取幾何形態特征向量Gj＝[Rj,Ar,Pr,SMt]，所述幾何形態特征向量其中，Rj為目標區域的長寬比，Ar為面積與外接矩形面積比，Pr為周長與外接矩形周長比，SMt為形狀矩參數，計算公式為對于每個所述關鍵動作幀，通過全局不變矩計算得到全局不變特征向量Hj；將所述幾何形態特征向量和所述全局不變特征向量合并，得到融合動作特征向量Vj＝[Gj,Hj]；所述采用所述目標融合動作特征向量對所述訓練數據集進行訓練，結合靜態識別和動態識別，得到所述運動目標的動作描述包括：對于所述幾何形態特征向量，通過線性分類器處理后得到幾何形態線性分類輸出fGGj＝WG·Gj+bG，其中，WG為所述幾何形態特征向量的權重矩陣，維度為C×dG，dG為所述幾何形態特征向量Gj的維度，C為類別數，bG為幾何形態特征的偏置項；對于所述全局不變特征向量，通過線性分類器處理后得到全局不變線性分類輸出fHHj＝WH·Hj+bH，其中，WH為所述全局不變特征向量的權重矩陣，維度為C×dH，dH為所述全局不變特征向量Hj的維度，C為類別數，bH為幾何形態特征的偏置項；通過加權平均，將所述幾何形態線性分類輸出和所述全局不變線性分類輸出進行融合，得到靜態識別的分類概率分布模型其中，α為所述幾何形態特征向量的權重參數，β為所述全局不變特征向量的權重參數，α+β＝1；建立3D卷積時空網絡模型，所述3D卷積時空網絡模型包括輸入層、下采樣層、殘差層和輸出層；所述輸入層使用3D卷積核，所述3D卷積核的大小為3×3×4，步長為1×2×2，所述輸入層輸出尺寸為N×T×C1×H4×W4的特征圖，作為所述殘差層的輸入，其中，N為批次大小，T為幀數，C1為通道數，H為高度，W為寬度；所述下采樣層使用3D卷積核，所述3D卷積核的大小為1×2×2，步長為1×2×2，所述殘差層的每個卷積塊分別包括3×3×3卷積核層、3×7×7卷積核層、MLP層、歸一化層和GELU激活函數層，得到所述殘差層的輸出特征圖y＝x+MLPGELUMLPLNconv3x+conv7x+conv3x3x3x，其中，x為每個所述卷積塊的輸入；所述輸出層使用全局平均池化層和全連接層進行最終分類，所述全局平均池化層輸出的特征圖尺寸為N×512，所述全連接層的輸出為N×C，作為所述3D卷積時空網絡模型的最終輸出；對所述3D卷積時空網絡模型進行訓練，得到動態識別的分類概率分布模型其中，Wd為全連接層的權重矩陣，bd為全連接層的偏置向量；將所述靜態識別的分類概率分布模型和所述動態識別的分類概率分布模型進行加權融合，得到融合模型其中，γs為靜態識別結果的權重參數，γd為動態識別結果的權重參數，γs+γd＝1；選擇最大概率的類別得到用于運動目標的動作描述的最終動作分類結果。

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北京中聯國成科技有限公司，其通訊地址為：100083 北京市海淀區學院路35號世寧大廈14層1409-027；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”。