买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防大学联合作战学院申请的专利一种基于深度学习的人机交互优化系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119904734B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411964062.4，技术领域涉及：G06V10/98；该发明授权一种基于深度学习的人机交互优化系统及方法是由张京涛;周宇;张晓艳;王冰;张英设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本一种基于深度学习的人机交互优化系统及方法在说明书摘要公布了：本发明公开了一种基于深度学习的人机交互优化系统及方法，涉及人机交互技术领域，包括以下步骤：首先摄像头按照预先设定的帧率捕捉用户的手部图像；捕捉到的手部图像帧被存储并组织成一个分析集合，从分析集合中提取出反映手势快速变化的关键特征；在检测窗口内对提取的关键特征进行详细分析。本发明通过深度学习智能评估机制，精确识别用户手势快速变化。系统实时分析手部关键点跳跃性变化和动作交替频率，生成关键因子并评估手势模式。根据评估结果，动态调整摄像头帧率，捕捉更多动态细节，避免因帧率不足导致的识别错误或延迟。此机制提升了手势识别的准确性和交互响应，提供更流畅精准的用户体验，优化整体交互感知。

本发明授权一种基于深度学习的人机交互优化系统及方法在权利要求书中公布了：1.一种基于深度学习的人机交互优化方法，其特征在于，包括以下步骤： 首先摄像头按照预先设定的帧率捕捉用户的手部图像； 捕捉到的手部图像帧被存储并组织成一个分析集合，从分析集合中提取出反映手势快速变化的关键特征； 在检测窗口内对提取的关键特征进行详细分析，并将经过分析处理后的关键特征输入到预先训练好的机器学习模型中，通过机器学习模型对用户手势异常变化进行智能化评估； 基于模型的评估结果，将用户的手势变化划分为正常手势变化和快速手势变化两类； 对于正常手势变化，继续以预设的固定帧率捕捉手部图像，并利用手势识别算法进行动作和意图的识别； 对于快速手势变化，根据机器学习模型的评估结果，动态调整摄像头的帧率，减少帧间时间间隔，捕捉到更多的动态细节； 从分析集合中提取出反映手势快速变化的关键特征，提取的关键特征包括手部关键点的跳跃性变化和手势中动作的交替频率，在检测窗口下，对提取的手部关键点的跳跃性变化和手势中动作的交替频率进行分析，分别生成关键点跳跃因子和交替频率因子，关键点跳跃因子量化了手部关键点在相邻帧之间位置变化的剧烈程度，反映了手势运动过程中空间位置的突变性和不连续性；交替频率因子量化了手势中动作的频繁切换，反映了手势动态模式中的交替变化强度； 在检测窗口下，对手部关键点的跳跃性变化进行分析，生成关键点跳跃因子的具体步骤如下： 在检测窗口下，对于每一帧，使用手部追踪算法提取关键点的空间坐标数据，并将其标定为Pit，表示第i个关键点在时间点t时刻的坐标位置，Pit＝{xit、yit、zit}，xit、yit、zit分别是第i个关键点在时间点t时刻x轴、y轴以及z轴上的位置； 计算每一对连续帧之间的关键点位置变化，即第i个关键点在相邻两帧之间的位移，表达式如下： ， 式中，Δt是时间间隔，ΔPit是关键点位置的变化量，即第i个关键点在时间间隔Δt内的空间变化，xit+Δt是第i个关键点在时间点t+Δt时刻x轴的位置，yit+Δt是第i个关键点在时间点t+Δt时刻y轴的位置，zit+Δt是第i个关键点在时间点t+Δt时刻z轴的位置； 为量化每个手部关键点的变化突变程度，引入非线性加权的方式来定义局部关键点跳跃因子，计算表达式如下： Jit＝ΔPitα·e-β·Δt， 式中，Jit是局部关键点跳跃因子，α是非线性加权指数，e-β·Δt是时间衰减因子，e是自然底数，β是时间衰减常数； 对所有局部关键点的跳跃因子Jit进行综合，得到最终的关键点跳跃因子，计算表达式如下： ， 式中，Jt是关键点跳跃因子，wi是第i个关键点权重，N是关键点总数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防大学联合作战学院，其通讯地址为：050000 河北省石家庄市中山西路777号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。