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！

龙图腾网获悉苏州大学申请的专利一种面向未知类别的动作预测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：CN114495278B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202210099695.8，技术领域涉及：G06V40/20；该发明授权一种面向未知类别的动作预测方法是由杨剑宇;邢慧琴;黄瑶设计研发完成，并于2022-01-27向国家知识产权局提交的专利申请。

本一种面向未知类别的动作预测方法在说明书摘要公布了：本发明提供了一种面向未知类别的动作预测方法，包括：将人体动作序列样本划分为历史序列、待预测序列和未来序列，将历史序列和未来序列输入运动特征提取模块，提取历史和未来运动特征；将历史运动特征和未来运动特征输入动作预测模块进行训练，构造双流动作预测网络；将历史和未来序列输入双流动作预测网络；通过运动特征提取模块，提取历史运动特征输入分类模块进行动作分类；将双流动作预测网络和分类模块结合并加入预设的字典模块，构建双流信息储存网络；将运动特征提取模块、分类模块、动作预测模块和储存完信息的字典模块结合，构造融合特征的动作预测模型；将人体动作序列样本划分历史序列输入至融合特征的动作预测模型，实现动作预测。

本发明授权一种面向未知类别的动作预测方法在权利要求书中公布了：1.一种面向未知类别的动作预测方法，其特征在于，包括： 步骤1:将预设的人体动作序列样本划分为历史序列、待预测序列和未来序列，并将历史序列和未来序列输入预设的运动特征提取模块，提取历史运动特征和未来运动特征；其中， 所述运动特征提取模块中包括速度计算模块，加速度计算模块，级别划分模块，融合模块，时空卷积模块，特征融合模块和特征级联模块； 步骤2:将历史运动特征和未来运动特征相加后，并输入预设的动作预测模块进行训练，构造双流动作预测网络； 步骤3:将历史序列和未来序列输入双流动作预测网络，训练双流动作预测网络至收敛； 步骤4:通过经过训练的运动特征提取模块，提取历史运动特征输入预设的分类模块进行动作分类，训练分类模块至收敛； 步骤5:将经过训练的双流动作预测网络和分类模块结合并加入预设的字典模块，构建双流信息储存网络；其中， 所述双流信息储存网络的字典模块储存每一种动作的历史运动特征和未来运动特征的对应关系； 步骤6:将训练好的运动特征提取模块、训练好的分类模块、训练好的动作预测模块和储存完信息的字典模块相结合，构造融合特征的动作预测模型； 步骤7:将人体动作序列样本划分的历史序列输入至融合特征的动作预测模型，实现动作预测； 其中，所述步骤1，包括： 步骤11：通过预设的若干帧人体骨架样本，构建人体动作序列样本： V＝[X1,…,Xt,…,XN] 其中，V代表人体动作序列样本，t代表人体动作序列样本的第t个帧数,t∈[1,N]，N代表人体动作序列样本的总帧数，Xt∈RM×D,RM×D代表人体动作序列样本V的第t帧人体骨架的矩阵，M代表第t帧人体骨架包含的关键点个数；D代表第t帧人体骨架中每个关键点的向量表示的维数； 步骤12：将人体动作序列样本V划分为历史序列Vhistory、待预测序列Vpredict和未来序列Vfuture；其中， 其中，Vhistoru代表历史序列，h代表关于历史序列的时间索引，h∈[1,Thostory]，Thistory∈[1,Tpredict]，Thistory代表历史序列的总帧数；Xh∈RM×D，Xh代表历史序列的第h帧人体骨架的矩阵，X1代表历史序列的第1帧人体骨架的矩阵，XThistory代表历史序列的最后1帧人体骨架的矩阵；Vpredict代表待预测序列，p代表关于待预测序列的时间索引，p∈[Thistory+1,Thistory+Tpredict]，Tpredict代表待预测序列的总帧数，Tpredict∈[Tpredict,Tfuture]；Xp∈RM×D，Xp代表待预测序列的第p帧人体骨架的矩阵；代表历史序列的第1帧人体骨架的矩阵；代表历史序列的最后1帧人体骨架的矩阵；Vfuture代表未来序列，f代表关于历史序列的时间索引，f∈[Thistory+Tpredict+1,Thistory+Tpredict+Tfuture]，Tfuture代表未来序列的总帧数，Tfuture∈[Tfuture,N]；Xf∈RM×D，Xf代表未来序列的第f帧人体骨架的矩阵；代表未来序列的第1帧人体骨架的矩阵，代表未来序列的最后1帧人体骨架的矩阵，N＝Thistory+Tpredict+Tfuture； 步骤13：通过速度计算模块，对历史序列进行速度特征提取，确定历史速度序列； 其中，Vhistory_v代表历史速度序列，vel1代表历史速度序列中的第1帧骨架的矩阵，代表未来速度序列中的第1帧骨架的矩阵，为历史速度序列Vhistory_v中第h帧骨架的矩阵表示，h代表关于历史序列的时间索引，Xh代表历史序列的第h帧人体骨架的矩阵，Xh-1代表历史序列的第h-1帧人体骨架的矩阵，代表历史速度序列中的第Thistory帧骨架的矩阵，Thistory代表历史序列的总帧数； 步骤14：通过加速度计算模块，对所述历史速度序列进行计算，确定历史加速度序列： 其中，Vhistory_a代表历史加速度序列，acl1代表历史加速度序列中的第1帧骨架的矩阵，aclh代表历史加速度序列中的第h帧骨架的矩阵，代表历史加速度序列中的第Thistory帧骨架的矩阵； 步骤15：通过级别划分模块，分别将所述历史序列进行级别划分，划分为低级历史序列，中级历史序列和高级历史序列； 其中，Vhp_1代表低级历史序列，Vhistory代表历史序列，Vhp_2代表历史序列输入第一池化层得到的关于人体骨架的中级历史序列，midh∈RW×D,RW×D代表关于人体骨架的中级历史序列的第h帧人体骨架的矩阵，W和D代表中级历史序列中第h帧骨架的矩阵的行数和列数，Vhp_3代表高级历史序列，Vhp_3是通过历史序列输入第二池化层得到的关于人体骨架的高级历史序列，highh∈RU×D，U和D分别对应高级历史序列中第h帧骨架的矩阵的行数和列数； 步骤16：将低级历史序列，中级历史序列和高级历史序列依次传输至对应的时空卷积模块1、融合模块1、时空卷积模块2、融合模块2、时空卷积模块3和时空卷积模块4，生成对应的历史融合特征； 步骤17：将未来序列传输到步骤13-步骤15，生成对应的未来融合特征； 步骤18：通过所述历史融合特征和未来融合特征，生成历史运动特征和未来运动特征； 其中，所述步骤2，包括： 步骤21：将历史运动特征和未来运动特征相加，获取联合运动特征； H＝Hfuture+Hhistory 其中，H表示联合运动特征； 步骤22：将联合运动特征H、人体动作序列样本V中的第Thistory-2帧人体骨架第Thistory-1帧人体骨架和第Thistory帧人体骨架输入预设的循环神经网络，计算待预测序列； 步骤23：对人体动作序列样本V的人体骨架进行递增并重复步骤22，确定待预测序列： p∈[Thistory+1,Thistory+Tpredict]， 其中，为计算所得的待预测序列的第p帧骨架的矩阵表示； 步骤24：通过人体动作序列样本、运动特征提取模块和动作预测模块，构造双流动作预测网络；其中， 所述双流动作预测网络的损失函数L1为： 其中，||||1表示1范数，是第n个预测序列的真实值，是动作预测模块的输出， 代表动作预测模块输出的第n个预测序列样本。

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苏州大学，其通讯地址为：215131 江苏省苏州市相城区济学路8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”。