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！

龙图腾网获悉浙江工业大学申请的专利基于局部直觉模糊支持向量机的异常行为识别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：CN115690677B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202211317205.3，技术领域涉及：G06V20/52；该发明授权基于局部直觉模糊支持向量机的异常行为识别方法是由陈伟杰;陈培;孙辉锋;陈彦榕设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本基于局部直觉模糊支持向量机的异常行为识别方法在说明书摘要公布了：基于局部直觉模糊支持向量机LIFSVM的异常行为识别方法，包括：1提取样本的局部类别信息，获得样本类内和类间的邻域信息；2根据不均衡度、样本局部信息和离群点因子，计算样本类内权重和类间权重；3针对不均衡异常行为识别问题，构造噪声不敏感的LIFSVM优化模型；4对优化问题进行推导，求解线性方程组获得模型的最优解；5分别构造异常行为和正常行为的非平行近端超平面，依此得到LIFSVM模型的最优决策函数；6预测行为是否为危险动作。本发明能提高异常行为的识别率，更精准地完成行为识别任务。

本发明授权基于局部直觉模糊支持向量机的异常行为识别方法在权利要求书中公布了：1.基于局部直觉模糊支持向量机的异常行为识别方法，包括如下步骤： 步骤一：异常行为数据集的构建；首先，使用Opencv实时捕获监控视频流，采样生成视频帧图像；然后，对采样的图像进行去噪声，灰度化，直方图均衡化预处理，并使用mediapipe开源模块对图像中人体提取姿势关键点；然后，使用这些关键点构造姿势特征xi，同时对样本的输出yi进行手工标注是否为异常行为，1代表异常行为，2代表正常行为；最后，对数据进行归一化，得到有监督数据集其中为维度n的样本特征，yi为样本相应的输出，m为样本规模；将数据集按类别分为两个不重复的部分：异常行为的少数类即标注为1的数据样本矩阵简称：A，和正常行为的多数类即标注为2的数据样 本矩阵简称：B，其中m1和m2分别为少数类和多数类的样本个数；定义数据类不平衡率 步骤二：根据kNN算法和四分位数方法分别计算少数类和多数类两个类别的类内权重，记作表示第s类中的第i个样本的类内权重；为第s类样本合集，s＝1，2； 2.1通过计算每个样本与其同类邻域内近邻样本的距离，并对这些距离求均值获得样本与同类样本的偏离程度，记作表示第s类中的第i个样本的类内偏离程度； 其中，xi是第s类中的第i个样本，xl是xi的kNN样本；k是kNN近邻算法的参数，表示选取的“近邻”个数； 2.2按类别，对所有同类样本的偏离程度求分位数，具体包括各类别的上四分位数、下四分位数以及四分位差，分别记作以及IQRs，s＝1，2，表示第s类的上下四分位数以及四分位差； 2.3按类别，在不同类中分别计算各自的上异常值截断点，记作ts，s＝1，2，表示第s类的上异常值截断点； 2.4类内权重构造如下： 对于少数类样本： 对于多数类样本： 步骤三：根据kNN方法和直觉模糊方法，分别计算少数类和多数类两个类别的类间权重； 3.1隶属度计算：使用公式4、公式5，计算隶属度值，记作表示第s类中的第i个样本的隶属度；其意义为第i个样本属于第s类的概率； 3.2非隶属度计算：结合kNN方法和直觉模糊方法，重新定义非隶属度： 3.2.1结合两类数据的信息计算类间相关性，记作表示第s类中的第i个样本的类间相关性，构造如下： 其中，和分别表示第i个样本的kNN中，第1类样本数量和第2类样本数量； 3.2.2根据隶属度和类间相关性计算样本非隶属度，记作表示第s类中的第i个样本的非隶属度；其意义为第i个样本不属于第s类的概率； 3.3根据隶属度和非隶属度，计算样本类间权重，记作表示第s类中的第i个样本的类间权重，构造如下： 式8的操作是为了构造样本类间权重，具体如下:当非隶属度为0时，类间权重等于隶属度值；当非隶属度值不小于隶属度值时，类间权重为0；其他情况时，类间权重 3.4对多数类样本的类间权重进一步修正，如下： 式9表示在overlap区域，当多数类样本的kNN中，少数类样本数量的r倍不小于多数类样本数量时，该多数类样本的类间权重缩小r倍；否则保持不变； 步骤四：局部直觉模糊支持向量机LIFSVM方法，类似双子支持向量机，为少数类和多数类分别寻找一近端超平面f1x，f2x，即： 其中，f1x，f2x是异常行为和正常行为的近端超平面，w1，2，b1，2是对应超平面的权重和偏置，x是样本的特征； 为了实现经验风险，LIFSVM考虑下面两个损失函数 和 其中，q1，q2是少数类和多数类样本的类内权重，f1，f2是少数类和多数类样本的类间权重；c1，c2＞0是惩罚参数； 通过引入一个额外的正则项‖w‖2+b2，提出了结构风险最小化版本；然后，得到了LIFSVM的原始问题 其中，ξ是非负的松弛变量；ci,i＝1…4是惩罚参数； 为了表述方便，将上述样本的向量形式式13和式14，转化为下面的矩阵形式： 其中，式15和16分别是，为了寻找异常行为和正常行为的近端超平面的优化问题；Q1和Q2是对角矩阵，其主对角线上为少数类和多数类的类内权重式4和式5，F1和F2是对角矩阵，其主对角线上为少数类和多数类的类间权重式8和式9，定义如下： 用于控制样本在类内或类间中的影响；e1，e2是适当维度的单位向量； 对少数类的优化问题式15进行分析，最小化目标函数的第一项是为了使少数类的样本到第一个超平面距离更近，即样本尽量聚集在超平面附近；目标函数第二项是松弛变量的平方损失函数，第二个约束条件要求多数类的样本与第一个超平面的距离至少为1，松弛变量在约束条件不满足时度量误差，即最小化前两项，旨在最大化的将多数类样本与少数类样本分离开；最后一项为正则项，为了实现结构风险最小化，即权衡模型复杂度和模型精准度，避免过拟合；同理优化问题式16与式15类似； 步骤五：求解步骤四中的两个优化问题； 5.1以优化问题15为例，先将等式约束代入到目标函数中，可得到 5.2将18式对w1，b1求梯度，并设梯度等于0，得 5.3根据式19和式20，求解得 其中，H1＝rQ1[Ae1]，G1＝F2[Be2]，I表示为单位矩阵； 5.4同理，求解得 其中，H2＝F1[Ae1]，G2＝Q2[Be2]；到此，LIFSVM方法的训练阶段完成； 步骤六：识别异常行为；当获得模型最优参数后，构建异常行为预测决策函数；对于给定待检测视频图像，首先使用Opencv实时捕获视频流，然后使用mediapipe开源模块提取人体提取姿势关键点；最后，使用这些关键点生成人体姿势特征x；针对给定的特征x，分别计算特征x到异常行为和正常行为近端超平面10的距离来预测场景是否为异常行为，决策函数如下： 其中，|·|表示绝对值；如果特征x离异常行为近端超平面的距离比正常行为近，那么式23输出为1，系统判断当前样本x为异常行为，并执行异常行为记录或报警；如果特征x离正常行为近端超平面的距离比异常行为近，那么式23输出为2，系统判断当前样本x为正常行为。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。