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！

龙图腾网获悉广东技术师范大学申请的专利一种手势识别和位置分类联合深度学习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：CN115331311B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202211038242.0，技术领域涉及：G06V40/20；该发明授权一种手势识别和位置分类联合深度学习方法是由卢旭;黄雄伟;刘军;肖志伟;吴少辉设计研发完成，并于2022-08-29向国家知识产权局提交的专利申请。

本一种手势识别和位置分类联合深度学习方法在说明书摘要公布了：本发明为一种手势识别和位置分类联合深度学习方法，包括步骤：S1、将CSI样本输入到多任务收缩残差网络模块中的一维卷积进行降采样，并进行标准化处理；S2、将处理的CSI样本输入残差结构，进行特征矩阵相加和软阈值化操作；S3、将提取的共同特征信息输入手势和位置输出层；S4、进行手势空间特征提取；S5、进行reshape操作；S6、将手势空间特征信息输入LSTM网络中提取时间特征；S7、位置输出层直接输出分类结果；S8、将特征抽取辅助模块提取的手势时空特征与其共享特征向量融合，输出手势分类结果。本发明通过特征抽取辅助模块和多任务收缩残差网络模块手势识别分支任务的输出层进行特征参数的融合，提高了手势识别的评价指标，提升了其网络模型的泛化能力。

本发明授权一种手势识别和位置分类联合深度学习方法在权利要求书中公布了：1.一种手势识别和位置分类联合深度学习方法，其特征在于，包括以下步骤： S1、将CSI样本输入到多任务收缩残差网络模块中的一维卷积对CSI样本进行降采样操作，然后对其进行标准化处理； S2、将处理后的CSI样本输入到若干个收缩子网络的残差结构中，进行特征矩阵相加和软阈值化操作； S3、将提取的共同特征信息同时输入手势输出层和位置输出层； S4、将CSI样本并行输入到特征抽取辅助模块中带有SE模块的两个不同尺度的FCN中，进行手势空间特征提取； S5、对输出的手势空间特征进行reshape操作； S6、将reshape操作后的手势空间特征信息输入到LSTM网络中提取其时间特征； S7、位置输出层直接输出其分类结果； S8、手势输出层通过特征增强的方式将特征抽取辅助模块提取的手势时空特征与其共享特征向量融合，最后输出增强后的手势分类结果； 步骤S4的具体过程如下： S41、建立特征抽取辅助模块MFCs‑LSTM单独提取手势特征，设置输入通道数；两个不同尺度的FCNs网络都包含三个卷积块，每个卷积块包含一个卷积层，其通道数分别为128，256，128，第一个FCNs网络的卷积核大小分别为7，5，3，第二个FCN网络的卷积核大小分别为5，3，1，前两个卷积块包含两个SE模块，后两个卷积块中包含两个平均池化层，FCNs网络使用两个不同尺度的FCN模块捕捉各个手势时长的差异性，再通过SE模块选择性地关注手势空间特征并抑制位置无关特征，最后将手势空间特征输入到LSTM网络中提取其时间特征； S42、特征抽取辅助模块MFCs‑LSTM将CSI样本中的子载波作为多变量特征输入到两个FCNs网络，CSI样本经过三个卷积块的特征提取、压缩、抽取和平均池化操作之后，输出两个三维张量，其大小为[64，128，192]，将两个三维张量在dim＝1上进行拼接，得到大小为[64，256，192]的三维张量，最后通过换位函数转换dim＝1与dim＝2，得到大小为[64，192，256]的三维张量；CSI样本通过MFCNs网络提取空间维度的特征后得到三维输出张量，将三维输出张量输入到特征维度为256，隐层维度为15，循环神经网络层数为2，输出类别数为2的LSTM网络，通过LSTM网络训练，最终得到与位置状态无关的手势空间特征。

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广东技术师范大学，其通讯地址为：510665 广东省广州市天河区中山大道西293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”。

以上内容由龙图腾AI智能生成。