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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于人类视觉启发的复杂运动感知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：CN119832630B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411824257.9，技术领域涉及：G06V40/20；该发明授权一种基于人类视觉启发的复杂运动感知方法是由蔡哲铭;夏莹杰;王洪波设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于人类视觉启发的复杂运动感知方法在说明书摘要公布了：本发明公开了一种基于人类视觉启发的复杂运动感知方法，该方法首先捕捉运动过程中的运动员图像，通过评估图像区域的语义和视觉重要性识别关键图像区域，其次动态处理关键图像区域的区域特征。然后对动态处理后的区域特征，采用低秩主动学习技术，经过优化目标函数，得到优化图像区域。最后使用支持向量机SVM对优化图像区域进行分类，得到运动感知结果。本发明能够在保证更好的计算效率的同时确保提取的关键区域具有视觉显著性，显著提升了在复杂运动环境中的表现。

本发明授权一种基于人类视觉启发的复杂运动感知方法在权利要求书中公布了：1.一种基于人类视觉启发的复杂运动感知方法，其特征在于，包括以下步骤： S1.捕捉运动过程中的运动员图像，通过评估图像区域的语义和视觉重要性识别关键图像区域，具体实现过程如下： 采用特征的边际量化特征与类别标签之间关联强度，特征V的边际定义如下： 其中|E|为数据集中样本总数；Nvn为最近的错误样本，即距离vn最近但不属于同类的样本；Ivn为最近的正确样本，即与vn同属一类的最近样本； 特征之间的关系通过计算信息增益量化，具体如下： GV|W＝ENV-ENV|W 其中，ENV为特征V的熵；ENV|W为特征V的条件熵，在给定特征W的观测下表示； 对称不确定性用于规范化信息增益，表示如下： 对于非线性域中每个变换特征W′i，评估其判别能力与所需计算之间的平衡，以及特征之间在计算需求方面的相关性，对于特征W′i，能力与时间成本比率TDW′i，时间相关比率TCV′i，W′i，如下所示： 其中Vi和Wi是原始特征，被分别转化为目标特征V′i和W′i，TWi为特征Wi处理的总时间，中p∈0，+∞为其次数； 按照各区域TD的值进行排序，选择前G1区域计算其TC的值，并根据TC的值进行排序，将前G2个区域作为关键图像区域； S2.动态处理关键图像区域的区域特征，具体实现过程如下： 利用自表示模型保持关键图像区域的几何结构，表示为I＝IV其中diagV＝0，I＝[i1,…,iN]表示包含N个训练块的多个视觉特征的矩阵，而V是提取到的图像区域特征也是自重构系数的矩阵，将自表示模型修改为I＝IV+L，其中L作为误差矩阵，得到精炼自表示模型如下： 其中||·||v和||·||w表示预定义的矩阵范数，τ1和τ2分别作为范数的非负权重； 矩阵K定义为|V|+|VT|，充当权重矩阵，其中第i行第j列的元素表示权重Kij；得到以下目标函数： 其中⊙表示Hadamard积运算，ni代表各自类别中第i个样本的标签；M为降维矩阵，矩阵N包含所有的训练样本的类别标签；Aij＝α||Bii-Bij||2+1-α||ni-nj||2是一个综合指标，评估样本ii和ij之间的相似性，该评估基于它们的关键图像区域Bii，Bij及其标签ni，nj，其中α∈0，1作为这两个方面之间的平衡参数； 基于精炼自表示模型，对目标函数进行改进，得到目标函数如下： 其中，τ3是额外非负权重因子；通过改进后的目标函数处理关键图像区域； S3.对动态处理后的区域特征，采用低秩主动学习技术，经过优化目标函数，得到优化图像区域； S4.使用支持向量机SVM对优化图像区域进行分类，得到运动感知结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。