Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 四川大学卿粼波获国家专利权

四川大学卿粼波获国家专利权

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!

龙图腾网获悉四川大学申请的专利一种基于时空交互推理的多群组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:CN119314199B

龙图腾网通过国家知识产权局官网在2025-10-24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:202310850024.5,技术领域涉及:G06V40/10;该发明授权一种基于时空交互推理的多群组行为识别方法是由卿粼波;黄江岚;王苹宇;陈洪刚;任超;杨红设计研发完成,并于2023-07-12向国家知识产权局提交的专利申请。

一种基于时空交互推理的多群组行为识别方法在说明书摘要公布了:本发明提出了一种基于时空交互推理的多群组行为识别方法,主要涉及如何有效挖掘时空交互性从而进行个体行为、群组聚类以及多群组行为识别的问题。此方法提出一种时空交互关系推理策略关注个体间、群组间的交互关系,同时考虑外观、位置距离、时空轨迹等特征,提升了行为识别的准确度。首先,通过分析个体最近邻居的特征以及位置距离特征来探索个体间的交互关系。其次,结合行为相似性和时空轨迹特征,将个体分为多个小群组。最后,构建了群组交互推理模块,挖掘不同小群组间以及个体间的交互,并根据重要性排除对群组行为影响较小的个体。本发明充分考虑到个体及群组的时空交互特征,解决了行为识别中时空交互特征挖掘不充分的问题。

本发明授权一种基于时空交互推理的多群组行为识别方法在权利要求书中公布了:1.一种基于时空交互推理的多群组行为识别方法,其特征在于: a.使用邻近人交互特征提取模块推理个体间的空间交互特征,深入挖掘个体外观交互特征以及空间拓扑结构特征,进一步丰富个体特征; b.使用时空聚类模块,结合行为相似性特征和时空轨迹特征,以探索个体之间的关系,并将整个场景中的个体划分为多个小群组; c.使用群组交互推理模块,结合全局轨迹图推理模块和图聚合及池化模块,探索不同小群组之间以及个体之间的时空互动,并对不同的个体给予不同程度的关注,从而获取高层次的多群组行为特征; 该方法主要包括以下步骤: 1数据预处理:对连续视频帧进行抽帧,将抽样后的视频帧直接输入网络; 2特征提取:采用了3D-ResNet50-NonLocal网络作为主干网络,提取视频的时空特征,再通过注意力机制模块以及RoIAlign模块得到每个个体的特征信息,使用全连接层综合所得信息,得到个体的初始特征; 3个体特征推理:将经过步骤2提取的外观特征作为结点,使用GraphAttentionNetwork以及DynamicInferenceNetwork推理个体间的交互关系; 4个体行为分类:将经过步骤3推理的特征与步骤2提取的初始特征相加,得到个体特征,送入分类器识别个体行为类别; 5邻近人交互特征提取:根据个体标注框信息,找出每个个体的最近邻居,接着将个体本身和最近邻居看作一个整体提取特征,同时将个体位置和距离关系进行级联,通过全连接层映射为高维特征,结合个体最近邻居特征以及位置距离特征,得到个体交互关系特征; 6时空轨迹距离建模:根据个体轨迹信息,计算两两个体之间的时空轨迹距离,得到基于时空轨迹距离的聚类矩阵; 7行为相似性建模:根据步骤5的个体交互关系特征计算个体之间的行为相似性,构建基于行为相似性的聚类矩阵; 8时空聚类模块:根据步骤6和步骤7的基于时空轨迹距离的聚类矩阵以及基于行为相似性的聚类矩阵,得到最终的聚类矩阵; 9群组聚类结果:根据步骤8生成的聚类矩阵,得到群组聚类的结果; 10全局轨迹相似性建模:根据局部轨迹的角度和长度信息,以及全局轨迹的角度和长度信息,得到轨迹之间的全局轨迹相似性系数; 11全局轨迹图的构建与推理:将经过步骤5的个体交互关系特征作为结点,步骤10的全局轨迹相似性作为边,构建全局轨迹图,并通过图卷积网络对图进行推理,进一步挖掘个体之间的时空交互性; 12图聚合及池化模块:将步骤2提取的初始特征,步骤5的个体交互特征以及步骤11推理后的特征级联,得到多群组行为的初始特征,再根据步骤9的群组聚类结果,使用图聚合网络挖掘小群组间以及个体之间的时空互动,并使用图池化网络对不同的个体给予不同程度的关注,最终得到多群组行为特征; 13多群组行为分类:将步骤12图聚合网络挖掘的特征与步骤12最终的多群组行为特征相加,输入分类层,得到多群组行为的类别; 14模型训练:通过2-13构建的模型训练分为两步,第一步由主干网络提取个体特征后直接进行行为分类,保存模型参数后输入第二步的网络模型;第二步在第一步的基础上,添加了个体位置距离信息,时空轨迹信息,再通过图推理、图聚合以及图池化方式,进一步挖掘个体之间、群组之间的时空交互特征,得到个体行为、群组聚类以及多群组行为的分类结果。

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四川大学,其通讯地址为:610065 四川省成都市武侯区一环路南一段24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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。