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！

龙图腾网获悉小元感知(葫芦岛)科技有限公司申请的专利基于多重视频识别的远程身份认证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：CN120223444B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202510695537.2，技术领域涉及：H04L9/40；该发明授权基于多重视频识别的远程身份认证方法是由孟显波;赖朝鲁;于镇嘉;苑志鹏设计研发完成，并于2025-05-28向国家知识产权局提交的专利申请。

本基于多重视频识别的远程身份认证方法在说明书摘要公布了：本发明公开了一种基于多重视频识别的远程身份认证方法，包括如下步骤：S1、采集目标用户的实时视频流数据；S2、对采集的视频流数据进行预处理，生成预处理数据；S3、使用改进的自监督动态图神经网络对预处理数据中的特征进行提取并生成相应的特征向量表示；S4、对特征向量表示进行融合；S5、对融合后的特征向量进行比对与验证，根据多个视频流的认证结果，对每个视频流的认证结果进行赋权，生成最终认证结果；S6、实时监测视频流的环境变化，实时更新网络参数；S7、根据最终认证结果判断是否授权访问或进行后续操作。本发明结合多重视频流和改进的自监督动态图神经网络，提取并融合多模态特征，有效提升远程身份认证的准确性、安全性和鲁棒性。

本发明授权基于多重视频识别的远程身份认证方法在权利要求书中公布了：1.一种基于多重视频识别的远程身份认证方法，其特征在于，包括如下步骤： S1、通过摄像头从不同角度采集目标用户的实时视频流数据； S2、对采集的视频流数据进行预处理，去除噪声，进行图像增强，并对视频帧进行分割和标定，定位视频中的关键特征区域，生成预处理数据； S3、使用改进的自监督动态图神经网络提取预处理数据中的面部特征、行为特征和语音特征，所述改进的自监督动态图神经网络通过构建动态图结构表示预处理数据中的时空依赖关系，结合自监督学习机制，通过对比学习任务进行无监督训练，最大化模态特征间的一致性，优化模态特征间的关联性，并对面部特征、行为特征和语音特征进行提取并生成相应的特征向量表示； S4、对面部特征、行为特征和语音特征的特征向量表示进行融合，生成综合身份认证特征向量； S5、对生成的综合身份认证特征向量进行比对与验证，将用户特征与存储在数据库中的预设模板进行认证，采用基于动态学习的加权方法对待认证用户的综合身份认证特征向量与预设模板特征向量之间的余弦相似度进行赋权，依据视频流质量和视频流中认证特征的可靠性评分实时调整权重，并使用加权平均法计算最终认证结果； S6、在认证过程中，实时监测视频流的环境变化，调整识别策略，实时更新改进的自监督动态图神经网络的参数； S7、输出最终认证结果，根据最终认证结果判断是否授权访问或进行后续操作，若认证未通过采取相应的安全防护措施； 所述S3具体包括： S31、使用改进的自监督动态图神经网络提取预处理数据中的多模态特征，构建动态图结构表示预处理数据中的时空依赖关系，所述动态图结构随时间动态变化，所述多模态特征包括面部特征、行为特征和语音特征，所述改进的自监督动态图神经网络的改进点包括在图卷积操作中引入动态边权重和改进的自监督学习的对比损失函数，所述对比损失函数在不同训练阶段采用不同的损失函数进行优化： ； 其中，表示动态图结构，表示动态图的节点集，为视频帧中的特征，表示动态图的边集，为视频帧之间的时空依赖关系，表示节点特征矩阵； S32、引入动态边权重，通过图卷积操作对节点表示进行更新： ； 其中，表示节点在第层的特征向量表示，表示动态图的节点，表示非线性激活函数，表示节点的邻居节点集，表示节点的度数，表示图卷积层的权重矩阵，表示节点在第层的特征向量表示，表示动态图的节点，表示时间时节点与邻居节点之间的动态边权重： ； 其中，表示自然指数函数，表示节点的邻居节点集，表示动态图的节点，表示节点的特征向量表示，表示节点的特征向量表示，表示节点的特征向量表示，表示动态图的节点，表示特征向量表示之间的余弦相似度，表示调节的超参数，表示节点和节点的特征向量表示之间的余弦相似度，表示节点和节点的特征向量表示之间的余弦相似度； S33、提取面部特征，使用自监督动态图神经网络中的节点表示捕捉面部关键点信息，通过图卷积操作进行面部特征的更新，并结合面部节点之间的相似度动态调整，生成面部特征的特征向量表示： ； 其中，表示面部特征节点在第层的特征向量表示，表示非线性激活函数，表示面部特征节点的邻居节点集，表示节点的度数，表示时间时面部节点之间的动态边权重，表示节点在第层的特征向量表示，表示动态图的节点，表示面部特征的图卷积权重矩阵，表示偏置项； S34、提取行为特征，使用自监督动态图神经网络中的时间节点表示处理视频中的运动信息，通过图卷积层对每个时间节点的动态行为数据进行处理，结合时空依赖建模，进行行为特征的更新，生成行为特征的特征向量表示： ； 其中，表示行为特征时间节点在第层的特征向量表示，表示非线性激活函数，表示行为特征节点的邻居节点集，表示节点的度数，表示行为特征时间节点之间的动态边权重，表示行为特征时间节点在第层的特征向量表示，表示动态图的行为特征时间节点，表示行为特征的图卷积权重矩阵，表示偏置项； S35、通过图卷积操作提取语音特征，生成语音特征的特征向量表示： ； 其中，表示语音特征节点的第层特征向量表示，表示非线性激活函数，表示语音特征节点的邻居节点集，表示节点的度数，表示语音特征之间的动态边权重，表示语音特征节点在第层的特征向量表示，表示动态图的语音特征节点，表示语音特征的图卷积权重矩阵，表示偏置项； S36、通过自监督学习的对比损失函数优化面部特征、行为特征和语音特征的模态特征一致性，所述对比损失函数最小化同类特征之间的距离，最大化不同类特征之间的距离； S37、通过自监督学习的重构损失函数进一步优化特征向量表示，通过反向传播算法更新动态图神经网络的参数，所述重构损失函数通过对比输入特征和重构特征之间的差异进行调整，最小化重构误差： ； 其中，表示重构损失函数，表示原始输入特征矩阵，表示动态图神经网络重构得到的特征矩阵，表示弗罗贝纽斯范数，为矩阵和之间的差异。

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小元感知(葫芦岛)科技有限公司，其通讯地址为：125000 辽宁省葫芦岛市高新技术产业开发区高新五路创客空间302室；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。