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之江学院申请的专利基于特征融合和加权最大间隔神经网络的异常翻栏行为检测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：CN116778575B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202310656609.3，技术领域涉及：G06V40/20；该发明授权基于特征融合和加权最大间隔神经网络的异常翻栏行为检测方法是由陈伟杰;陈彦榕;陈文杰;陈康;黄思源设计研发完成，并于2023-06-05向国家知识产权局提交的专利申请。

本基于特征融合和加权最大间隔神经网络的异常翻栏行为检测方法在说明书摘要公布了：基于特征融合和加权最大间隔神经网络的异常翻栏行为检测方法，包括：1构建正常行为和异常行为数据集，用于训练和测试模型。2设计一种改进的姿势特征融合策略，以提高特征的表达能力和区分度。3将特征融合后的数据集输入神经网络，捕获非线性特征。4引入最大间隔损失函数来提高模型的泛化能力，构建最大间隔损失函数来训练模型；5引入不均衡因子来加权不同类别样本的损失值，平衡训练过程中的类别影响；6预测行为是否为异常行为，根据训练好的模型对新的行为数据进行分类判别。本发明能提取更准确、更有表达力的特征，对异常行为的识别能力强。

本发明授权基于特征融合和加权最大间隔神经网络的异常翻栏行为检测方法在权利要求书中公布了：1.基于特征融合和加权最大间隔神经网络的异常翻栏行为检测方法，包括如下步骤： 步骤一：通过监控摄像头，捕获关键区域的人体行为数据，提取关键帧中的人体姿势估计关键点； 步骤二：为提高翻栏异常行为的检测性能，将对图像的骨骼轮廓关键点位置信息作进一步的姿势特征融合；对于第k个关键帧图像，特征融合过程描述如下： 2.1构建肩膀到脚踝的距离特征SAk；首先，计算两肩和的垂直高度绝对差；然后，计算两脚踝和垂直高度绝对差；在此基础上，计算它们的垂直高度绝对值SAk： 2.2构建左右臀部到脚踝的较小距离特征首先，获取双臀关键点的垂直坐标和然后，获取左右脚踝关键点的垂直坐标和最后，计算左右两边对应臀部到脚踝的垂直距离较小值 2.3构建鼻子到左右脚踝的较小距离特征首先，获取鼻子关键点的垂直坐标然后，获取左右脚踝关键点的垂直坐标和最后，计算鼻子到左右两边脚踝的垂直距离的较小值 2.4构建鼻子到左右脚踝的距离比值特征首先，获取当前帧鼻子关键点的垂直坐标然后，获取左右脚踝关键点的垂直坐标和接着，计算鼻子到左右两边脚踝的垂直距离的较大值 最后，计算鼻子到左右脚踝的垂直距离的较大值和较小值的比值 2.5构建左右脚踝到臀部中点的夹角Angk，获取当前帧双臀关键点的垂直坐标和并计算双臀中点关键点的垂直坐标 然后，获取双臀关键点的水平坐标和并计算双臀中点关键点的水平坐标 接着，获取左右脚踝关键点的水平坐标和垂直坐标和计算左脚踝到臀部中点、左脚踝到右脚踝，以及右脚踝到臀部中点的距离HAlk、Alrk和HArk： 最后，通过余弦定理，计算左右脚踝到臀部中点的夹角Angk： 步骤三：根据姿势融合的特征，构建人体异常行为识别数据集，用于加权最大间隔神经网络模型的训练； 步骤四：构建加权最大间隔神经网络WMMNN来解决异常行为类别不均衡问题；所述的加权最大间隔神经网络WMMNN的具体网络结构如下： 4.1构建WMMNN模型的网络非线性映射；为捕获数据非线性，使用神经网络实现特征映射，网络结构包括输入层，隐藏层，输出层； 输入层设计为5个节点，样本特征xk为5维向量； 隐藏层设计为3层的全连接层，每层有10个节点，每层之间的激活函数选择Relu函数；对于第hi隐藏层，前向传播函数为 其中，为第hi-1层的输出，即为第hi隐藏层的输入；为第hi隐藏层的神经元权重；i为隐藏层的输入特征索引；j为隐层中第j个神经元索引；f·为激活函数，选用Relu函数fz＝max0，z； 输出层设计为2个节点，分别表示正常行为和异常行为的预测置信度输出；哪个节点的输出越大，则被预测为哪种行为的可能性越大； 4.2计算不均衡因子作为类别权重；设标签少数类和多数类两个类别的类内权重，记作qs，表示第s类中的类内权重，其中s＝1表示正常行为类型，s＝2表示异常行为类型；qs具体计算如下： 其中，n为样本总数，ncls为类别数，ns为第s类样本数； 4.3构建加权最大间隔损失函数；对于样本特征xk和真实输出yk，WMMNN模型输出层节点为正常行为预测和异常行为预测那么最大间隔损失函数构建如下： 损失函数解释如下：当yk＝-1时，即样本xk的真实标签为正常行为，那么WMMNN模型的正常行为结点输出至少比异常行为结点输出大1，否则将产生非零的损失值；当yk＝+1时，即样本xk的真实标签为异常行为，那么模型的输出至少比输出大1，否则将产生非零的损失值； 4.4利用SGD随机梯度下降法训练WMMNN模型，优化目标为 其中，W为WMMNN模型参数，本发明使用Pytorch深度学习框架训练WMMNN模型。 步骤五：当WMMNN模型训练完成后，得到最优模型参数，构建异常翻栏行为预测决策函数。

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之江学院，其通讯地址为：312030 浙江省绍兴市柯桥区越州大道958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。