買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉蘇州大學申請的專利一種基于持續監控的動作預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114511928B 。

龍圖騰網通過國家知識產權局官網在2025-08-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210099728.9，技術領域涉及：G06V40/20；該發明授權一種基于持續監控的動作預測方法是由楊劍宇;邢慧琴;黃瑤設計研發完成，并于2022-01-27向國家知識產權局提交的專利申請。

本一種基于持續監控的動作預測方法在說明書摘要公布了：本發明提供了一種基于持續監控的動作預測方法，包括：將預設的人體動作序列樣本劃分為歷史序列、待預測序列和未來序列，并將歷史序列和未來序列輸入預設的運動特征提取模塊，提取歷史運動特征和未來運動特征；將歷史運動特征和未來運動特征相加后，輸入預設的動作預測模塊進行訓練，構造雙流動作預測網絡；將歷史序列和未來序列輸入雙流動作預測網絡，訓練雙流動作預測網絡和訓練分類模塊至收斂；將雙流動作預測網絡和分類模塊加入字典模塊，構建雙流信息儲存網絡；將運動特征提取模塊、分類模塊、動作預測模塊和字典模塊相結合，構造自更新動作預測模型；將人體動作序列樣本劃分的歷史序列輸入自更新動作預測模型，確定動作預測結果。

本發明授權一種基于持續監控的動作預測方法在權利要求書中公布了：1.一種基于持續監控的動作預測方法，其特征在于，包括： 步驟1:將預設的人體動作序列樣本劃分為歷史序列、待預測序列和未來序列，并將歷史序列和未來序列輸入預設的運動特征提取模塊，提取歷史運動特征和未來運動特征；其中， 所述運動特征提取模塊中包括速度計算模塊，加速度計算模塊，級別劃分模塊，融合模塊，時空卷積模塊，特征融合模塊和特征級聯模塊； 步驟2:將歷史運動特征和未來運動特征相加后，并輸入預設的動作預測模塊進行訓練，構造雙流動作預測網絡； 步驟3:將歷史序列和未來序列輸入雙流動作預測網絡，訓練雙流動作預測網絡至收斂； 步驟4:通過經過訓練的運動特征提取模塊，提取歷史運動特征輸入預設的分類模塊進行動作分類，訓練分類模塊至收斂； 步驟5:將經過訓練的雙流動作預測網絡和分類模塊結合并加入預設的字典模塊，構建雙流信息儲存網絡；其中， 所述雙流信息儲存網絡的字典模塊儲存每一種動作的歷史運動特征和未來運動特征的對應關系； 步驟6:將訓練好的運動特征提取模塊、訓練好的分類模塊、訓練好的動作預測模塊和儲存完信息的字典模塊相結合，構造自更新動作預測模型； 步驟7:將用來測試的人體動作序列樣本劃分的歷史序列輸入自更新動作預測模型，確定動作預測結果； 其中，所述步驟1，包括： 步驟11：通過預設的若干幀人體骨架樣本，構建人體動作序列樣本： V＝[X1,…,Xt,…,XN] 其中，V代表人體動作序列樣本，t代表人體動作序列樣本的第t個幀數,t∈[1,N]，N代表人體動作序列樣本的總幀數，Xt∈RM×D,RM×D代表人體動作序列樣本V的第t幀人體骨架的矩陣，M代表第t幀人體骨架包含的關鍵點個數；D代表第t幀人體骨架中每個關鍵點的向量表示的維數； 步驟12：將人體動作序列樣本V劃分為歷史序列Vhistory、待預測序列Vpredict和未來序列Vfuture；其中， 其中，Vhistory代表歷史序列，h代表關于歷史序列的時間索引，h∈[1,Thistory]，Thistory∈[1,Tpredict]，Thistory代表歷史序列的總幀數；Xh∈RM×D，Xh代表歷史序列的第h幀人體骨架的矩陣，X1代表歷史序列的第1幀人體骨架的矩陣，XThistory代表歷史序列的最后1幀人體骨架的矩陣；Vpredict代表待預測序列，p代表關于待預測序列的時間索引，p∈[Thistory+1,Thistory+Tpredict]，Tpredict代表待預測序列的總幀數，Tpredict∈[Tpredict,Tfuture]；Xp∈RM×D，Xp代表待預測序列的第p幀人體骨架的矩陣；代表歷史序列的第1幀人體骨架的矩陣；代表歷史序列的最后1幀人體骨架的矩陣；Vfuture代表未來序列，f代表關于歷史序列的時間索引，f∈[Thistory+Tpredict+1,Thistory+Tpredict+Tfuture]，Tfuture代表未來序列的總幀數，Tfuture∈[Tfuture,N]；Xf∈RM×D，Xf代表未來序列的第f幀人體骨架的矩陣；代表未來序列的第1幀人體骨架的矩陣，代表未來序列的最后1幀人體骨架的矩陣，N＝Thistory+Tpredict+Tfuture； 步驟13：通過速度計算模塊，對歷史序列進行速度特征提取，確定歷史速度序列； 其中，Vhistory_v代表歷史速度序列，vel1代表歷史速度序列中的第1幀骨架的矩陣，代表未來速度序列中的第1幀骨架的矩陣，為歷史速度序列Vhistory_v中第h幀骨架的矩陣表示，h代表關于歷史序列的時間索引，Xh代表歷史序列的第h幀人體骨架的矩陣，Xh-1代表歷史序列的第h-1幀人體骨架的矩陣，代表歷史速度序列中的第Thistory幀骨架的矩陣，Thistory代表歷史序列的總幀數； 步驟14：通過加速度計算模塊，對所述歷史速度序列進行計算，確定歷史加速度序列： 其中，Vhistory_a代表歷史加速度序列，acl1代表歷史加速度序列中的第1幀骨架的矩陣，aclh代表歷史加速度序列中的第h幀骨架的矩陣， 代表歷史加速度序列中的第Thistory幀骨架的矩陣； 步驟15：通過級別劃分模塊，分別將所述歷史序列進行級別劃分，劃分為低級歷史序列，中級歷史序列和高級歷史序列； 其中，Vhp_1代表低級歷史序列，Vhistory代表歷史序列，Vhp_2代表歷史序列輸入第一池化層得到的關于人體骨架的中級歷史序列，midh∈RW×D,RW×D代表關于人體骨架的中級歷史序列的第h幀人體骨架的矩陣，W和D代表中級歷史序列中第h幀骨架的矩陣的行數和列數，Vhp_3代表高級歷史序列，Vhp_3是通過歷史序列輸入第二池化層得到的關于人體骨架的高級歷史序列，highh∈RU×D，U和D分別對應高級歷史序列中第h幀骨架的矩陣的行數和列數； 步驟16：將低級歷史序列，中級歷史序列和高級歷史序列依次傳輸至對應的時空卷積模塊1、融合模塊1、時空卷積模塊2、融合模塊2、時空卷積模塊3和時空卷積模塊4，生成對應的歷史融合特征； 步驟17：將未來序列傳輸到步驟13-步驟15，生成對應的未來融合特征； 步驟18：通過所述歷史融合特征和未來融合特征，生成歷史運動特征和未來運動特征； 其中，所述步驟2，包括： 步驟21：將歷史運動特征和未來運動特征相加，獲取聯合運動特征； H＝Hfuture+Hhistory 其中，H表示聯合運動特征； 步驟22：將聯合運動特征H、人體動作序列樣本V中的第Thistory-2幀人體骨架第Thistory-1幀人體骨架和第Thistory幀人體骨架輸入預設的循環神經網絡，計算待預測序列； 步驟23：對人體動作序列樣本V的人體骨架進行遞增并重復步驟22，確定待預測序列： p∈[Thistory+1,Thistory+Tpredict]， 其中，為計算所得的待預測序列的第p幀骨架的矩陣表示； 步驟24：通過人體動作序列樣本、運動特征提取模塊和動作預測模塊，構造雙流動作預測網絡；其中， 所述雙流動作預測網絡的損失函數L1為： 其中，||||1表示1范數，是第n個預測序列的真實值，是動作預測模塊的輸出， 代表動作預測模塊輸出的第n個預測序列樣本。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人蘇州大學，其通訊地址為：215131 江蘇省蘇州市相城區濟學路8號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。