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！

龙图腾网恭喜西南石油大学申请的专利一种基于图形引导选择性扫描的动作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：CN119360445B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202411424744.6，技术领域涉及：G06V40/20；该发明授权一种基于图形引导选择性扫描的动作识别方法是由余洋;蒋琳;胡启军;何乐平;刘宏志;蔡其杰;白羽;肖斌;王兵;张兴鹏;肖成玉;唐钢;刘娟;曾强;吴方磊设计研发完成，并于2024-10-12向国家知识产权局提交的专利申请。

本一种基于图形引导选择性扫描的动作识别方法在说明书摘要公布了：本发明公开了一种基于图形引导选择性扫描的动作识别方法，通过构建可学习的邻接矩阵，有效地捕捉动态拓扑关系，克服了传统静态拓扑在处理复杂动作时难以反映多种关节关系的局限性，在特征提取过程中，采用多分支结构对关节、骨骼和运动特征进行处理，并通过图卷积将卷积运算扩展到非欧几里得空间，以捕捉骨架数据中的复杂空间关系，2D选择性扫描充分利用了图引导的状态空间建模特征，综合考虑全局和局部特征，以提升性能和特征提取的精准度；多尺度时间卷积的应用增强了对复杂运动模式的理解，使得对动态变化的时序数据分析更加有效。

本发明授权一种基于图形引导选择性扫描的动作识别方法在权利要求书中公布了：1.一种基于图形引导选择性扫描的动作识别方法，其特征在于，包括以下步骤：S1、数据采集与预处理，将人体骨架数据中的关节和骨骼的连接转化为邻接矩阵，所述邻接矩阵的每个元素表示关节点之间的连接关系，通过计算关节间的最短距离，从可训练的参数表分配权重，生成可学习的邻接矩阵，并在训练过程中动态调整其结构；S2、并行多分支特征提取，将人体骨架数据分为特征流，所述特征流包括关节、骨骼和运动，将关节特征流、骨骼特征流和运动特征流分别输入至模型中形成三条分支，所述模型包括图卷积、2D选择性扫描和多尺度时间卷积，用于进行特征提取，每个分支由L个基本块组成，每个基本块中结合了图卷积、2D选择性扫描和多尺度时间卷积，用于实现多层次的特征提取；经过L个基本块的处理后，所述特征通过平均池化层进行降维，之后连接到全连接层进行分类和识别；S3、特征融合，每个分支的特征完成提取后，将各个分支的动作识别结果进行融合，利用各个分支提取的信息，通过全连接层或其他分类器进行处理，输出最终分类结果；所述步骤S2具体包括以下子步骤：S21、图卷积提取特征，使用可学习的邻接矩阵，通过图卷积进行提取特征，具体包括：将可学习的邻接矩阵AL与输入特征流相乘，进行特征传播，然后通过激活函数生成新的节点特征，图卷积后的输出特征为XGCN＝σ2ALXWb，其中X为输入的特征，Wb为可学习的权重矩阵，σ2·为第二非线性激活函数；S22、2D选择性扫描，图卷积后，将输出的特征XGCN进入2D选择性扫描模块，按照骨骼编号的顺序，依次对每一个关节点进行四向扫描，所述四向扫描包括上下左右四个方向，对于每一个节点i，在图卷积后所对应的初始特征为hi，在第l次2D选择性扫描后，聚合节点特征更新为：hil＝fhil-1,hleftl-1,hrightl-1,hupl-1,hdownl-1，其中hil-1为节点i在第l-1次扫描后所对应的特征，hleftl-1,hrightl-1,hupl-1,hdownl-1分别表示节点i在第l-1次扫描中四个方向的邻接节点特征，通过函数f聚合所述邻接节点特征，之后通过非线性激活函数hil′＝σ3hil提高模型表达能力，其中σ3·为第三非线性激活函数，hil′是输出后的特征，再通过残差连接将输出后的特征与初始特征进行整合hifinal＝hil′+hi，其中hifinal为SS2D模块最终输出的节点i的特征，最终输出的特征矩阵HSS2D＝[h1final,h2final,h3final,...,hnfinal]；S23、多尺度时间卷，使用多个不同大小的卷积核来同时提取不同时间范围内的特征，所述卷积核的大小设置为ki，对SSD最终输出的特征矩阵进行时间卷积：然后将不同时间尺度的特征进行融合，其中αi是每个尺度的加权系数。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。