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！

龙图腾网获悉山东大学;山东青橙数字科技有限公司申请的专利一种基于多维多尺度特征提取的人体行为识别系统及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：CN119851353B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202510329344.5，技术领域涉及：G06V40/20；该发明授权一种基于多维多尺度特征提取的人体行为识别系统及方法是由许宏吉;李毅然;任启迎;王认卓;卢晶钰;张倩;沈洁;王志鹏;徐祗凯;段玉鹏;于永辉;徐以鹏设计研发完成，并于2025-03-20向国家知识产权局提交的专利申请。

本一种基于多维多尺度特征提取的人体行为识别系统及方法在说明书摘要公布了：本发明涉及人工智能技术领域，尤其是提供了一种基于多维多尺度特征提取的人体行为识别系统及方法。该系统包括人体行为数据采集模块、人体行为数据传输模块、人体行为数据存储模块、人体行为数据预处理模块、LGAM简单人体行为识别网络模块、MPFEFN复杂人体行为识别网络模块和人体行为信息应用模块；MPFEFN复杂行为识别网络模块包括初始化单元、并行连接的残差多并行多注意力特征提取单元和残差多并行通道增强与提取单元、特征融合单元和复杂行为判别输出单元，该系统更好的利用了人体行为数据中包含的多维特征，提高了易混淆行为的识别准确率，并实现复杂了人体行为的有效识别，提升了现有模型的识别性能。

本发明授权一种基于多维多尺度特征提取的人体行为识别系统及方法在权利要求书中公布了：1.一种基于多维多尺度特征提取的人体行为识别系统，其特征在于，所述系统包括：人体行为数据采集模块、人体行为数据传输模块、人体行为数据存储模块、人体行为数据预处理模块、LGAM简单人体行为识别网络模块、MPFEFN复杂人体行为识别网络模块和人体行为信息应用模块； 所述的LGAM简单人体行为识别网络模块包括依次连接的特征预提取单元、局部和全局自适应时空特征提取单元、特征融合单元和简单行为判别输出单元； 所述的MPFEFN复杂行为识别网络模块包括初始化单元、并行连接的残差多并行多注意力特征提取单元和残差多并行通道增强与提取单元、特征融合单元和复杂行为判别输出单元； 所述特征预提取单元采用单个一维卷积模块对行为特征进行初步提取；经过特征预提取后的数据被依次输入局部和全局自适应特征提取单元和简单行为判别单元；特征融合单元输出的特征为输入依次连接的初始化单元、并行连接的残差多并行多注意力特征提取单元和残差多并行通道增强与特征提取单元；所述局部和全局自适应特征提取单元通过自适应调节卷积核大小对局部和全局特征进行提取；所述残差多并行多注意力特征提取单元采用残差多并行结构，利用多种注意力机制对人体行为数据中包含的多维特征进行提取；所述残差多并行通道增强与特征预提取单元采用残差多并行结构，利用通道增强技术对人体行为数据中包含的通道特征进行提取； 所述特征融合单元采用M-reluGRU和多头自注意力机制对复杂行为中的长时序特征进行有效融合；M-reluGRU移除门控循环单元GRU中的重置门，将GRU简化为单门结构，采用ReLU函数作为激活函数，使用BN作为归一化方式； 复杂动作数据时序特征提取；特征数据依次输入初始化单元、并行的残差多并行多注意力特征提取单元和残差多并行通道增强与特征提取单元中；通过初始化层进一步得到与身体部位相关的局部特征，提取如式（13）： （13）； 其中，为特征图，为二维卷积计算，和分别为池化操作的平均值和最大值； 残差多并行多注意力特征提取单元采用了一种并行结构，不是简单地并行化单个分支，而是通过加和降维操作减少输出维数，同时确保分支不相互干扰，计算过程如式（14）；每个分支使用基于模态-时间注意机制的动态卷积来帮助捕获特征之间的模态和时间相关性，提高了在多模式数据中识别关键信息的能力；基于模态-时间注意机制的动态卷积（ModalandTemporalBasedDynamicConvolution，MT-Dyconv）计算过程如式（15）-（22）： （14）； 其中，为拼接向量，表示拼接操作，表示加和降维运算，即在第一维求和后进行压缩，和表示基本卷积块（BasicConvolutionBlock，BCB）和多注意力特征提取模块（FeatureExtractionwithMulti-attentionModule，FEMM）的运算过程；动态卷积过程可表示为： （15）； 其中，和分别为第核的权值和权重，表示输入特征图，表示输出特征图； 具体来说，首先利用大小为（）和（）的池化核分别沿水平和垂直坐标对每个通道进行编码；因此，池化后输出的特征图分别表示为： （16）； （17）； 其中，表示高度为的通道输出，表示宽度为的通道输出； 为了充分利用模态信息和时间信息，将上述两个特征映射进行级联，然后使用共享卷积进行变换，表示为： （18）； 其中，为空间信息在水平和垂直方向上的内部特征图，表示sigmoid激活函数；表示下采样的采样率，用于控制模块的大小； 接下来，沿着空间维度，特征图被划分为两个独立的张量和；使用两个卷积和一个大小为（）的核，特征映射和被转换为与输入相同数量的通道；计算过程如下： （19）； （20）； 其中，和为通道变换后的输出特征映射，为sigmoid激活函数； 然后，将输出和展开为注意力权重，可以表示为： （21）； 其中，和表示扩展后的注意权重，表示输入，表示最终输出； 在计算出注意力权值后，设置了两个卷积层用来改变模块容量和计算代价，计算出的关注标量为： （22）； 其中，是一个用于控制权值的稀疏性的超参数； 残差多并行通道增强与特征提取单元采用了相同的并行结构，通过加和降维操作减少输出维数，同时确保分支不相互干扰，整体操作如下： （23）； 其中，为拼接向量，表示拼接操作，表示加和降维运算，即在第一维求和后进行压缩，和表示BCB和通道增强和提取模块（ChannelBoostandExtractionModule，CBEM）的运算过程； 采用Inception结构和SE模块提取通道特征，Inception结构是将输入向量分别输入到四组并行的卷积块中，然后在通道维数上进行拼接，表示为： （24）； 其中，特性表示增强后的特征，表示将多个二维卷积层的输出进行拼接，、和分别表示卷积核大小为、和的二维卷积操作； SE计算方法如下： 在压缩阶段，对于每个分支的增强特征，使用全局平均池化来减少上下文并捕获全局信息中的通道依赖关系，表示为： （25）； 其中，为输入，为捕获特征的元素； 激励是为了充分利用挤压过程中捕获的信息，这个过程采用由激活函数连接的两个FC层作为门控机制来学习多个通道之间的非线性相互作用，激励阶段定义为： （26）； 其中，为注意权重，和分别为激活函数ReLU和sigmoid，和表示变换尺度的权重； 然后，缩放操作将之前得到的注意权值分配到每个通道的特征上，表示为： （27）； 其中，表示输出特征映射的第个元素。

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山东大学;山东青橙数字科技有限公司，其通讯地址为：250013 山东省济南市历下区山大南路27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”。