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！

龙图腾网获悉江南大学申请的专利一种基于超连接图卷积网络的骨架行为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：CN116580449B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310404197.4，技术领域涉及：G06V40/20；该发明授权一种基于超连接图卷积网络的骨架行为识别方法是由曹毅;夏宇;汤多良;叶凡;吕贤海;王凯;周辉设计研发完成，并于2023-04-17向国家知识产权局提交的专利申请。

本一种基于超连接图卷积网络的骨架行为识别方法在说明书摘要公布了：本申请提供一种基于超连接图卷积网络的骨架行为识别方法，根据人体骨架的连接关系构造超连接邻接矩阵，进一步构建超连接自适应图卷积模块，同时在全维动态卷积中引入两个残差连接，构建残差全维动态时序卷积模块，将二者相结合并基于融合特征数据进行端到端的训练，获得超连接图卷积网络模型；本申请中的超连接图卷积网络模型能够从骨架特征数据中充分提取节点的长距离依赖关系，同时减小特征损失，增强了时间特征的表示能力，基于本申请的骨架行为识别方法，不但能够取得优异的识别准确率，而且具备良好的泛化性能。

本发明授权一种基于超连接图卷积网络的骨架行为识别方法在权利要求书中公布了：1.一种基于超连接图卷积网络的骨架行为识别方法，其包括以下步骤： S1：获取原始视频样本，对所述原始视频样本进行预处理，并获取所述原始视频样本中的骨架信息数据； 其特征在于，其还包括以下步骤： S2：基于所述骨架信息数据，进行数据处理，提取骨架序列，基于所述骨架序列获得骨架运动特征，对所述骨架运动特征进行特征融合，记作：训练用融合特征数据； 所述骨架运动特征包括：一阶运动特征、二阶运动特征以及三阶运动特征； S3：基于骨架物理连接关系，添加超越相邻节点的连接关系后构造超连接邻接矩阵； S4：构建超连接图卷积网络模型，作为骨架行为识别模型，并基于所述训练用融合特征数据对所述骨架行为识别模型进行训练，得到训练好的行为识别模型； 构建所述超连接图卷积网络模型，包括以下步骤： S4-1：基于所述骨架序列，构建多维度自适应图； 所述多维度自适应图包括：空间自适应图、时间自适应图和通道自适应图； 所述空间自适应图为基于所述骨架序列提取的空间图； 所述时间自适应图为基于所述骨架序列提取的时间图经过维度变换后生成； 所述通道自适应图为基于所述骨架序列提取的通道图经过维度变换后生成； S4-2：将所述超连接邻接矩阵进行维度扩充，并与其掩码矩阵以及所述多维度自适应图相结合，得到超连接自适应邻接矩阵； 基于所述超连接自适应邻接矩阵，构建图卷积模块，记作：超连接自适应图卷积模块； S4-3：对全维动态卷积增加残差连接，构造残差全维动态卷积； 基于所述残差全维动态卷积，提取所述骨架序列的时间特征，构建时序卷积模块，记作：残差全维动态时序卷积模块； S4-4：将所述超连接自适应图卷积模块和所述残差全维动态时序卷积模块相结合，构建超连接图卷积层； 所述超连接图卷积层包括：依次连接的超连接自适应图卷积模块、BN层、RELU层、残差全维动态时序卷积模块、BN层和RELU层； S4-5：构建所述骨架行为识别模型； 所述骨架行为识别模型包括：依次连接的BN层、10个连续的所述超连接图卷积层、GAP层和softmax层； S5：获取待识别视频数据，提取待识别视频数据组中的所述骨架序列，记作：待识别骨架序列；将所述待识别骨架序列输入到训练好的所述骨架行为识别模型中，得到最终的骨架行为识别结果。

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江南大学，其通讯地址为：214000 江苏省无锡市滨湖区蠡湖大道1800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。