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！

龙图腾网获悉语风文化科技(南通)有限公司申请的专利基于姿态识别神经网络的姿态识别方法及系统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：CN121259912B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202511397024.X，技术领域涉及：G06V40/20；该发明授权基于姿态识别神经网络的姿态识别方法及系统是由孙亭广;朱丽华设计研发完成，并于2025-09-28向国家知识产权局提交的专利申请。

本基于姿态识别神经网络的姿态识别方法及系统在说明书摘要公布了：本发明提供基于姿态识别神经网络的姿态识别方法及系统，涉及姿态识别技术领域，本发明构建包含安全与危险姿态类别的标准库，并标注若干个关键点生成软标签样本数据集；将关键点定义为图节点，构建特征矩阵与邻接矩阵；设计双分支融合网络模型，通过图卷积分支提取关键点拓扑结构特征，通过全局视觉分支提取图像全局上下文特征，融合后输出姿态相似度谱向量；最终，通过计算待分析图像与最相似姿态模板在关键点距离和关节角度上的几何差异度，并比较其与安全危险阵营的整体差异来判定姿态状态。本发明结合了数据驱动与规则校验的双重优势，显著提高了对危险姿态的识别鲁棒性和决策可解释性，有效降低了安全风险。

本发明授权基于姿态识别神经网络的姿态识别方法及系统在权利要求书中公布了：1.一种基于姿态识别神经网络的姿态识别方法，其特征在于，具体步骤包括： 步骤1：获取包含多种姿态的图像数据库，构建一个包含K个预定义姿态类别的标准库；使用标注工具标注每张图像中的关键点，并将其归属到标准库中的姿态类别，生成对应的姿态类别标签向量；对标注好的图像进行预处理，并整合为样本数据集，所述关键点包括头部、颈部、肩部、肘部、腕部、臀部、膝部和踝部； 步骤2：将每个标注的关键点定义为图的节点，获取每个节点的特征向量，包括节点位置坐标、可见性得分，将每张图像上的所有节点的特征向量整合为特征矩阵，再建立关键点连接关系，以连接关键点形成边，获取邻接矩阵； 步骤3：构建双分支融合网络模型，包括图卷积分支和全局视觉分支，将样本数据集中图像的特征矩阵和邻接矩阵输入图卷积分支，将预处理后的图像输入全局视觉分支；以样本数据集中图像对应的姿态类别标签向量作为标签训练该模型，使模型输出一个K维相似度谱向量，其中每个分量表示该图像与标准库中对应姿态类别的相似度百分比； 步骤4：为标准库中的每个姿态类别定义其理想相对距离和理想角度；将待分析图像输入训练完成的双分支融合网络模型中，获取待分析图像的相似度谱向量；计算待分析图像中各关键点之间的实际距离和实际角度，选取相似度谱中相似度最高的N个姿态类别，分别计算待分析图像与这些姿态类别的差异度，以判断是否发出危险信号； 获取样本数据集所依据的具体逻辑为： 从公开数据集中下载包含多种姿态的图像数据，构建一个包含K个预定义姿态类别的标准库，对所有的姿态类别进行划分，划分为第一类安全姿态和第二类危险姿态；第一类安全姿态表征符合安全规范的操作姿态，至少包括标准直立观察、屈膝弯腰搬运和安全距离操作；第二类危险姿态表征典型违规和高风险姿态，至少包括腰部弯曲角度超过安全与阈值、手臂进入机械危险区域和高空作业失去平衡； 对图像数据库中每张图像，至少标注14个人体关键点，包括将头部、颈部、肩部、肘部、腕部、臀部、膝部和踝部标记为关键点，肩部包括左肩和右肩，肘部包括左手肘和右手肘，腕部包括左手腕和右手腕，臀部包括左臀和右臀，膝部包括左膝和右膝，踝部包括左脚踝和右脚踝；通过专家根据图像中的人体姿态，将其归属到标准库中的多个类别，并且采用软标签形式生成一个K维的姿态类别标签向量，表示为，其中，表示姿态类别标签向量，表示该图像属于第1个姿态类别的置信度分数，表示该图像属于第2个姿态类别的置信度分数，表示该图像属于第q个姿态类别的置信度分数，表示该图像属于第K个姿态类别的置信度分数；q为标准库中姿态类别索引，K为标准库中姿态类别数量；置信度分数取值范围为[0,1]，且；对标注好的图像进行尺寸归一化处理，再将图像像素值缩放到范围内，经过预处理后的图像整合为样本数据集； 获取特征矩阵和邻接矩阵所依据的具体包括： 若节点的关键点在图像中可以检测到，则定义该关键点的可见性得分为1，若该节点对应的关键点在图像中未被检测到，则定义该关键点的可见性得分为0，获取每个节点的特征向量表示为： ； 其中，表示第个节点的特征向量，表示第个节点的可见性得分，分别表示该节点在X轴和Y轴的位置，表示节点索引； 整合每张图像所有节点的特征向量按顺序堆叠，构建该图像的图结构特征矩阵，表示为： ； 其中，为特征矩阵，表示节点数量，也是关键点数量，且； 基于正常生理连接结构，定义节点之间的边，并构建邻接矩阵以表征图的拓扑连接关系；节点连接关系为：头部连接颈部，颈部分别连接左肩、右肩、左臀和右臀，左肩连接左肘，左肘连接左腕，右肩连接右肘，右肘连接右腕，左臀连接左膝，左膝连接左踝，右臀连接右膝，右膝连接右踝； 邻接矩阵为一个的对称矩阵，表示为： ； 其中，为邻接矩阵，表示节点和节点之间的连接关系，如果节点和节点之间存在连接关系，则，否则，也是节点的索引； 构建所述双分支融合网络模型具体包括： 将样本数据集划分成训练集、验证集和测试集，划分比例为7:1.5:1.5；所述双分支融合网络由并行的图卷积分支、全局视觉分支、一个特征融合模块以及一个输出层构成； 图卷积分支为一个L层图卷积网络，将训练集中图像的特征矩阵和邻接矩阵作为该分支的输出，每一层图卷积进行邻域信息聚合、聚合信息归一化以及特征变换和非线性激活处理后，每个节点的最终特征向量中包含了其多跳邻域内的结构信息，对所有节点的最终特征向量应用全局平均池化，以得到代表该图像的全局结构的特征向量； 全局视觉分支用于提取训练集中图像的全局上下文特征，将训练集中的图像输入该网络中，取其最后一个全连接层之前的特征图，通过一个全局平均池化层，得到一个全局视觉特征向量； 采用特征融合模块将来自两个分支的全局结构的特征项链和全局视觉特征向量输入一个全连接层进行降维和非线性变换；再通过输出层输出一个K维向量，向量中每个分量表示与标准库中对应姿态类别的相似度百分比；该输出层由一个维度为K的全连接层和一个Softmax激活函数组成； 使用姿态类别标签向量作为监督信号，采用多类别交叉熵作为损失函数，来评估模型输出与真实值的差值；采用Adam优化器最小化损失函数，迭代更新模型中的所有参数，当损失函数在验证集上连续多个迭代中变化值小于预设阈值时，判定模型训练完成。

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语风文化科技(南通)有限公司，其通讯地址为：226000 江苏省南通市开发区中兴街道广州路42号430室；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。