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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于小样本条件的非驾驶姿态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：CN119763079B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411842252.9，技术领域涉及：G06V20/59；该发明授权一种基于小样本条件的非驾驶姿态识别方法是由马艳丽;李永江;赵之祎;程继兴;高月娥设计研发完成，并于2024-12-13向国家知识产权局提交的专利申请。

本一种基于小样本条件的非驾驶姿态识别方法在说明书摘要公布了：一种基于小样本条件的非驾驶姿态识别方法，涉及交通安全技术领域，针对现有技术中由于现有数据集难以覆盖L3级自动驾驶场景下驾驶员的所有非驾驶姿态类别，因此导致现有模型非驾驶姿态识别准确率低的问题，本申请在L3级自动驾驶条件下，构建了小样本非驾驶姿态基准库，基于3D卷积神经网络对驾驶员的非驾驶姿态进行特征提取，并利用度量学习方法构建了小样本非驾驶姿态识别模型。本申请技术方案可对小样本条件下采集的视频数据进行非驾驶姿态识别，降低了模型迁移泛化对非驾驶姿态类别样本数量的依赖性，有利于缓解识别中部分类别缺乏样本的问题。进而提升了非驾驶姿态的识别准确率。

本发明授权一种基于小样本条件的非驾驶姿态识别方法在权利要求书中公布了：1.一种基于小样本条件的非驾驶姿态识别方法，其特征在于所述方法包括以下步骤： 获取待识别的驾驶员非驾驶姿态视频数据，并将待识别的驾驶员非驾驶姿态视频数据转换为具有连贯姿态的图像，之后将具有连贯姿态的图像进行预处理后，得到一维特征向量，最后将一维特征向量输入训练好的小样本非驾驶姿态识别网络，识别非驾驶姿态的类别； 所述预处理的步骤为： 将具有连贯姿态的图像输入3D卷积神经网络，所述3D卷积神经网络包括3D卷积层和3D池化层，所述3D卷积层用于对输入的具有连贯姿态的图像进行特征提取，得到时空特征，所述3D池化层用于将时空特征压缩为一维特征向量； 所述训练好的小样本非驾驶姿态识别网络通过计算输入的一维特征向量与各个非驾驶姿态类别的一维特征向量之间的球面距离，并选取球面距离最短的非驾驶姿态类别，作为非驾驶姿态识别结果； 所述训练好的小样本非驾驶姿态识别网络通过以下步骤得到： 步骤一：获取小样本基准数据集，所述小样本基准数据集中样本为驾驶员非驾驶姿态视频数据，之后将小样本基准库中的每个样本转换为具有连贯姿态的图像，之后对图像中非驾驶姿态类别进行标记； 步骤二：将具有连贯姿态的图像进行预处理，得到一维特征向量； 步骤三：将待识别的驾驶员非驾驶姿态视频数据作为查询样本，并将步骤二中得到的所有一维特征向量输入小样本非驾驶姿态识别网络，所述小样本非驾驶姿态识别网络包括特征自适应调整模块、球面流形特征嵌入模块、损失函数选取模块以及梯度优化模块； 所述特征自适应调整模块用于根据小样本基准数据集中的样本、查询样本以及一维特征向量构建支持特征集和查询特征集，并通过相似度权重矩阵Wi,j对支持特征集中的每个一维特征向量和查询特征集中的每个一维特征向量分别进行归一化处理，得到调整后的特征向量和特征向量其中，i＝1,2,...,NK，j＝1,2,...,NQ； 所述支持特征集表示为： 所述查询特征集表示为： 所述相似度权重矩阵表示为： 其中，N表示小样本基准库中非驾驶姿态类别的数量，K表示小样本基准库中驾驶员每类非驾驶姿态视频数据的数量，Q表示查询样本的数量，σ2表示尺度因子，Var·表示样本间欧氏距离的方差； 所述球面流形特征嵌入模块用于将调整后的特征向量和特征向量投影到球面流形Sn上，并在切平面ToSn上得到小样本基准数据集中样本与查询样本之间的距离d； 所述损失函数选取模块利用小样本基准数据集中样本与查询样本之间的距离d构建损失函数； 所述梯度优化模块利用损失函数得到损失，并计算损失相对于小样本非驾驶姿态识别网络中模型参数的梯度，并利用反向传播算法更新模型参数，得到训练好的小样本非驾驶姿态识别网络。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。