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！

龙图腾网获悉中山大学申请的专利一种基于局部和全局特征挖掘的眼神接触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：CN119741752B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411850213.3，技术领域涉及：G06V40/18；该发明授权一种基于局部和全局特征挖掘的眼神接触识别方法是由罗洁;陶宏霞设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本一种基于局部和全局特征挖掘的眼神接触识别方法在说明书摘要公布了：本发明公开一种基于局部和全局特征挖掘的眼神接触识别方法，其包括以下步骤：获取全脸图像数据，并将全脸图像数据以及其对应的眼神状态类别作为初始眼神接触图像数据集；将初始眼神接触图像数据集划分为训练数据集和测试数据集；构建基于局部和全局特征挖掘的眼神接触识别网络模型；基于眼神接触图像训练数据集对眼神接触识别网络模型进行训练，直至达到设定的训练次数，得到训练后的眼神接触识别模型；采用训练后的眼神接触识别模型权重对眼神接触图像测试数据集进行分类识别。本发明提出的全局学习增强特征可以学习到更多样化的特征，从而获得眼部等重点部位更细微、更深层次的信息，提供眼神状态判别的准确性。

本发明授权一种基于局部和全局特征挖掘的眼神接触识别方法在权利要求书中公布了：1.一种基于局部和全局特征挖掘的眼神接触识别方法，其特征在于，包括以下步骤： S1：获取全脸图像数据，并将全脸图像数据以及其对应的眼神状态类别作为初始眼神接触图像数据集； S2：将初始眼神接触图像数据集划分为训练数据集和测试数据集； S3：构建基于局部和全局特征挖掘的眼神接触识别网络模型； S4：基于步骤S2得到的眼神接触图像训练数据集对眼神接触识别网络模型进行训练，直至达到设定的训练次数，得到训练后的眼神接触识别模型； S5：采用训练后的眼神接触识别模型对眼神接触图像测试数据集进行分类识别； 所述S3的眼神接触识别网络模型的实现过程为： S31：全局特征提取：输入全脸图像X∈RH×W×3，其中H和W分别是图像的高度和宽度，对全脸图像进行全局特征提取，得到全脸图像全局特征X； S32：特征增强：采用原始学习分支和增强学习分支， 原始学习分支和增强学习分支共享全脸图像全局特征X； 原始学习分支是生成类激活映射并定位主要的判别区域，将特征X由1×1卷积层卷积后，得到类激活图，其中C表示分类数；随后将进行全局平均池化，获得识别的类激活图，p为识别向量的最大索引，识别向量如下： 1 其中g·为全局平均池化； 增强学习分支是利用类激活图生成一个掩码来抑制特征X的top-k判别位置； B为从得到的掩码，得到增强学习分支的输入为，其中，表示两个张量的元素相乘： 随后得到增强学习分支的输出；设M为增强特征学习模块的输出： 3 最后通过平均池化层得到置信分数； S33：区域导航：根据得到的全脸图像全局特征X利用RPN提议一系列的矩形区域{R1′,R2′,…R}，RPN对输入的全脸图像全局特征X进行降维和下采样，形成多尺度特征图，每层特征图提取的特征聚焦于不同感受视野，从而捕获不同大小目标的信息；每个区域都有一个分数表示该区域的信息量； S34：图构造：采用非最大抑制，选取最具有丰富信息量的前M个区域{R,R,...,R}；通过尺寸重塑获得人脸局部图像X∈RH×W×3，通过特征提取得到区域特征，用来表示节点特征B×M×2048，其中B是批次大小，M是图中节点的数量，2048是每个节点的特征维度；利用节点特征得到图构造，通过图构造的多层GCN对图进行逐层处理，逐步聚合和更新节点特征，挖掘不同区域之间的相对关系；更新公式为： 其中表示第l层的节点特征矩阵,A表示图的邻接矩阵,表示可学习的权重和偏置，σ表示激活函数； S35：眼神接触识别网络模型构建：得到最后一层GCN的相关信息，通过线性层将特征映射到目标类别的维度，结合增强特征学习模块的置信分数，最终获得眼神接触识别结果。

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中山大学，其通讯地址为：510275 广东省广州市新港西路135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。