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！

龙图腾网恭喜重庆大学申请的专利基于关键点与网格顶点互补增强的3D人体姿态估计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：CN116631064B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202310775274.7，技术领域涉及：G06V40/20；该发明授权基于关键点与网格顶点互补增强的3D人体姿态估计方法是由潜丽妃;罗玲;姜宗伯;仲元红;徐乾锋;黄智勇;韩术;钟代笛;周庆设计研发完成，并于2023-06-28向国家知识产权局提交的专利申请。

本基于关键点与网格顶点互补增强的3D人体姿态估计方法在说明书摘要公布了：本发明具体涉及基于关键点与网格顶点互补增强的3D人体姿态估计方法，包括：通过回归预测模型输出各个视频帧的SMPL模型参数；回归预测模型的处理步骤包括：通过骨干网提取关键点热度图以及浅层特征和最终层特征；依次将关键点热度图转换为2D关键点坐标和2D关键点特征，提取时空特征生成3D关键点坐标；通过多尺度特征处理生成部分3D顶点热度图并转换为3D顶点坐标；生成键点‑顶点坐嵌入特征，并通过SMPL参数回归模块输出SMPL模型参数；基于各个视频帧的SMPL模型参数构建SMPL模型。本发明能够实现在连续视频帧中对运动的人体进行连续、平滑的建模估计，并且能够改善SMPL参数回归网络在肢体旋转和体型的构建上存在的信息缺失和拟合难度大等问题。

本发明授权基于关键点与网格顶点互补增强的3D人体姿态估计方法在权利要求书中公布了：1.基于关键点与网格顶点互补增强的3D人体姿态估计方法，其特征在于，包括：S1：获取待估计的连续视频帧；S2：将连续视频帧输入训练后的回归预测模型，输出各个视频帧的蒙皮多人线性SMPL模型参数；回归预测模型的处理步骤如下：S201：将连续视频帧输入骨干网，提取各个视频帧的关键点热度图以及浅层特征和最终层特征；S202：依次将各个视频帧的关键点热度图转换为2D关键点坐标和2D关键点特征；然后根据各个视频帧的2D关键点特征学习关键点的时空相关性，生成对应的3D关键点坐标；步骤S202中，通过如下步骤生成视频帧的3D关键点坐标：S2021：通过βsoftargmax函数将视频帧的关键点热度图转换为对应的2D关键点坐标；S2022：通过线性嵌入将2D关键点坐标转换为高维度的2D关键点特征；S2023：将高维度的2D关键点特征输入时空堆叠注意力模块，在时间层面和空间层面多次利用注意力机制提取不同视频帧中相同关键点间的特征和相同视频帧中不同关键点间的特征以反复学习关键点的时空相关性，生成对应的时空加权3D关键点特征；S2024：根据时空加权3D关键点特征生成对应的3D关键点坐标；S203：根据各个视频帧的浅层特征和最终层特征进行多尺度特征处理，生成对应的部分3D顶点热度图；然后将各个视频帧的部分3D顶点热度图转换为对应的3D顶点坐标；S204：根据各个视频帧的3D关键点坐标和3D顶点坐标生成关键点-顶点嵌入特征；步骤S204中，首先通过线性变换将各个视频帧的3D关键点坐标和3D顶点坐标转换为对应的3D关键点嵌入特征和3D顶点嵌入特征；然后连接各个视频帧的3D关键点嵌入特征和3D顶点嵌入特征连接形成关键点-顶点嵌入特征；S205：将各个视频帧的关键点-顶点嵌入特征输入SMPL参数回归模块中，输出对应的SMPL模型参数；步骤S205中，SMPL模型参数包括旋转参数θ∈R24×3、体型参数β∈R10和相机参数kc∈R3；S3：基于各个视频帧的SMPL模型参数构建对应的SMPL模型，作为各个视频帧估计的3D人体姿态模型。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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”。