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！

龙图腾网恭喜北京中联国成科技有限公司申请的专利一种人形机器人的动作识别与模仿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：CN119169502B 。

龙图腾网通过国家知识产权局官网在2025-05-09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：202411203627.7，技术领域涉及：G06V20/40；该发明授权一种人形机器人的动作识别与模仿方法及系统是由张坦设计研发完成，并于2024-08-29向国家知识产权局提交的专利申请。

本一种人形机器人的动作识别与模仿方法及系统在说明书摘要公布了：本发明公开了一种人形机器人的动作识别与模仿方法及系统。方法包括：从原始运动视频中提取包含待识别运动目标的静态场景视图；从静态场景视图中分离得到运动目标；跟踪运动目标的运动轨迹；对运动目标进行融合动作特征提取，得到运动目标融合动作特征向量；采用目标融合动作特征向量对训练数据集进行训练，结合静态识别和动态识别，得到运动目标的动作描述；将动作描述发送至人形机器人进行动作模仿。系统包括静态场景视图提取模块、运动目标分离模块、运动轨迹跟踪模块、特征向量提取模块、标签标注模块、3D卷积时空网络模型建立模块和动作执行模块。本发明通过融合静态识别和动态识别，实现了更准确的动作描述和更高效的动作模仿。

本发明授权一种人形机器人的动作识别与模仿方法及系统在权利要求书中公布了：1.一种人形机器人的动作识别与模仿方法，其特征在于，包括：采用灰度差异背景分割法，从原始运动视频中提取包含待识别运动目标的静态场景视图；从所述静态场景视图中分离得到运动目标；使用跟踪算法跟踪所述运动目标的运动轨迹；捕捉所述运动目标的关键动作帧，对所述运动目标进行融合动作特征提取，得到运动目标融合动作特征向量；对所述关键动作帧进行动作标签的标注，将所述运动目标融合动作特征向量和对应的所述动作标签进行整理，得到训练数据集；采用所述目标融合动作特征向量对所述训练数据集进行训练，结合静态识别和动态识别，得到所述运动目标的动作描述；将所述动作描述发送至人形机器人进行动作模仿；所述捕捉所述运动目标的关键动作帧，对所述运动目标进行融合动作特征提取，得到运动目标融合动作特征向量包括：在跟踪到所述运动目标的运动轨迹的视频中，计算每一帧与前一帧的差异度，当差异度超过设定的阈值时，认定这一帧为关键动作帧；对于每个所述关键动作帧，提取几何形态特征向量Gj＝[Rj,Ar,Pr,SMt]，所述几何形态特征向量其中，Rj为目标区域的长宽比，Ar为面积与外接矩形面积比，Pr为周长与外接矩形周长比，SMt为形状矩参数，计算公式为对于每个所述关键动作帧，通过全局不变矩计算得到全局不变特征向量Hj；将所述几何形态特征向量和所述全局不变特征向量合并，得到融合动作特征向量Vj＝[Gj,Hj]；所述采用所述目标融合动作特征向量对所述训练数据集进行训练，结合静态识别和动态识别，得到所述运动目标的动作描述包括：对于所述几何形态特征向量，通过线性分类器处理后得到几何形态线性分类输出fGGj＝WG·Gj+bG，其中，WG为所述几何形态特征向量的权重矩阵，维度为C×dG，dG为所述几何形态特征向量Gj的维度，C为类别数，bG为几何形态特征的偏置项；对于所述全局不变特征向量，通过线性分类器处理后得到全局不变线性分类输出fHHj＝WH·Hj+bH，其中，WH为所述全局不变特征向量的权重矩阵，维度为C×dH，dH为所述全局不变特征向量Hj的维度，C为类别数，bH为几何形态特征的偏置项；通过加权平均，将所述几何形态线性分类输出和所述全局不变线性分类输出进行融合，得到静态识别的分类概率分布模型其中，α为所述几何形态特征向量的权重参数，β为所述全局不变特征向量的权重参数，α+β＝1；建立3D卷积时空网络模型，所述3D卷积时空网络模型包括输入层、下采样层、残差层和输出层；所述输入层使用3D卷积核，所述3D卷积核的大小为3×3×4，步长为1×2×2，所述输入层输出尺寸为N×T×C1×H4×W4的特征图，作为所述残差层的输入，其中，N为批次大小，T为帧数，C1为通道数，H为高度，W为宽度；所述下采样层使用3D卷积核，所述3D卷积核的大小为1×2×2，步长为1×2×2，所述残差层的每个卷积块分别包括3×3×3卷积核层、3×7×7卷积核层、MLP层、归一化层和GELU激活函数层，得到所述残差层的输出特征图y＝x+MLPGELUMLPLNconv3x+conv7x+conv3x3x3x，其中，x为每个所述卷积块的输入；所述输出层使用全局平均池化层和全连接层进行最终分类，所述全局平均池化层输出的特征图尺寸为N×512，所述全连接层的输出为N×C，作为所述3D卷积时空网络模型的最终输出；对所述3D卷积时空网络模型进行训练，得到动态识别的分类概率分布模型其中，Wd为全连接层的权重矩阵，bd为全连接层的偏置向量；将所述静态识别的分类概率分布模型和所述动态识别的分类概率分布模型进行加权融合，得到融合模型其中，γs为静态识别结果的权重参数，γd为动态识别结果的权重参数，γs+γd＝1；选择最大概率的类别得到用于运动目标的动作描述的最终动作分类结果。

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北京中联国成科技有限公司，其通讯地址为：100083 北京市海淀区学院路35号世宁大厦14层1409-027；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”。