買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉浙江工業(yè)大學申請的專利基于局部直覺模糊支持向量機的異常行為識別方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN115690677B 。

龍圖騰網(wǎng)通過國家知識產權局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202211317205.3，技術領域涉及：G06V20/52；該發(fā)明授權基于局部直覺模糊支持向量機的異常行為識別方法是由陳偉杰;陳培;孫輝鋒;陳彥榕設計研發(fā)完成，并于2022-10-26向國家知識產權局提交的專利申請。

本基于局部直覺模糊支持向量機的異常行為識別方法在說明書摘要公布了：基于局部直覺模糊支持向量機LIFSVM的異常行為識別方法，包括：1提取樣本的局部類別信息，獲得樣本類內和類間的鄰域信息；2根據(jù)不均衡度、樣本局部信息和離群點因子，計算樣本類內權重和類間權重；3針對不均衡異常行為識別問題，構造噪聲不敏感的LIFSVM優(yōu)化模型；4對優(yōu)化問題進行推導，求解線性方程組獲得模型的最優(yōu)解；5分別構造異常行為和正常行為的非平行近端超平面，依此得到LIFSVM模型的最優(yōu)決策函數(shù)；6預測行為是否為危險動作。本發(fā)明能提高異常行為的識別率，更精準地完成行為識別任務。

本發(fā)明授權基于局部直覺模糊支持向量機的異常行為識別方法在權利要求書中公布了：1.基于局部直覺模糊支持向量機的異常行為識別方法，包括如下步驟： 步驟一：異常行為數(shù)據(jù)集的構建；首先，使用Opencv實時捕獲監(jiān)控視頻流，采樣生成視頻幀圖像；然后，對采樣的圖像進行去噪聲，灰度化，直方圖均衡化預處理，并使用mediapipe開源模塊對圖像中人體提取姿勢關鍵點；然后，使用這些關鍵點構造姿勢特征xi，同時對樣本的輸出yi進行手工標注是否為異常行為，1代表異常行為，2代表正常行為；最后，對數(shù)據(jù)進行歸一化，得到有監(jiān)督數(shù)據(jù)集其中為維度n的樣本特征，yi為樣本相應的輸出，m為樣本規(guī)模；將數(shù)據(jù)集按類別分為兩個不重復的部分：異常行為的少數(shù)類即標注為1的數(shù)據(jù)樣本矩陣簡稱：A，和正常行為的多數(shù)類即標注為2的數(shù)據(jù)樣 本矩陣簡稱：B，其中m1和m2分別為少數(shù)類和多數(shù)類的樣本個數(shù)；定義數(shù)據(jù)類不平衡率 步驟二：根據(jù)kNN算法和四分位數(shù)方法分別計算少數(shù)類和多數(shù)類兩個類別的類內權重，記作表示第s類中的第i個樣本的類內權重；為第s類樣本合集，s＝1，2； 2.1通過計算每個樣本與其同類鄰域內近鄰樣本的距離，并對這些距離求均值獲得樣本與同類樣本的偏離程度，記作表示第s類中的第i個樣本的類內偏離程度； 其中，xi是第s類中的第i個樣本，xl是xi的kNN樣本；k是kNN近鄰算法的參數(shù)，表示選取的“近鄰”個數(shù)； 2.2按類別，對所有同類樣本的偏離程度求分位數(shù)，具體包括各類別的上四分位數(shù)、下四分位數(shù)以及四分位差，分別記作以及IQRs，s＝1，2，表示第s類的上下四分位數(shù)以及四分位差； 2.3按類別，在不同類中分別計算各自的上異常值截斷點，記作ts，s＝1，2，表示第s類的上異常值截斷點； 2.4類內權重構造如下： 對于少數(shù)類樣本： 對于多數(shù)類樣本： 步驟三：根據(jù)kNN方法和直覺模糊方法，分別計算少數(shù)類和多數(shù)類兩個類別的類間權重； 3.1隸屬度計算：使用公式4、公式5，計算隸屬度值，記作表示第s類中的第i個樣本的隸屬度；其意義為第i個樣本屬于第s類的概率； 3.2非隸屬度計算：結合kNN方法和直覺模糊方法，重新定義非隸屬度： 3.2.1結合兩類數(shù)據(jù)的信息計算類間相關性，記作表示第s類中的第i個樣本的類間相關性，構造如下： 其中，和分別表示第i個樣本的kNN中，第1類樣本數(shù)量和第2類樣本數(shù)量； 3.2.2根據(jù)隸屬度和類間相關性計算樣本非隸屬度，記作表示第s類中的第i個樣本的非隸屬度；其意義為第i個樣本不屬于第s類的概率； 3.3根據(jù)隸屬度和非隸屬度，計算樣本類間權重，記作表示第s類中的第i個樣本的類間權重，構造如下： 式8的操作是為了構造樣本類間權重，具體如下:當非隸屬度為0時，類間權重等于隸屬度值；當非隸屬度值不小于隸屬度值時，類間權重為0；其他情況時，類間權重 3.4對多數(shù)類樣本的類間權重進一步修正，如下： 式9表示在overlap區(qū)域，當多數(shù)類樣本的kNN中，少數(shù)類樣本數(shù)量的r倍不小于多數(shù)類樣本數(shù)量時，該多數(shù)類樣本的類間權重縮小r倍；否則保持不變； 步驟四：局部直覺模糊支持向量機LIFSVM方法，類似雙子支持向量機，為少數(shù)類和多數(shù)類分別尋找一近端超平面f1x，f2x，即： 其中，f1x，f2x是異常行為和正常行為的近端超平面，w1，2，b1，2是對應超平面的權重和偏置，x是樣本的特征； 為了實現(xiàn)經(jīng)驗風險，LIFSVM考慮下面兩個損失函數(shù) 和 其中，q1，q2是少數(shù)類和多數(shù)類樣本的類內權重，f1，f2是少數(shù)類和多數(shù)類樣本的類間權重；c1，c2＞0是懲罰參數(shù)； 通過引入一個額外的正則項‖w‖2+b2，提出了結構風險最小化版本；然后，得到了LIFSVM的原始問題 其中，ξ是非負的松弛變量；ci,i＝1…4是懲罰參數(shù)； 為了表述方便，將上述樣本的向量形式式13和式14，轉化為下面的矩陣形式： 其中，式15和16分別是，為了尋找異常行為和正常行為的近端超平面的優(yōu)化問題；Q1和Q2是對角矩陣，其主對角線上為少數(shù)類和多數(shù)類的類內權重式4和式5，F(xiàn)1和F2是對角矩陣，其主對角線上為少數(shù)類和多數(shù)類的類間權重式8和式9，定義如下： 用于控制樣本在類內或類間中的影響；e1，e2是適當維度的單位向量； 對少數(shù)類的優(yōu)化問題式15進行分析，最小化目標函數(shù)的第一項是為了使少數(shù)類的樣本到第一個超平面距離更近，即樣本盡量聚集在超平面附近；目標函數(shù)第二項是松弛變量的平方損失函數(shù)，第二個約束條件要求多數(shù)類的樣本與第一個超平面的距離至少為1，松弛變量在約束條件不滿足時度量誤差，即最小化前兩項，旨在最大化的將多數(shù)類樣本與少數(shù)類樣本分離開；最后一項為正則項，為了實現(xiàn)結構風險最小化，即權衡模型復雜度和模型精準度，避免過擬合；同理優(yōu)化問題式16與式15類似； 步驟五：求解步驟四中的兩個優(yōu)化問題； 5.1以優(yōu)化問題15為例，先將等式約束代入到目標函數(shù)中，可得到 5.2將18式對w1，b1求梯度，并設梯度等于0，得 5.3根據(jù)式19和式20，求解得 其中，H1＝rQ1[Ae1]，G1＝F2[Be2]，I表示為單位矩陣； 5.4同理，求解得 其中，H2＝F1[Ae1]，G2＝Q2[Be2]；到此，LIFSVM方法的訓練階段完成； 步驟六：識別異常行為；當獲得模型最優(yōu)參數(shù)后，構建異常行為預測決策函數(shù)；對于給定待檢測視頻圖像，首先使用Opencv實時捕獲視頻流，然后使用mediapipe開源模塊提取人體提取姿勢關鍵點；最后，使用這些關鍵點生成人體姿勢特征x；針對給定的特征x，分別計算特征x到異常行為和正常行為近端超平面10的距離來預測場景是否為異常行為，決策函數(shù)如下： 其中，|·|表示絕對值；如果特征x離異常行為近端超平面的距離比正常行為近，那么式23輸出為1，系統(tǒng)判斷當前樣本x為異常行為，并執(zhí)行異常行為記錄或報警；如果特征x離正常行為近端超平面的距離比異常行為近，那么式23輸出為2，系統(tǒng)判斷當前樣本x為正常行為。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人浙江工業(yè)大學，其通訊地址為：310014 浙江省杭州市拱墅區(qū)潮王路18號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。