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！

龙图腾网获悉重庆邮电大学申请的专利面向车载智能系统的轻量化微小交通标志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：CN116863443B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310838014.X，技术领域涉及：G06V20/58；该发明授权面向车载智能系统的轻量化微小交通标志识别方法是由朱智勤;郑人中;李嫄源;黄鑫;周志浩;龚康;周锋;李家兴;胡波;刘秋卓设计研发完成，并于2023-07-10向国家知识产权局提交的专利申请。

本面向车载智能系统的轻量化微小交通标志识别方法在说明书摘要公布了：本发明涉及面向车载智能系统的轻量化微小交通标志识别方法，属于智能交通领域。将获取的环境图像通过压缩处理成规定尺寸的图像文件。将该图像输入信息流逻辑传播网络，信息流逻辑传播网络先简单提取图像的多层低级语义信息。通过边缘信息优化模块获取低级语义信息的边界信息，以边界信息监督图卷积流提取多特征层层内和层间的高级图语义信息。先以获得的高级特征层进行分类预测，稀疏表达出目标区域。然后将图卷积流提取的多层高级信息逐元素拆分为大小相同的特征层，用卷积流网络在稀疏区域内逐渐从左至右，从上到下融合扩展特征层。最后以融合特征层进行目标检测。

本发明授权面向车载智能系统的轻量化微小交通标志识别方法在权利要求书中公布了：1.面向车载智能系统的轻量化微小交通标志识别方法，其特征在于：该方法包括以下步骤： S1：获取待检测图像； S2：网络特征提取，具体包括以下步骤： S21：通过可变形卷积网络提取完整的不规则特征，同时降低后续处理的数据量；提升网络运行速度和检测准确性； S22：重复特征提取操作，获取初步特征层F1,F2,F3,F4； S3：边缘信息提取优化，具体包括以下步骤： S31：以浅层特征F1为基础，后续特征层F2,F3,F4为细节补充；通过ERM图像边缘信息提取模块逐步优化图像边缘信息； S32：在ERM模块中，将特征层F2上采样至特征层F1相同大小后提取特征层F1的边缘信息，获取图像边缘信息；将该边缘信息与特征层F2进行信息融合后通过全局平均池化聚合卷积特征；然后，通过1D卷积和Sigmoid函数获得相应通道注意力权重优化当前的边缘信息； S33：重复ERM操作，以深层语义信息去除边缘信息中的无关，保留感兴趣目标的边缘特征；获取具体边缘信息E1； S4：以图卷积流交互F1,F2,F3,F4特征信息，加强特征提取；具体包括以下步骤： S41：切分特征层F1，对特征层内相邻特征通过领域图流AGF模块聚合图像内部特征，并以边缘信息E1监督特征聚合；其中AGF模块以特征层F1的相邻区域F11和F12为输入，通过两个1×1卷积映射特征信息F1a,F1b,F2a,F2b；聚合F1b,F2b特征信息，经过Softmax函数归一化聚合信息后得到邻接关系特征Fb；将Fb分别与F1a,F2a进行图卷积操作，其操作过程为然后获取新的邻接特征层F11和F12；对特征层F1的其他邻接区域进行相同操作，聚合内部特征； 其中W是可训练权重； S42：对特征层F2,F3,F4重复F1的邻接区域图卷积操作获取节点聚合特征Fx1,Fx2,Fx3,Fx4； S43：对于Fx1，对特征层间的同位置特征通过空间图流SGF卷积模块聚合图像层间特征，并以边缘信息E1监督特征聚合；其中AGF模块以特征层F1和F2的同位置区域F11和F21为输入，通过两个1×1卷积映射特征信息F1a,F1b,F2a,F2b；聚合F1b,F2b特征信息，经过Softmax函数归一化聚合信息后得到邻接关系特征Fb；将Fb分别与F1a,F2a进行图卷积操作，其操作过程为然后获取新的邻接特征层F11和F12，最后通过卷积操作聚合F11和F12特征获取新特征层F11；对特征层F1的其他邻接区域进行相同操作，聚合内部特征； S44：对特征层F2,F3,F4重复F1的同位置区域的区域图卷积操作获取节点聚合特征Fy1,Fy2,Fy3； S45：对特征层Fy1,Fy2,Fy3内相邻区域特征通过AGF图流卷积链接再聚合特征层获取新的特征层Fz1,Fz2,Fz3； S5：以卷积流至上而下，从左往右提取Fz1,Fz2,Fz3特征信息，加强特征提取。

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邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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”。