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！

龙图腾网获悉东北林业大学申请的专利一种基于图像特征的前方车辆测距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：CN118710698B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202410829414.9，技术领域涉及：G06T7/60；该发明授权一种基于图像特征的前方车辆测距方法是由徐慧智;王秀青;郝东升;李亚玫设计研发完成，并于2024-06-25向国家知识产权局提交的专利申请。

本一种基于图像特征的前方车辆测距方法在说明书摘要公布了：一种基于图像特征的前方车辆测距方法，涉及智能交通管理与控制技术领域。通过目标检测模型检测图像中的目标车辆，获取类别信息和车辆检测框特征信息；相机标定得到内部参数，根据相机成像原理与几何关系推导计算相机相对车辆的横纵距离；设计卷积神经网络，提取车辆特征向量；融合车辆检测框特征信息、横纵距离和车辆特征向量生成车辆图像特征向量；建立车辆测距神经网络，根据车辆图像特征向量测量车辆的距离。建立前馈神经网络学习从输入车辆特征数据到输出前车距离的复杂映射，基于图像特征实现车辆与前方目标车辆间的实时距离测量，结合车辆检测框特征信息和车辆图像特征提高测距精度，适用于各种复杂天气环境。

本发明授权一种基于图像特征的前方车辆测距方法在权利要求书中公布了：1.一种基于图像特征的前方车辆测距方法，其特征在于：包括以下步骤： S1、车辆识别检测 通过目标检测模型检测图像中的前方目标车辆，获取前方目标车辆的类别信息和车辆检测框特征信息； 所述车辆识别检测结合S11道路车辆图像采集模块、S12数据集制作模块、S13数据集训练模块和S14前方车辆图像识别检测模块进行实现；其中，所述S11道路车辆图像采集模块采用车载图像集和自建拍摄图像，涵盖各种天气环境下的多种道路交通场景；所述S12数据集制作模块将图像通过标注设置前方目标车辆的类别信息进行分类，制作成数据集供网络读取；所述S13数据集训练模块使用目标检测模型对数据集进行训练并保存检测最优权重文件；所述S14前方车辆图像识别检测模块使用检测最优权重文件对输入的前方目标车辆图像识别检测，输出前方目标车辆的类别信息和车辆检测框特征信息，车辆检测框特征信息计算公式如下： 式中，表示车辆检测框左上角顶点坐标，表示车辆检测框右下角顶点坐标，进而得到车辆检测框底边中心点坐标、车辆检测框的高度、宽度和面积； S2、相机成像几何计算 相机标定得到相机内部参数，根据相机成像原理与几何关系推导车辆横纵距离计算公式，计算相机相对前方目标车辆的横纵距离； 所述相机成像几何计算结合S21相机标定模块、S22几何推导模块和S23几何计算模块实现；其中，所述S21相机标定模块获取相机内部参数；所述S22几何推导模块根据相机成像原理，推导车辆横纵距离几何计算公式如下： 式中，表示车辆相对于相机的纵向距离，表示车辆相对于相机的横向距离，H表示相机预设高度，表示相机的俯仰角，表示相机的焦距，表示描述轴方向焦距长度的像素，表示a点到图像坐标系原点O的垂直距离，，表示a点到车辆检测框底边中心点的水平距离，，a点为车辆检测框底边中心点在图像坐标系中与轴作垂线的交点；所述S23几何计算模块将车辆横纵距离几何计算公式所需的参数值代入计算得到相机相对前方目标车辆的横纵距离； S3、车辆特征提取 设计卷积神经网络，提取车辆特征向量； 所述车辆特征提取结合S31车辆图像预处理模块和S32车辆特征提取模块实现；其中，所述S31车辆图像预处理模块根据车辆检测框两角顶点坐标裁剪前方目标车辆图像，将图像通过预处理调整为统一尺寸128×128，使图像中车辆的形态和图像像素具有特性；所述S32车辆特征提取模块采用卷积神经网络，所述卷积神经网络包括5个3×3卷积层，其中conv1层包含64个卷积核执行卷积操作，conv2层生成128通道特征图，conv3和conv4层分别使用32和8个卷积核用于降维，conv5层使用4个卷积核生成4×4单通道特征图，最后通过展平处理将所有子集合并为一维数组形式，生成16维车辆特征向量，输入预处理的图像后，利用卷积和池化操作逐渐降低图像尺寸，在卷积操作后应用ReLU激活函数，使卷积层能够保留图像的不同层次特征，在激活函数后使用2×2最大池化层，图像尺寸减半以降低计算复杂度，最后通过展平处理生成车辆特征向量； S4、车辆图像特征融合 融合车辆检测框特征信息、相机相对前方目标车辆的横纵距离和车辆特征向量，融合生成23维车辆图像特征向量； 所述车辆图像特征融合结合S41图像特征融合模块实现；所述S41图像特征融合模块将获得的车辆检测框特征信息、相机相对前方目标车辆的横纵距离以及车辆特征向量融合为车辆图像特征向量； S5、神经网络测距 建立车辆测距神经网络，根据融合生成的车辆图像特征向量测量相机相对前方目标车辆的距离； 所述神经网络测距结合S51前方车辆图像与距离采集模块、S52测距数据集预处理模块和S53神经网络测距模块实现；其中，所述S51前方车辆图像与距离采集模块以预设高度和角度的车载相机获取多组前方目标车辆图像，同时测量与前方目标车辆的实际距离，将前方目标车辆图像与实际距离一一对应构成测距数据集，测距数据集中的前方目标车辆图像经过S14前方车辆图像识别检测模块、S23几何计算模块、S31车辆图像预处理模块、S32车辆特征提取模块和S41图像特征融合模块得到车辆图像特征向量；所述S52测距数据集预处理模块对测距数据集划分为测距数据训练集与测距数据测试集两部分，将测距数据训练集的车辆图像特征向量以feature_train.txt文件格式保存，对应的实际距离以distance_train.txt文件格式保存，测距数据测试集的车辆图像特征向量以feature_test.txt文件格式保存，对应的实际距离以distance_test.txt文件格式保存；所述S53神经网络测距模块建立前馈神经网络，包括六个全连接层，其中输入层接收23维车辆图像特征向量，全连接层F1包含32个神经元，F2包含48个神经元，F3包含16个神经元，F4包含8个神经元，输出层包含1个神经元，通过六个维度全连接层线性变换处理数据进行提取特征，全连接层间应用ReLU激活函数，通过Adam优化器以学习率0.0001进行训练，其中前端的全连接层作为输入层输入融合后的车辆图像特征向量，末端的全连接层只包含一个神经元作为输出层输出预测距离；S53神经网络测距模块分为训练和推理两个阶段，训练阶段通过前向传播和反向传播更新权重，推理阶段依据最优权重文件通过前向传播输出预测距离；在训练阶段，S52测距数据集预处理模块得到的测距数据训练集用于前馈神经网络的训练，feature_train.txt文件为车辆图像特征向量数据作为前馈神经网络输入，distance_train.txt文件为实际距离作为前馈神经网络的真实值；在推理阶段，将测距数据测试集的feature_test.txt文件输入到前馈神经网络，依据前馈神经网络在训练阶段生成的测距最优权重文件，通过前向传播将输入数据逐层传递，最终在输出层得到前方目标车辆到相机的预测距离。

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东北林业大学，其通讯地址为：150040 黑龙江省哈尔滨市香坊区和兴路26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”。