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！

龙图腾网获悉上海全欣智享科技有限公司申请的专利基于YOLOv8分割网络和DBSACN聚类的融合检测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：CN119068452B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202410875890.4，技术领域涉及：G06V20/58；该发明授权基于YOLOv8分割网络和DBSACN聚类的融合检测方法是由陈志辉;李龙威;张冠华;刘孝雷设计研发完成，并于2024-07-02向国家知识产权局提交的专利申请。

本基于YOLOv8分割网络和DBSACN聚类的融合检测方法在说明书摘要公布了：本发明属于自动驾驶技术领域，具体为基于YOLOv8分割网络和DBSACN聚类的融合检测方法。本发明方法包括：从交通图片数据集筛选获取9个类别的数据集，对YOLOv8的分割网络进行训练，得到图片检测模型；对模型进行轻量化，并对图片进行2D检测；对时间同步的雷达点云数据集进行地面点滤波以及检测框滤波，采用聚类算法对滤波后的点云聚类，计算聚类物体的位置以及长宽高得到3D检测框；将3D检测框进行反投影到2D图片上，得到新的2D掩膜，并与之前的2D掩膜进行IOU的计算，筛选IOU最大的重合检测框，得到检测框所包含的物体类别以及3D位置。本发明可提高识别精度，节省计算时间，适用于车路协同条件下的复杂行车场景。

本发明授权基于YOLOv8分割网络和DBSACN聚类的融合检测方法在权利要求书中公布了：1.一种基于YOLOv8的分割网络和DBSACN聚类的融合检测方法，其特征在于，包括对交通数据集进行预处理，提取特定类别的数据集以及进行数据集标签的格式转换；采用基于YOLOv8的分割网络对预处理过后的数据集进行训练，并经过模型轻量化，最终生成模型文件；将经过时间同步处理的图片运用模型检测图片生成2D掩膜，同时采用检测框滤波以及地面点滤波对经过时间同步处理的点云进行噪声点云的滤除；采用基于密度的DBSCAN聚类算法对滤波后的点云进行聚类，得到3D检测框；进行反投影得到新的2D掩膜，与图片检测得到的2D掩膜进行匹配，从而得到被检测物体的种类以及在三维空间中以车体雷达为坐标系的三维坐标；具体步骤为： 1首先对交通的精标注数据集进行标签种类提取，针对语义分割的标签进行筛选处理，对数据集中的33个类进行筛选，提取其中8个类，具体为行人、骑行者、汽车、货车、公交车、火车、摩托车、自行车；每张图片的标签信息包含物体的轮廓，即标签文件中的外形轮廓参数中包含的各点，设一张图片中存在n个被检测物体标签，每个标签包含m个描述轮廓的点，其中m≥3，设标签中第i个物体的第j个轮廓点设转换后的该轮廓点格式为转换公式如下所示： 在得到转换数据集之后，采用随机分配算法将数据集按照4：2：1的比例划分为训练集、验证集、测试集，设置训练次数，一次训练过程中所抓取的数据样本数量为16，依赖于GPU进行YOLOv8分割网络的训练，得到分割模型pt，YOLOv8分割网络相比于YOLOv8原网络作如下改变：在神经网络头部的位置用C3模块替换C2f；原来网络中3‑6‑9‑3的结构转换为分割网络中3‑6‑6‑3的结构；在神经网络颈部的位置在FPN结构中去除第一个卷积；采用SiLU激活函数； 2将上述得到的模型进行模型轻量化，将pt模型转为onnx模型，再转换为openvino模型，同时图片分割模型的图片输入大小定义为640×640，并对经过时间同步的图片数据集进行检测，得到一系列的描述被检测物体轮廓的2D掩膜以及类别，得到的2D掩膜集合表示如下： 其中，设检测得到的分割目标有n个，每个目标的轮廓点有m个，被检测目标的集合为mask2d； 3对做好时间同步的雷达点云数据集进行逐帧读取，采用CSF点云地面点滤波和上述得到的掩膜集合根据雷达与相机之间的相对位置关系，对原始点云进行检测框滤波，只保留非地面点云中的与检测掩膜相关联的点云； 4对上述处理好的滤波点云进行基于DBSCAN的聚类算法，其中采用KD‑Tree算法加快临近点的搜索，并采用PCL库实现对点云质心的计算以及边界的计算，确定点云的3D检测框box3d； 5将由YOLOv8分割网络得到的一系列2D掩膜mask2d和由DBSCAN聚类得到的一系列由3D检测框box3d，再经过旋转变换得到2D掩膜boxr2d，并进行逐个IOU交并比的计算，根据IOU与阈值做比对，得到该物体的种类以及位置。

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上海全欣智享科技有限公司，其通讯地址为：201805 上海市嘉定区于田南路111号20楼；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”。

以上内容由龙图腾AI智能生成。