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！

龙图腾网获悉中国矿业大学申请的专利一种用于夜间疲劳驾驶检测的图像增强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：CN119417705B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411267566.0，技术领域涉及：G06T5/50；该发明授权一种用于夜间疲劳驾驶检测的图像增强方法是由刘新华;申景硕;华德正;申玉瑞;方淙敏;彭来;王其雨;胡梦雅;王言韬;李壮;沈磊设计研发完成，并于2024-09-11向国家知识产权局提交的专利申请。

本一种用于夜间疲劳驾驶检测的图像增强方法在说明书摘要公布了：本发明公开了一种用于夜间疲劳驾驶检测的图像增强方法，包括利用分解网络将可见光源下夜间图像及对应的正常光参考图像分别分解为反射分量与照度分量，得到夜间图像反射分量、夜间图像照度分量、参考图像反射分量和参考图像照度分量；利用夜间图像反射分量与参考图像反射分量，通过增强网络增强反射分量；利用夜间图像照度分量与参考图像照度分量，通过增强网络增强照度分量；融合增强后的反射分量和照度分量，得到增强后的可见光源下图像；将红外光源图像与增强后的可见光源下图像融合，得到最终图像，用于判断驾驶员疲劳状态。本方法有效地增强了驾驶员夜间图像，使图像更加清晰明亮，有利于提高疲劳检测系统的准确率。

本发明授权一种用于夜间疲劳驾驶检测的图像增强方法在权利要求书中公布了：1.一种用于夜间疲劳驾驶检测的图像增强方法，其特征在于，所述图像增强方法包括以下步骤： S1、实时图像采集，利用车载摄像头实时拍摄驾驶员视频，从视频中提取驾驶员图像； S2、图像质量判断，对图像的亮度进行判断，将图像分为夜间图像和正常光图像； S3、正常光图像处理，利用图像去噪模块对采集的驾驶员图像进行处理，提高图像质量，减少干扰，通过图像增强模块对驾驶员图像进行增强处理，增强图像的亮度、色彩和清晰度； S4、低光图像处理，首先进行基于Retinex理论的低光图像增强；构建和训练Retinex模型，将图像分解为反射分量与照度分量；利用夜间图像反射分量、夜间图像照度分量、参考图像反射分量和参考图像照度分量训练增强网络模型，输入采集到的低光图像，得到增强后图像； S5、构建红外与可见光融合网络模型，利用红外图像和正常光图像数据集训练融合网络，将增强后图像和红外光图像输入融合网络得到最终图像，用于驾驶员疲劳检测； S6、人脸区域划分，划分融合后人脸区域，提取关键特征； S7、疲劳判别，对疲劳状态进行检测，若检测结果为疲劳，则进行智能提醒，如收紧安全带、语音提示和震动座椅； 所述S4中，构建和训练Retinex模型，对于低光图像进行基于Retinex理论的低光图像增强具体包括： S41、构建数据集，收集可见光源下夜间图像及对应的正常光参考图像，将其按比例划分为训练集和测试集，对图像进行标注，生成对应的增强目标； S42、基于U-Net结构搭建Retinex夜间图像增强模型； S43、利用S41中创建的训练集对分解网络进行多次迭代训练，直到达到收敛或达到设定的最大迭代次数，使用测试集评估训练好的神经网络模型的性能，若没有达到性能要求则继续进行训练； S44、利用S41中创建的训练集对增强网络进行多次迭代训练，直到达到收敛或达到设定的最大迭代次数，使用测试集评估训练好的神经网络模型的性能，若没有达到性能要求则继续进行训练； S45、使用训练好的低光图像增强网络对待增强的夜间图像进行增强处理； 所述Retinex夜间图像增强模型具体包括：分解网络的输入层接收待处理的图像数据，尺寸为256×256×3；通过连续的卷积层及最大池化层进行下采样，使特征图能够提取低级和高级特征；中间层采用多个卷积块和ReLU激活函数，以增强非线性特征表示；输出层生成分解后的图像数据，确保输出与输入图像在尺寸上的一致性，采用均方误差损失函数优化模型性能； 其中，增强网络的输入层接收来自分解网络的反射成分和照明成分；进行下采样时加入CBAM注意力机制，以增强网络对重要特征的关注，且下采样过程通过转置卷积层逐步恢复图像分辨率，并利用跳跃连接将编码器中的特征图与解码器中的特征图融合，确保细节信息得以保持；输出层通过1x1卷积生成与输入图像相同尺寸的增强图像，采用平滑度损失函数优化模型性能，使生成结果在视觉质量上更接近真实图像； Retinex网络模型的原理如下： Ix,y＝Lx,y*Rx,y 其中，Ix,y表示被观察到或被相机拍摄到的图像在x,y坐标的图像信息，即网络模型的输入，Lx,y表示光源的照度分量，Rx,y表示图像中目标物体对于光线中长中短波的反射分量，*表示像素乘法； 分解网络使用损失函数为均方误差损失函数，公式如下： 其中，N是样本数量，表示图像中像素的总数，yi,j是输入的原始图像在i,j位置的像素真实颜色值，是根据分解网络预测的i,j位置的像素预测颜色值； 增强网络使用损失函数为平滑度损失函数，公式如下： 其中，Ixi,j表示图像在位置x,y的像素值，|Ixi,j-Ixi+1,j|表示目标图像水平方向上相邻像素之间的绝对差异；|Ixi,j-Ixi,j+1|表示目标图像垂直方向上相邻像素之间的绝对差异； 利用分解网络将可见光源下夜间图像S1及对应的正常光参考图像Sh分别分解为反射分量与照度分量，得到夜间图像反射分量R1、夜间图像照度分量I1、参考图像反射分量Rh和参考图像照度分量Ih；利用夜间图像反射分量R1与参考图像反射分量Rh，通过增强网络增强反射分量；利用夜间图像照度分量I1与参考图像照度分量Ih，通过增强网络增强照度分量；融合增强后的反射分量和照度分量，得到增强后的可见光源下图像。

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中国矿业大学，其通讯地址为：221000 江苏省徐州市大学路中国矿业大学南湖校区；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。