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！

龙图腾网获悉广西大学申请的专利一种融合深度补全的伪雷达车辆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：CN118710697B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410808317.1，技术领域涉及：G06T7/55；该发明授权一种融合深度补全的伪雷达车辆检测方法是由杨蓉;游志杰;于淼;季马东;黄伟;徐敏敏设计研发完成，并于2024-06-21向国家知识产权局提交的专利申请。

本一种融合深度补全的伪雷达车辆检测方法在说明书摘要公布了：本发明涉及自动驾驶技术领域，尤其是一种融合深度补全的伪雷达车辆检测方法，包括下述步骤：将摄像头所捕捉的场景信息转换为RGB图像；构建深度学习模型，以获得密集深度图，通过密集深度图计算获得场景中物体的距离数据；构建端到端两阶段的深度图补全模型，以获得颜色主导深度图及深度主导深度图；对颜色主导深度图及深度主导深度图进行处理，以分别获得尺度深度图及优化深度图，将尺度深度图及优化深度图进行融合，以获得融合深度图；将融合深度图转换为伪激光点云，以通过3D检测算法计算出车辆与摄像头之间的距离、速度及方向的信息。本发明通过构建深度图补全模型对深度信息进行补全，提高目标检测精度。

本发明授权一种融合深度补全的伪雷达车辆检测方法在权利要求书中公布了：1.一种融合深度补全的伪雷达车辆检测方法，其特征在于，包括下述步骤： S1.将摄像头所捕捉的场景信息转换为RGB图像； S2.构建深度学习模型，通过卷积神经网络对RGB图像进行深度特征信息提取,以获得密集深度图，通过所述密集深度图计算获得所述场景中物体的距离数据； 在步骤S2中，通过ResNet模型对所述RGB图像中的密集特征进行特征提取，然后采用带有全连接层的Encoedr与空洞空间金字塔池模块进行多尺度特征融合，以对所述RGB图像的全面理解，使用对数空间表示深度，并进行深度预测，以生成五维张量特征，根据所述五维张量特征获得所述密集深度图， 所述深度预测的计算为： 其中，SID为预测策略；ti∈{t0,t1,…,tk}为深度区间离散化后的离散化阈值；[α,β]为将要离散化的深度区间；k为深度区间[α,β]离散化后的子区间个数； S3.构建端到端两阶段的深度图补全模型，深度图补全模型包括颜色主导分支及深度主导分支，通过所述颜色主导分支获得颜色主导深度图，通过所述深度主导分支获得深度主导深度图； 在步骤S3中，在所述颜色主导分支输入所述RGB图像及所述密集深度图，通过构建编码器及解码器，对所述RGB图像学习对线边界周围的深度，且通过U-Net网络架构分析图像中的像素信息，以获得所述颜色主导分支的颜色主导深度图； 在所述深度主导分支输入颜色主导分支的密集深度图及所述密集深度图，且通过残差网络分析图像中的像素信息，以获得所述深度主导分支的深度主导深度图；S4.对所述颜色主导深度图及所述深度主导深度图进行处理，以分别获得尺度深度图及优化深度图，将所述尺度深度图及所述优化深度图进行融合，以获得融合深度图； 在步骤S4中，根据深度图的可靠性设置自适应权重项，且通过深度图的梯度、方差、边缘的特征构建权重函数，优化所述深度主导深度图的可靠性，所述权重函数为： 其中，d是为深度图；α是梯度算子；β为控制权重衰减速度的超参数；||α·d||为深度图的梯度的范数； 基于深度图与RGB图像的一致性、对比度的特征，构建特征函数，以对可靠性优化后的深度主导深度图进行连续性优化及平滑性优化，所述特征函数为： 其中，d为深度图；c为RGB图像，γ为一个超参数； 在步骤S4中，对所述深度图补全模型增加可学习的线性变换，且根据相机内参及图像分辨率计算的固定变换，将所述颜色主导深度图转换为有尺度的尺度深度图； S5.将所述融合深度图转换为伪激光点云，以通过3D检测算法计算出车辆与摄像头之间的距离、速度及方向的信息。

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广西大学，其通讯地址为：530003 广西壮族自治区南宁市西乡塘区大学东路100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”。

以上内容由龙图腾AI智能生成。