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！

龙图腾网获悉吉林大学申请的专利一种基于行车记录仪视频的车端视角事故场景还原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：CN119296002B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411397757.9，技术领域涉及：G06V20/40；该发明授权一种基于行车记录仪视频的车端视角事故场景还原方法是由赵健;李文旭;朱冰;张培兴;汤瑞设计研发完成，并于2024-10-09向国家知识产权局提交的专利申请。

本一种基于行车记录仪视频的车端视角事故场景还原方法在说明书摘要公布了：本发明属于自动驾驶汽车技术领域，具体的说是一种基于行车记录仪视频的车端视角事故场景还原方法。包括：步骤一、对事故视频进行预处理；步骤二、对场景进行语义理解；步骤三、对交通参与者像素轨迹进行提取；步骤四、对逆透视映射参数进行联合校准；步骤五、进行逆透视变换；步骤六、对道路轮廓及轨迹数据进行后处理；面向相机参数未知、不同且缺乏多源同步信息的事故视频数据，本发明提出一种以相机逆透视映射参数联合校准策略为核心的车端视角事故场景还原框架，能够从无任何先验信息支撑的行车记录仪视频中提取包括道路轮廓及交通参与者轨迹在内的场景时空信息，建立事故场景数据以用于自动驾驶汽车测试，能够有效改善自动驾驶汽车的测试进程。

本发明授权一种基于行车记录仪视频的车端视角事故场景还原方法在权利要求书中公布了：1.一种基于行车记录仪视频的车端视角事故场景还原方法，其特征在于，包括以下步骤： 步骤一、对事故视频进行预处理； 利用高效多级降噪算法对视频进行降噪处理，利用实时中间流估计算法对视频进行补帧增强； 步骤二、对场景进行语义理解； 以DeepLabV3Plus算法作为语义特征提取器，对视频逐帧处理以获取场景多帧语义图像，通过边缘检测算法提取多帧像素道路边界，并以此为基础划分目标检测算法主要关注区域及背景区域，并在语义信息基础上配合运动一致性检查算法获取动态区域及动态语义掩码； 步骤三、对交通参与者像素轨迹进行提取； 通过改进的YOLOV8算法与DeepSORT算法之间的协同配合，在稳健识别关键交通参与者的基础上对其进行逐帧关联，实现交通参与者像素轨迹精确提取任务； 步骤四、对逆透视映射参数进行联合校准； 设计基于几何显著性特征束调整的车端动态场景逆透视映射参数联合校准算法，首先对图像的特征信息进行提取，然后进行光流修正预测、置信度更新以获取用于前端因子图构建的关键图像帧及用于后端因子图优化的中间量，进而在前端进程中初始化并构建因子图，最后在后端进程中利用几何显著性特征束调整实现参数的联合迭代校准； 步骤五、进行逆透视变换； 将关键交通参与者像素轨迹及道路像素轮廓映射至世界坐标系下以用于后续场景数据处理； 步骤六、对道路轮廓及轨迹数据进行后处理； 设计基于像素道路边界映射强度的道路轮廓提取方法及包括缺失轨迹预测、波动轨迹平滑、异常轨迹约束在内的系统化轨迹数据后处理流程对数据质量作进一步提升，以保证场景关键信息提取的准确性与可应用性； 其中，所述步骤四的具体方法如下： 41通过场景语义理解获取图像的动态语义掩码，以掩码遮蔽后的图像对P＝Ii,Ij作为输入，经过特征编码器获取相邻帧的特征信息并进行相关性计算，同时得到初始光流，利用相关性编码器及光流编码器对相关性及光流分别进行编码，同时通过上下文编码器获取上下文信息，用于后续光流修正预测及像素点置信度更新； 42在参数迭代优化过程中需要不断正确更新光流变化量及像素置信度权重，确保后端参数联合校准算法不断求解最优参数值，根据相机内参gk、相机位姿pk、深度dk由式4计算图像Ii中像素点ui到图像Ij中像素点 uij＝πpij·π-1ui,di,g,g4 式中，pij＝pj·pi-1为两帧图像间相机的相对位姿；π·为相机由3D世界坐标向2D像素坐标的映射关系；π-1·为2D像素坐标向3D世界坐标的逆投影过程，将行车记录仪建模为统一相机模型并引入畸变因子α，使得在参数校准过程中算法能够适用于不同相机类型以及不同程度畸变失真的单目视频，如式5所示： 式中，Xx,y,z∈R3为3D世界坐标；α为畸变因子；fx、fy为相机焦距；u0、v0为相机主点，且 在每次迭代过程中，上下文信息、光流、图像Ij中像素点及相关性传入到时空卷积网络当中，时空卷积网络在时序上对信息进行整合并利用不同的卷积层分别预测光流的变化值△uij及相应的置信度权重wij，利用光流变化值选取视频中具有足够运动的关键帧作为前端因子图构建的输入部分，与此同时，光流变化值及像素点的置信度权重用于后端因子图优化进程，此外每次迭代过程时空卷积网络将输入的隐状态hijk更新为hijk+1； 43通过构建图模型的方式将参数联合校准过程转换为图优化问题，利用因子图的迭代优化过程不断求解最优参数值，因子图是包含一系列节点与因子的有向无环图，节点表示待校准参数的变量值，因子fij表示一对图像Ii,Ij的误差关联项，即校准参数间的约束关系； 前端进程中因子图构建流程如下：利用关键图像帧的特征信息为因子图添加相邻帧的边以及基于距离的边并进行因子图更新，进而移除因子图中的冗余边并再次进行因子图更新，以此得到用于后端优化的因子图； 44将几何显著性特征束调整融入到后端因子图优化进程当中，以特征点的显著性来表达几何凝视实况并改进迭代优化过程中重投影误差的成本函数，具体如下： 挖掘图像中几何特征区域的边缘特征点及特征线，并在特征点及特征线位置进行掩码填充，获取单帧图像Ii对应的初始显著性图像SIi，利用式6计算考虑像素深度di修正后的显著性图像Si： 式中，a、b为避免场景显著性区域较小使得特征信息不足进而导致后端参数优化校准进程失效而设置的常数修正因子； 以前端进程构建的因子图、流量修正预测值△uij、像素点置信度权重wij及上次迭代参数gk、pk、dk作为输入，后端进程通过最小化成本函数Eg,p,d得到更新的最优参数值gk+1、pk+1、dk+1，成本函数代表了所有关键帧像素点重投影误差的和，将显著性图像Si归一化处理后得到的像素点显著性si融入到成本函数中，如式7所示： 式中，i、j为图像关键帧的索引；∑ij＝diagwij；fij为因子的误差关联项，由式8进行计算： fij＝uij-πpij·π-1ui,di,g,g8 式中，为经过光流修正预测的像素坐标值； 后端进程的优化目标即如式9所示，通过参数的联合校准进程获取待校准的参数值： 式中，为联合校准进程中优化后的参数值； 后端进程采用经典的高斯牛顿步骤作为优化方式，如式10： JTWJ△ξ＝JTWf10 式中，f为来自式8的优化残差；J为残差的雅可比矩阵；W为所有图像置信度权重组成的对角矩阵；△ξ＝△g,△p,△d是校准参数的更新量。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。