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！

龙图腾网获悉安徽大学申请的专利一种基于循环一致性的强光下多光谱车辆重识别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：CN117115630B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202311117117.3，技术领域涉及：G06V20/00；该发明授权一种基于循环一致性的强光下多光谱车辆重识别方法是由郑爱华;马智祺;王梓;李成龙;汤进设计研发完成，并于2023-08-30向国家知识产权局提交的专利申请。

本一种基于循环一致性的强光下多光谱车辆重识别方法在说明书摘要公布了：一种基于循环一致性的强光下多光谱车辆重识别方法，属于车辆重识别技术领域，解决解决强光下的车辆重识别问题；本发明对光谱图像进行数据预处理，提取光谱对应的高维特征，采用强光标签预测器对受到强光污染的图像标记强光伪标签；利用去光斑生成器将强光污染的热红外光谱和受损的光谱融合成去光斑的光谱，以替换受损的光谱；利用强光标签预测器获取的伪标签训练一个图像质量预测器，设计强光感知的交互融合模块，根据图像质量动态调节特征融合过程进行特征级融合；对多光谱进行了图像级融合，并提出了有效的图像级融合框架，使用强光感知的预测模块来自适应调节多分支特征之间的关系，以增强强光不变的有效特征并抑制易受强光干扰的无效特征。

本发明授权一种基于循环一致性的强光下多光谱车辆重识别方法在权利要求书中公布了：1.一种基于循环一致性的强光下多光谱车辆重识别方法，其特征在于，包括以下步骤： 步骤1：首先对输入的热红外、可见光、近红外光谱图像进行数据预处理；所述的数据预处理的内容包括：将图像转为张量，调整为宽为256个像素，高为128个像素的张量，以便后续深度神经网络的特征提取； 步骤2：将输入的热红外、可见光、近红外光谱对应的张量经过三个独立的深度神经网络ResNet50提取每个光谱对应的高维特征； 步骤3：采用强光标签预测器判断输入的图像是否受强光污染，并对受到强光污染的图像标记强光伪标签； 步骤4：利用随机光斑方法模拟出的配对的强光干扰数据来训练强光感知的去光斑生成器，从而将强光污染的热红外光谱和受损的光谱融合成去光斑的光谱，以替换受损的光谱，具体方法如下： 从数据集中获取不受强光干扰热红外模态和可见光模态的样本，然后对可见光模态随机添加强光干扰，通过卷积层融合后，将其送入基于循环一致性的多模态去光生成器A，建立{强光干扰可见光模态，热红外模态}与{去光可见光模态}的对应关系，以融合{强光干扰可见光模态，热红外模态}两个模态中的有效信息，生成出理想状态下去光的可见光模态； 然后，将生成出的未受强光干扰的可见光模态送入循环生成器B，对其增加强光后再经过卷积层融合，进入下一轮循环，构成一个基于循环一致性的多模态去光斑生成器； 从数据集中选择的干净图像添加随机光斑，获得图像对I和If，然后应用卷积层将3通道RGB图像If和3通道TI图像IT投影到一个3通道混合特征Fm，然后将Fm输入Generator A，Generator A中的编码器从Fm提取特征，解码器将特征转换为去光斑图像Idf；Generator B与Generator A共享相同的结构，为去光斑图像Idf添加光斑，使其与合成的光斑污染图像If相同；在下半圆中，将原始无光斑图像I约束为与Generator A的输出Idf相同，其中I通过Generator B，然后与TI图像混合，并通过Generator A转换为Idf； 损失函数由两种类型的损失构成：生成对抗网络GAN损失如公式1‑2所示，循环一致性损失Cycle Loss如公式3‑5所示： 12345通过结合上述两种GAN损失函数，目标是分别训练一个Generator A，以生成一个融合多模态特征判别行特征的去光图片，达到图像级的融合； 步骤5：利用强光标签预测器获取的伪标签训练一个图像质量预测器，根据不同模态受强光干扰的情况预测图片的总体质量，得到对应的可见光与近红外模态的调质因子α和β，并在自适应融合模块中动态调节多模态特征融合的过程； 步骤6：设计强光感知的交互融合模块，根据图像质量动态调节特征融合过程进行特征级融合。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。