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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于改进FCOS和嵌入分组的双轮车头盔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：CN114708562B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202210464734.X，技术领域涉及：G06V20/54；该发明授权一种基于改进FCOS和嵌入分组的双轮车头盔检测方法是由温子涵;倪玮;李丹峰;林静怡;侯津涛设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本一种基于改进FCOS和嵌入分组的双轮车头盔检测方法在说明书摘要公布了：本发明公开了一种基于改进FCOS和嵌入分组的双轮车头盔检测方法，包括如下步骤：S1、通过获取双轮车道路的图像数据，并制作双轮车头盔检测数据集；S2、双轮车头盔检测数据集的预处理；S3、构建基于改进FCOS和关联分组的目标检测模型；S4、利用随机梯度下降法对构建的基于改进FCOS和关联分组的目标检测模型进行优化。既利用改进后FCOS目标检测算法进行像素级别的预测，大幅减少模型训练参数量，并且满足高精度和实时性的要求，又能将检测任务和分组任务整合在一个网络中，通过余弦相似度衡量预测分组与真实分组及不同预测分组之间的成员分布差异，准确匹配双轮车与骑乘人员。

本发明授权一种基于改进FCOS和嵌入分组的双轮车头盔检测方法在权利要求书中公布了：1.一种基于改进FCOS和嵌入分组的双轮车头盔检测方法，其特征在于，包括如下步骤： S1、通过获取双轮车道路的图像数据，并制作双轮车头盔检测数据集； S2、双轮车头盔检测数据集的预处理； S3、构建基于改进FCOS和关联分组的目标检测模型 S3-1、对输入的图像进行特征提取，输出多尺度的特征图； S3-2、输入多尺度的特征图，实现局部双向的特征融合； S3-3、构建包含4个分支的检测器，实现分类，回归，中心度和分组，输出为类别标签、边界框和分组信息，计算分类、回归、中心度和分组的损失； 包括如下子步骤： S3-3-1、真值为Bi，其中和分别是真值边界框的左上角和右下角顶点坐标，ci是真值的类别，使用中心采样策略在真值边界框中定义子框cx-rs,cy-rs,cx+rs,cy+rs，其中cx,cy是真值边界框的中心，s是特征图的步长，r是超参数，r＝1.5；对于特征图上的每个位置x,y，按照如下公式将其映射到原始图像上： 若位于上述子框内，则认为是正样本，类别标签c*的值为该真值边界框的类别标签的值；否则为负样本，c*＝0； S3-3-2、以4维实向量t*＝l*,t*,r*,b*作为所述位置的回归目标，其中l*,t*,r*,b*为到边界框四条边的距离，l即left，t即top，r即right，b即bottom；计算t*所使用的公式如下： 其中，使用特征图的步长s对回归目标进行缩放，由于4个回归值l*,t*,r*,b*都要大于0，最后输出采用ReLU来保证回归值的范围为0，+∞； S3-3-3、检测器包括两个独立的4层卷积网络，卷积核大小为3×3，通道数为256；其一分支用于产生类别预测结果和分组预测结果，该分支简称为分类分支；另一分支用于产生中心度和边界框的回归结果，其中，中心度记为center-ness，此分支简称为回归分支； S3-3-4、检测器网络的最后一层预测一个C维的向量p作为类别标签和一个4维向量t＝l,t,r,b表示边界框的坐标；其中，C表示类别数，分别为佩戴头盔的骑乘人员头部、未佩戴头盔的骑乘人员头部、双轮车、行人、自行车；分类检测器最终输出H×W×5的特征向量，回归检测器最终输出H×W×4的特征向量； S3-3-5、所述步骤S3-3-3中，center-ness用于抑制偏离目标中心位置所预测的低质量检测框，输出为H×W×1的特征向量；center-ness预测一个值：当前位置与预测物体中心点之间的归一化距离，分布在[0，1]之间；对于给定的回归目标t*＝l*,t*,r*,b*，center-ness可公式化表示为： 其中，由于center-ness的值分布在0～1之间，训练采用BinaryCrossEntropyloss,在测试阶段，最终的置信度为center-ness和分类概率的乘积； S3-3-6、通过限制不同特征图上目标的回归值，实现不同尺度的目标在特征图上的分配；每个特征图Pi设定回归值的下限值mi-1和上限值mi，i∈{3,4,5,6,7}，m2，m3，m4，m5，m6，m7分别设定为0，64，128，256，512，+∞,使用公式可表示为： maxl*,t*,r*,b*＜miandmaxl*,t*,r*,b*＞mi-1 回归得到的边界框经过非极大值抑制的处理，保留效果最好的预测边界框； S3-3-7、所述步骤S3-3-3中的分组预测，将检测任务和分组任务整合在一个网络结构中，与分类检测器共享卷积层的参数，经过embedding层的卷积计算得到目标对应的embedding特征向量，具体为H×W×128； S3-3-8、所述步骤S2中，分组ID标签应用于分组检测器，定义损失函数Groupingloss衡量预测的标签和真值的标签分组情况的匹配度；检索图像中所有双轮车和骑乘人员头部在相应的真值位置的标签，然后比较每辆双轮车之间的标签，属于同一辆双轮车的标签相同，反之，属于不同双轮车的标签不同； S4、利用随机梯度下降法对构建的基于改进FCOS和关联分组的目标检测模型进行优化。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘新区白杨街道2号大街1158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”。