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！

龙图腾网获悉东南大学申请的专利一种基于深度学习融合模型的车辆类型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：CN116863412B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310664169.6，技术领域涉及：G06V20/54；该发明授权一种基于深度学习融合模型的车辆类型识别方法是由赵池航;张子怡;马欣怡设计研发完成，并于2023-06-06向国家知识产权局提交的专利申请。

本一种基于深度学习融合模型的车辆类型识别方法在说明书摘要公布了：本发明公开了一种基于深度学习融合模型的车辆类型识别方法，包括：构建高速公路场景中车辆顶视图图像数据集；构建基于深度学习的高速公路场景中车辆类型检测与识别方法CenterNet，并使用crop函数裁剪车辆目标区域；构建基于深度学习的车辆类型识别模型VTR‑NASNetLarge，获取一维特征向量FN；构建基于深度学习的车辆类型识别模型VTR‑VGG16，获取一维特征向量FV；构建基于深度学习的车辆类型识别模型VTR‑MobileNetV2，获取一维特征向量FM；将特征向量FN、FV、FM并联融合，构建基于深度学习车辆类型识别融合模型DFN‑VTR进行高速公路场景中车辆收费车辆类型识别。本发明提出获取车辆顶视图中的车辆目标区域并构建深度学习融合模型，可更精确地实现车辆类型的识别，对车辆信息感知提供技术支持。

本发明授权一种基于深度学习融合模型的车辆类型识别方法在权利要求书中公布了：1.一种基于深度学习融合模型的车辆类型识别方法，其特征在于：包括如下步骤： S1：构建高速公路场景中车辆顶视图图像数据集； S2：构建基于深度学习的车辆类型检测与分类模型CenterNet，并使用crop函数获取车辆顶视图中的车辆目标区域；具体步骤如下： S2‑1：将车辆顶视图图像数据重整为512×512输入CenterNet模型； S2‑2：将CenterNet模型主干提取网络更换为ResNet网络进行特征图提取； S2‑3：使用三次通道数为256、128、64的反卷积对S2‑2中得到的特征图进行上采样，输出尺寸在128×128×64的高分辨率特征图； S2‑4：将上步获得的高分辨率特征图进行三个不同卷积后拆分为热力图预测、中心点宽高预测三支；其中，热力图预测输出特征图尺寸为128×128×10，用于判断一个热力点是否有目标车辆存在及车辆所属收费类型；中心点预测输出特征图尺寸为128×128×2，用于判断目标车辆中心距离热力点偏移情况；宽高预测输出特征图尺寸为128×128×2，用于判断目标车辆宽高； S2‑5：使用crop函数对检测结果进行ROI提取与裁剪，获得车辆目标区域； S3：构建基于深度学习的车辆类型识别模型VTR‑NASNetLarge，获取一维特征向量FN； S4：构建基于深度学习的车辆类型识别模型VTR‑VGG16，获取一维特征向量FV； S5：构建基于深度学习的车辆类型识别模型VTR‑MobileNetV2，获取一维特征向量FM； S6：将特征向量FN、FV、FM融合，构建基于深度学习车辆类型识别融合模型DFN‑VTR，进行车辆类型识别；具体方法为：对VTR‑NASNetLarge、VTR‑VGG16、VTR‑MobileNetV2三个车辆类型识别模型提取到的特征向量FN、FV、FM采用并联融合规则，形成DFN‑VTR车辆类型识别模型；其中，并联融合规则的具体内容为：对于VTR‑NASNetLarge、VTR‑VGG16、VTR‑MobileNetV2三个模型，去除原结构全连接层与Dropout层，以适应一维输出，其次将得到的一维特征向量FN、FV、FM并联融合得到1×1×5824的特征，然后将合并后的一维特征向量作为输入，重新训练融合模型全连接层，并再次加入Dropout层防止过拟合，加入softmax层并修改识别种类为车辆类型输出分类结果，最后得到融合模型DFN‑VTR。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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”。