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！

龙图腾网获悉华南理工大学申请的专利基于深度学习的低光照环境车道线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：CN117935202B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202410127700.0，技术领域涉及：G06V20/56；该发明授权基于深度学习的低光照环境车道线检测方法是由杜启亮;吴亦鸣;田联房设计研发完成，并于2024-01-30向国家知识产权局提交的专利申请。

本基于深度学习的低光照环境车道线检测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的低光照环境车道线检测方法，包括：获取车道线数据集TuSimple并进行预处理，划分训练集与验证集；用训练集训练构建的车道线检测网络，并用验证集筛选得到最优的车道线检测网络模型；获取多曝光图像数据集SCIE并用该数据集对构建的低光照增强网络进行训练，筛选得到最优的低光照增强网络模型；将车道线检测网络模型和低光照增强网络模型进行量化与部署；用部署好的低光照增强网络模型对车载前置摄像头的输入图像进行光照增强得到增强图像，用车道线检测网络模型检测增强图像中的车道线，输出检测结果。本发明可更准确更快速地检测低光照环境下的车道线，进一步提高自动驾驶的安全性与可靠性。

本发明授权基于深度学习的低光照环境车道线检测方法在权利要求书中公布了：1.基于深度学习的低光照环境车道线检测方法，其特征在于，包括以下步骤： 1获取车道线数据集TuSimple； 2对TuSimple进行预处理，并按比例划分为训练集与验证集； 3把训练集送入构建的基于深度学习的车道线检测网络进行训练，并用验证集验证训练效果，以车道线检测网络在验证集上的表现确定最佳车道线检测网络模型权重参数，用其构建最优的车道线检测网络模型；其中，基于深度学习的车道线检测网络由ResNet50主干网络、CoT注意力模块和两个MLP模块构成，ResNet50主干网络用于提取输入车道线图像的特征，CoT注意力模块用于筛选ResNet50主干网络提取的特征中的关键特征，并输入到两个MLP模块中，一个MLP模块用于进行车道线的分类，另一个MLP模块用于进行车道线的定位； 当有图像输入时，车道线检测网络首先通过ResNet50主干网络对在步骤2中已分割的各行图像进行深度特征提取；接着，通过CoT注意力模块筛选关键特征，并将其转化为高维特征向量，再展平为一维行向量后，分别输入至两个MLP模块进行处理；两个MLP模块中，一个MLP模块负责车道线的定位，用于寻找车道线上各像素点的坐标，将该MLP模块的输出结果送至一个softmax模块中，该softmax模块输出的结果是输入的各行中，每行包含的各个坐标有车道线经过的概率，得到该行车道线预测结果的公式为： 1； 式中，为第行的定位预测值，是对输入行所有横坐标的遍历，是输入行中所有像素点的横坐标集合，是第行、第个横坐标处的概率值，即softmax模块在该处的输出值； 4获取多曝光图像数据集SICE，用于训练构建的低光照增强网络，得到最优的低光照增强网络模型；其中，低光照增强网络共有6层，前3层各由1个32通道的3*3卷积层构成，后3层各由2个32通道的3*3卷积层融合构成，并设计损失函数对其进行优化； 5对步骤3得到的最优的车道线检测网络模型与步骤4得到的最优的低光照增强网络模型进行量化与部署； 6将车辆前置摄像头采集的道路图像逐帧输入部署好的低光照增强网络模型中，得到增强图像，再将增强图像输入到部署好的车道线检测网络模型中，得到车道线检测结果，并将结果绘制在输入图像上，实现检测结果的可视化。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。