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！

龙图腾网获悉中电鸿信信息科技有限公司申请的专利一种基于图神经网络的鉴别车辆是否压线的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：CN115359458B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202211081477.8，技术领域涉及：G06V20/58；该发明授权一种基于图神经网络的鉴别车辆是否压线的方法是由叶文武设计研发完成，并于2022-09-06向国家知识产权局提交的专利申请。

本一种基于图神经网络的鉴别车辆是否压线的方法在说明书摘要公布了：本发明公开了一种基于图神经网络的鉴别车辆是否压线的方法，采集大量各种交通场景下各种角度拍摄的图像，对其进行车辆和车道线实线，以及压线情况标注；基于图像与标注结果训练图像实例分割算法和图神经网络算法；采用训练后的图像实例分割算法和深度学习中的图神经网络算法鉴别车辆是否压线，其中，图像实例分割算法用于车辆和车道线实线的检测识别，图神经网络输出车辆压线的概率，当车辆压线的概率超过预设阈值时，输出压线的车辆节点和车道线节点。本发明可提升压线检测的准确率，鲁棒性高，避免了传统基于坐标点根据不同场景设定规则的判定方式，更加智能化。

本发明授权一种基于图神经网络的鉴别车辆是否压线的方法在权利要求书中公布了：1.一种基于图神经网络的鉴别车辆是否压线的方法，其特征在于，包括： 步骤一、采集大量各种交通场景下各种角度拍摄的图像，对其进行车辆和车道线实线，以及压线情况标注； 步骤二、基于步骤一的图像与标注结果训练图像实例分割算法和图神经网络算法，包括： S1、读取标注数据以及对应图像； S2、将图像输入到实例分割算法模型的主干网络中，得到特征图； S3、将特征图输入至目标检测分支进行车辆目标框以及车道线实线目标框的预测； S4、分别计算出S3中车辆及车道线实线的目标框的预测结果与S1中读取的数据中的标注目标框之间的误差，记为Lobj和Lcls，以此分别表示预测框损失函数和预测框类别损失函数； S5、将目标检测分支的输出的特征图输入至分割分支进行目标框中的车辆和车道的位置实例分割，得到目标框中的车辆和车道线的分割预测结果； S6、计算出S5中车辆及车道线实线的实例分割预测结果与S1中读取的标注掩膜之间的误差，记为Lmask，表示实例分割预测结果损失函数； S7、根据S1中的标注数据构建邻接矩阵其邻接矩阵的值代表着第i个车辆或车道线和第j个车辆或车道线之间的压线关系； S8、将S1中标注车辆和车道线位置的掩膜对应在S2中特征图中的掩膜区域内的所有特征向量进行聚合，得到特征向量矩阵E，含Ncar+Nline个特征向量Ei，Ei为车辆和车道线压线预测图中的节点，其中，Ncar表示标注数据中标注出来的车辆的个数，Nline表示标注数据中标注出来的实线车道线的个数； S9、将S8中Ncar+Nline个特征向量输入至图神经网络Fθ,E,θ表示此图神经网络的参数，输入为在S8中得到的特征向量矩阵E，图神经网络输出结果记为Eout； S10、将S9中得到的图神经网络的输出结果进行转置，得到 S11、将S9中的Eout和S10中的进行矩阵相乘：得到车辆和车道线压线预测图的邻接矩阵 S12、计算S11中预测邻接矩阵和S7中的邻接矩阵计算损失函数，记为Lgraph； S13、计算总损失函数Ltotal＝Lgraph+Lmask+Lobj+Lcls，以总损失函数Ltotal最小为目标更新图神经网络Fθ,E中的参数θ以及分割分支、目标检测分支和主干网络中的参数； S14、将S13中优化过的模型结构和参数存储，以用作算法预测； 步骤三、采用训练后的图像实例分割算法和深度学习中的图神经网络算法鉴别车辆是否压线，其中，图像实例分割算法用于车辆和车道线实线的检测识别，图神经网络输出车辆压线的概率，当车辆压线的概率超过预设阈值时，输出压线的车辆节点和车道线节点。

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中电鸿信信息科技有限公司，其通讯地址为：210029 江苏省南京市鼓楼区汉中路268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。