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！

龙图腾网获悉钧捷科技(北京)有限公司申请的专利星光级照度下高清晰彩色成像的车载CMOS夜视系统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：CN119364201B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202411875382.2，技术领域涉及：H04N23/88；该发明授权星光级照度下高清晰彩色成像的车载CMOS夜视系统是由陈亮;张禹丰;赵红;李世伦设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本星光级照度下高清晰彩色成像的车载CMOS夜视系统在说明书摘要公布了：本发明涉及车载影像技术领域，更具体地说，涉及星光级照度下高清晰彩色成像的车载CMOS夜视系统，用于解决现有技术通过图像拼接增大车载夜视系统视场范围，并融合可见光与热成像图像，使最终图像信息更丰富且贴近实际场景，但不能实现对象和场景的精准识别与高质量优化，不能自动适应并优化图像显示的问题；本发明通过AI图像处理模块能够即时处理图像，快速响应场景变化，提供即时优化效果，自动识别和分析图像内容，智能调整显示效果，减少人工干预，利用深度学习技术，实现对象和场景的精准识别与高质量优化，支持多种优化功能，自动适应并优化图像显示，适用于各种复杂环境。

本发明授权星光级照度下高清晰彩色成像的车载CMOS夜视系统在权利要求书中公布了：1.星光级照度下高清晰彩色成像的车载CMOS夜视系统，其特征在于，包括车载夜视管理平台、CMOS传感器模块、环境感知控制模块、图像增强模块、色彩还原模块以及AI图像处理模块； CMOS传感器模块，采用增强型CMOS传感器，实现在低光环境下捕捉高清晰度图像； 环境感知控制模块，实时监测外部环境参数，外部环境参数包括光照强度、温度、湿度以及气压，根据监测结果自动调整成像参数； 图像增强模块，通过亮度提升算法增强图像的亮度，通过对比度优化技术优化图像的对比度； 色彩还原模块，通过色彩校正和白平衡调整功能，实现在低光条件下恢复图像的真实色彩并保持色彩准确性； AI图像处理模块，利用AI算法识别和分析图像中的对象和场景，根据分析结果实时优化图像显示效果； 所述AI图像处理模块识别分析图像对象与场景并优化显示效果的具体过程如下： 获取还原后的图像数据，对还原后的图像数据进行预处理； 使用卷积神经网络提取图像中的特征，提取图像中特征的实现过程如下： 通过卷积层对输入图像进行卷积操作，提取图像的局部特征，卷积操作的计算公式如下： ； 其中yij是输出特征图中的一个元素，xi+m,j+n是输入图像中的一个元素，wmn是卷积核中的权重，b是偏置项，M和N是卷积核的大小； 通过池化层对输入图像进行平均池化操作，降低特征图的维度，平均池化操作通过在每个池化窗口中计算平均值来降低特征图的维度，假设输入特征图的大小为H×W×C，池化窗口的大小为k×k，步幅为s，则平均池化的数学表达式为： ； 其中yij是输出特征图中的一个元素，xi·s+m,j·s+n是输入特征图中的一个元素，k是池化窗口的大小，s是步幅； 通过全连接层将池化层输出的特征图展平为一维向量，假设输入特征图的大小为H×W×C，展平后的大小为N=H×W×C，全连接层的输出为M个神经元，则全连接层的数学表达式为： ； 其中yj是全连接层第j个神经元的输出，xi是输入特征图展平后的一维向量的第i个元素，wij是连接输入特征图第i个元素和全连接层第j个神经元的权重，bj是全连接层第j个神经元的偏置项； 使用FasterR-CNN目标检测算法识别和分析图像中的对象和场景，FasterR-CNN是一种两阶段的目标检测算法，包括区域提议网络和分类与回归网络； 区域提议网络通过在特征图上滑动一个锚点来生成候选区域，每个锚点预测k个候选区域的边界框； 锚点生成：假设特征图的大小为H×W，每个位置生成k个预定义的锚点，每个锚点由其中心坐标xa,ya和宽度wa、高度ha表示，这些参数是根据预设的尺度和长宽比来计算的，并且对于所有图像都是固定的； 边界框回归：对于每一个锚点，区域提议网络预测k个候选区域的边界框，这里的边界框由四个参数tx、ty、tw和th表示，其中tx和ty代表边界框中心相对于锚点中心的偏移量，tw和th代表边界框宽度和高度相对于锚点宽度和高度的对数缩放比例； 边界框的偏移量并不是直接从图像中获得的，而是通过模型学习和预测得到的，这些偏移量表示的是相对于预设锚点的调整值，而不是直接的坐标或尺寸； 根据图像识别和分析的结果，采取相应措施来实时优化图像显示效果； 所述环境感知控制模块实时监测外部环境参数并根据监测结果自动调整成像参数的具体过程如下： 获取外部环境参数，生成采集周期，将采集周期等分为m个连续的子周期，并标记出每一个字子周期的中点时刻，获得m个中点时刻； 以m个中点时刻为基点，分别向前和向后等时长扩展，标记出s-1个扩展时刻，并将中点时刻和s-1个扩展时刻汇总后，获得s个检测时刻； 通过光照强度传感器分别测量在获取在s个检测时刻的环境光照强度值，获得s个检测环境光照强度值，并将s个检测环境光照强度值累加后求平均，获得m个子环境光照强度值； 子环境光照强度值的表达式为： ； 式中，GZzm为第m个子周期的子环境光照强度值，GZjcmn为第m个子周期的第n个检测环境光照强度值； 去掉子环境光照强度值的最大值和最小值，将余下的m-2个子环境光照强度值累加后求平均，获得环境光照强度值均值； 环境光照强度值均值的表达式为： ； 式中，GZjz为环境光照强度值均值，GZzp为第p个子周期的子环境光照强度值； 获取环境光照强度值均值GZjz，使用计算出环境光照强度值均值的方法同理可得到环境温度值均值WDjz、环境湿度值均值SDjz、环境气压值均值QYjz，通过以下公式计算环境监测评定系数HJP： ； 其中b1、b2、b3以及b4均为预设比例因子系数，b4＞b3＞b2＞b1＞0，将环境监测评定系数HJP与预设第一环境监测评定系数阈值和预设第二环境监测评定系数阈值进行比较，预设第一环境监测评定系数阈值小于预设第二环境监测评定系数阈值： 若环境监测评定系数HJP小于预设第一环境监测评定系数阈值，则生成一级调整信号并发送至车载夜视管理平台； 若环境监测评定系数HJP大于等于预设第一环境监测评定系数阈值，且环境监测评定系数HJP小于预设第二环境监测评定系数阈值，则不生成信号； 若环境监测评定系数HJP大于等于预设第二环境监测评定系数阈值，则生成二级调整信号并发送至车载夜视管理平台； 车载夜视管理平台在接收到一级调整信号后立即采取相应调整策略对成像参数进行自动调整； 车载夜视管理平台在接收到二级调整信号后立即采取相应调整策略对成像参数进行自动调整； 所述图像增强模块通过亮度提升算法和对比度优化技术来增强和优化图像的亮度和对比度的具体过程如下： 获取增强型CMOS传感器捕获的原始图像数据，在使用亮度提升算法增强图像的亮度时，先进行线性亮度调整提高图像的整体亮度，再进行非线性亮度调整来优化图像特定区域的亮度分布； 线性亮度调整的实现过程如下：遍历图像中的每个像素，将每个像素的亮度值增加一个亮度增量，如果增强后的图像像素值超过最大亮度值，则将其截断为最大亮度值； 线性亮度调整过程中用到的计算公式如下： Inewx,y=Ix,y+∆L； 其中Inewx,y是增强后的图像像素值，Ix,y是原始图像的像素值，∆L是亮度增量，∆L＞0； 非线性亮度调整的实现过程如下：遍历经过线性亮度调整后的图像中的每个像素，确定需要优化的图像特定区域，将图像特定区域中每个像素的亮度值应用幂律变换公式，如果增强后的图像像素值超过最大亮度值，则将其截断为最大亮度值； 非线性亮度调整过程中用到的计算公式如下： ； 其中Inewx,y是增强后的图像像素值，Ix,y是原始图像的像素值，Imax是图像的最大亮度值，γ是幂律变换的指数； 在使用对比度优化技术优化图像的对比度时，先进行直方图均衡化改进图像的整体对比度，再进行对比度拉伸来调整图像特定区域的对比度； 直方图均衡化的实现过程如下：计算原始图像的亮度直方图，得到原始图像的最小和最大亮度值，遍历图像中的每个像素，将每个像素的亮度值映射到新的亮度范围； 对比度拉伸的实现过程如下：计算原始图像的亮度直方图，得到原始图像的最小和最大亮度值，遍历经过直方图均衡化后的图像中的每个像素，确定需要调整的图像特定区域，将图像特定区域中每个像素的亮度值映射到新的亮度范围； 直方图均衡化和对比度拉伸中均用到以下计算公式： ； 其中Inewx,y是增强后的图像像素值，Ix,y是原始图像的像素值，Imin和Imax分别是原始图像的最小和最大亮度值，Lmin和Lmax分别是目标亮度范围的最小和最大值； 所述色彩还原模块在低光条件下恢复图像的真实色彩的具体过程如下： 获取增强后的图像数据，在使用色彩校正功能调整图像的颜色时，先使用线性色彩校正方法调整图像的全局颜色比例，再使用非线性色彩校正方法优化图像特定区域的颜色表现； 线性色彩校正的实现过程如下：确定色彩矩阵，遍历图像中的每个像素，将每个像素的RGB值乘以色彩校正矩阵，得到校正后的RGB值； 线性色彩校正过程中用到的计算公式如下： ； 其中Rnew、Gnew、Bnew分别是校正后的红色、绿色和蓝色通道值，R、G、B分别是原始图像的红色、绿色和蓝色通道值，cmn是色彩校正矩阵的元素，用于调整颜色通道之间的比例； 非线性色彩校正的实现过程如下：确定非线性校正函数，遍历经过线性色彩校正方法调整后的图像中的每个像素，确定需要优化的图像特定区域，将图像特征区域中每个像素的RGB值分别应用非线性校正函数，得到校正后的RGB值； 非线性色彩校正过程中用到的计算公式如下： Rnew=fR，Gnew=fG，Bnew=fB； 其中Rnew、Gnew、Bnew分别是校正后的红色、绿色和蓝色通道值，R、G、B分别是原始图像的红色、绿色和蓝色通道值，f·是非线性校正函数； 边界框的偏移量获得过程如下： 训练阶段：在特征图上的每个位置生成多个预定义的锚点，这些锚点有不同的尺度和长宽比； 将这些锚点与标注的真实边界框进行匹配，找到最接近的锚点作为正样本； 对于每一个正样本锚点，计算其相对于对应真实边界框的偏移量tx、ty、tw、th，计算公式如下： ； 其中x表示的是真实边界框中心点在图像宽度方向上的位置，y表示的是真实边界框中心点在图像高度方向上的位置，w、h为真实边界框的宽度和高度； 使用每一个正样本锚点相对于对应真实边界框的偏移量来训练区域提议网络，使其学习预测合理的偏移量； 推理阶段：在网络推理时，区域提议网络会为每个锚点预测一组偏移量tx、ty、tw、th，利用预测的偏移量，结合原始锚点参数xa、ya、wa、ha，通过逆变换公式计算得到最终的预测边界框参数x、y、w、h，逆变换公式如下： ； 区域提议网络生成的一系列候选区域，通过ROIPooling层将不同大小的候选区域固定到相同的尺寸，输入到分类与回归网络中进行分类和边界框回归； 分类：假设有C个类别，分类网络输出C+1个类别的概率分布，其中额外的一个类别用来表示背景，即没有目标的区域； 边界框回归：分类网络还负责对每个候选区域进行边界框回归，输出一组新的边界框偏移量tx*、ty*、tw*、th*，用于进一步微调候选区域的位置和尺寸。

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钧捷科技(北京)有限公司，其通讯地址为：100085 北京市昌平区回龙观镇龙域中街1号院1号楼1单元603室；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。