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！

龙图腾网获悉南京大学申请的专利基于物理信息引导深度图像先验的信号灯时长估计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：CN121600496B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202610133294.8，技术领域涉及：G06V20/58；该发明授权基于物理信息引导深度图像先验的信号灯时长估计方法是由陈彩华;茅谨怡;王正礼;郑振杰;王庆阳;刘杉设计研发完成，并于2026-01-30向国家知识产权局提交的专利申请。

本基于物理信息引导深度图像先验的信号灯时长估计方法在说明书摘要公布了：本发明公开了一种基于物理信息引导深度图像先验的信号灯时长估计方法，包括在目标进口道构建时空网格，将车辆位置与速度信息映射为稀疏队列轮廓图像；构建深度图像先验模型，以稀疏图像为输入，通过融合重构、交通波物理约束与信号控制信息的复合损失进行迭代优化，修复得到完整队列轮廓；基于停止线处队列时间序列识别信号灯状态，合并连续时段并计算红灯、绿灯及周期时长；本发明将信号灯时长估计重构为稀疏队列轮廓图像修复问题，结合物理信息引导的深度图像先验模型，无需依赖大量历史标注信息，即可在固定配时和动态配时场景中实现周期级的信号灯时长估计。

本发明授权基于物理信息引导深度图像先验的信号灯时长估计方法在权利要求书中公布了：1.一种基于物理信息引导深度图像先验的信号灯时长估计方法，其特征在于，包括以下步骤： S1、将信号控制交叉口中给定信号相位对应的目标进口道，沿车辆行驶方向自上游至停止线等距划分为多个空间单元，并将研究时间区间等时间间隔离散为多个时刻，构建时空网格； S2、采集所述目标进口道上车辆的位置信息和速度信息，并将所述位置信息和速度信息映射至所述时空网格，根据预设速度阈值对车辆状态进行二值化标记，生成队列轮廓，并结合数据可观测性信息得到稀疏队列轮廓图像； S3、构建深度图像先验模型，以所述稀疏队列轮廓图像作为输入，通过包含重构损失、交通波物理损失和信号灯控制损失的复合损失函数对所述深度图像先验模型进行迭代优化，修复得到完整队列轮廓图像； S4、基于所述完整队列轮廓图像中停止线对应空间单元的时间序列变化，识别各时刻的信号灯状态，对连续相同信号灯状态的时间段进行合并，并计算对应的红灯时长、绿灯时长及信号周期时长； 步骤S3所述的深度图像先验模型的构建包括： 构建深度图像先验生成器网络，其中表示网络的可训练参数，所述生成器网络采用对称的编码器-解码器结构，并由个下采样阶段与个与其在空间尺度上对称的上采样阶段构成；在编码器中，第个下采样阶段的输入特征表示为，其通道数定义为： ；其中，基础通道数，为通道上限； 每个下采样阶段依次包括保持空间分辨率不变的步长为1的卷积块以及使空间分辨率减半并提升通道数的步长为2的卷积块： ；；其中，表示步长为1、保持空间分辨率不变的卷积，表示步长为2、使空间分辨率减半的卷积，k表示卷积核尺寸，s表示卷积步长，BN表示批量归一化操作，LeakyReLU表示带泄漏修正的线性整流单元激活函数；同时将通道数提升至；第个下采样阶段可写为：；在解码器中，各上采样阶段首先对输入特征进行2倍最近邻插值上采样，随后通过两个步长为1的卷积块、进行特征细化与通道恢复： ；其中，为解码阶段对应的特征，Upsample表示最近邻插值上采样操作；直至获得最高分辨率特征；通过卷积层将所述最高分辨率特征映射为单通道重建结果，并经Sigmoid函数获得归一化输出： ；其中，表示卷积核尺寸为1×1、步长为1的卷积操作，表示Sigmoid激活函数； 对所述归一化输出进行阈值二值化得到修复后的队列轮廓矩阵；所述生成器网络的输入Pin由实际观测到的稀疏队列轮廓矩阵P与加入正则化扰动的随机噪声δ共同构成： ；其中，和分别表示扰动噪声的均值和标准差。

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南京大学，其通讯地址为：210093 江苏省南京市鼓楼区汉口路22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。