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！

龙图腾网获悉西安电子科技大学芜湖研究院申请的专利一种基于EKF多模型融合的车道线方程拟合及曲率计算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：CN114596550B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202210195953.2，技术领域涉及：G06V20/58；该发明授权一种基于EKF多模型融合的车道线方程拟合及曲率计算方法是由杨华;蒋立伟;檀生辉;吴勇;王东;谷涛涛;姜敏;吴二导;伍旭东;刘恒;王凯;胡珍珠;何志维;齐红青;孙鸿健设计研发完成，并于2022-03-01向国家知识产权局提交的专利申请。

本一种基于EKF多模型融合的车道线方程拟合及曲率计算方法在说明书摘要公布了：本发明公开了一种基于EKF多模型融合的车道线方程拟合及曲率计算方法，包括下列步骤：A：图像信息采集；B：图像预处理；C：逆透视变换车道线检测；D：基于Ultra‑Fast‑Lane‑Net的车道线检测；E：通过改进扩展卡尔曼滤波算法进行车道线坐标点融合；F：车道线三次方程构建；G：曲率计算。步骤E中，构建系统状态方程时将深度学习模型在t时刻相对于t‑1时刻的变化量加入到其中，改进扩展卡尔曼滤波算法。本发明让两种检测结果能够良好融合，解决了传统算法车道线缺少先验视觉物体的弊端，同时相对于深度学习方法，该融合模型具有更小的系统误差。

本发明授权一种基于EKF多模型融合的车道线方程拟合及曲率计算方法在权利要求书中公布了：1.一种基于EKF多模型融合的车道线方程拟合方法，其特征在于：包括下列步骤： A：图像信息采集； B：图像预处理； C：逆透视变换车道线检测； D：基于Ultra-Fast-Lane-Net的车道线检测； E：通过改进扩展卡尔曼滤波算法进行车道线坐标点融合； F:车道线三次方程构建； 步骤E中，结合车辆行驶方程构建系统状态方程、系统观测方程,构建系统状态方程时将深度学习模型在t时刻相对于t-1时刻的变化量加入到其中，得到改进扩展卡尔曼滤波融合算法，将步骤C和D中分别检测出的两组车道线标记点坐标经改进扩展卡尔曼滤波融合算法融合，所述步骤F利用最小二乘法对融合后的车道线标记点坐标进行三次曲线拟合，完成对车道线的检测； 所述步骤E中，由于逆透视变换和深度学习检测模型无固定模型公式，因此改进系统状态方程如下： 其中，为融合系统模型t时刻输出，为深度学习模型在t时刻相对于t-1时刻的变化量，为深度学习模型在t时刻的输出，为系统状态误差矩阵；深度学习模型采用Ultra-Fast-Lane-Net模型； 系统观测方程为： 其中，为观测值误差矩阵，测量值与状态值为同一个变量，为单位矩阵，雅可比矩阵、误差协方差矩阵依据现有公式计算； 所述步骤C具体包括： 1首先在实验中采集单张车道图片，根据原图中目标点和透视图目标点的关系确定逆透视变换矩阵系数和透视变换矩阵系数； 2在步骤C中，对处理后的图像信息进行逆透视变换，采用之前实验确定的逆透视变换矩阵系数，得到逆透视变换图像； 3通过滑动窗口获取车道线标记点，即对逆透视变换图像进行标记点识别； 4对具有车道线标记点的逆透视变换图像再进行透视变换，获取原车道线标记点坐标； 所述步骤D具体包括： 1在使用前先获取车道线数据集，以此对Ultra-Fast-Lane-Net模型进行训练，得到训练好的Ultra-Fast-Lane-Net模型； 2在步骤D中，将处理后的图像信息输入训练后的Ultra-Fast-Lane-Net模型，由此输出车道线标记点坐标。

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西安电子科技大学芜湖研究院，其通讯地址为：241000 安徽省芜湖市弋江区文津西路8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。