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！

龙图腾网获悉北京邮电大学申请的专利一种车联网中视频语义驱动的资源分配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：CN112637816B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202011457916.1，技术领域涉及：H04W72/50；该发明授权一种车联网中视频语义驱动的资源分配方法是由郭彩丽;陈九九;刘芳芳;杨洋;朱美逸设计研发完成，并于2020-12-11向国家知识产权局提交的专利申请。

本一种车联网中视频语义驱动的资源分配方法在说明书摘要公布了：本发明公开了一种车联网中视频语义驱动的资源分配方法，属于车联网领域。首先构建车辆端与边缘服务器端视频语义通信的车联网系统模型；然后统计实验数据并结合回归方法，构建视频语义驱动的资源分配指导模型；再利用视频码率计算单位车辆的检测准确率，并将最大化单位车辆的检测准确率为优化目标，构建车联网中视频语义驱动的资源分配优化模型；并通过分析目标函数的单调性实现模型的简化；在视频语义驱动的资源分配优化模型的基础上，构建强化Q学习算法模型；通过构建状态空间、动作空间和环境反馈，并执行动作、观测状态、获得奖励来训练求解资源分配优化模型。本发明考虑了不同视频的语义差异和车联网非稳态信道条件，优化了车辆端到边缘服务器端视频语义任务的频谱分配，实现了平均目标检测精度最大化。

本发明授权一种车联网中视频语义驱动的资源分配方法在权利要求书中公布了：1.一种车联网中视频语义驱动的资源分配方法，其特征在于，具体步骤包括： 构建车辆端与边缘服务器端视频语义通信的车联网系统模型； 系统模型包括边缘服务器和辆装有摄像头的智能网联汽车； 整个系统的通信和计算过程如下：1车辆发起视频传输请求，对所采集的视频进行预处理，获取视频信息并将其上传到边缘服务器，同时边缘服务器获取信道状态信息CSI；2边缘服务器获取视频信息和CSI，根据简化和训练后的视频语义驱动的资源分配优化模型得到最优资源分配结果；3车辆根据资源分配的结果完成视频的编码压缩，通过无线信道传输到边缘服务器；4边缘服务器将接收到的视频进行解码，对视频进行语义理解并将结果反馈给各车辆； 简化和训练后的视频语义驱动的资源分配优化模型具体生成方式如下： 步骤一、构建视频语义驱动的资源分配指导模型； 步骤101、构建视频量化参数QP值和压缩率的关系； 采用H.265视频编码压缩标准对视频数据进行编码压缩处理，使得视频传输的码率小于或等于带宽限制下的传输速率；压缩编码过程中不同的QP值对应不同的压缩步长，QP值越小，压缩步长越小，视频码率越接近原始视频码率，传输所需的带宽越大； 步骤102、构建压缩率和检测准确率的关系； 采用基于区域的快速卷积神经网络FasterR-CNN算法对Caltech数据集和Waymo数据集中不同压缩程度的视频进行目标检测，目标类型主要包括行人、车辆和交通信号灯；其中，两个数据集中20%的视频数据用于测试，80%的视频数据用于训练； 步骤103、构建QP值和检测准确率的关系； 统计步骤102中不同压缩率所对应的QP值以及对应的检测准确率的数据，拟合出如下的指数关系模型： 表示视频量化参数QP值，表示检测精度，为模型参数； 步骤104、构建QP值和视频码率的关系； 拟合出如下的指数关系模型： 为第辆车所采集视频的码率，为模型参数，表示以自然常数为底的指数函数； 步骤105、构建检测准确率和视频码率的关系； 联合步骤104和步骤105所得的关系模型，可得检测准确率与码率的关系模型如下： 码率的大小与传输过程中的带宽资源有关，至此得到了面向视频语义理解准确率的带宽资源分配指导模型； 步骤二、利用视频码率计算单位车辆的检测准确率，并将最大化单位车辆的检测准确率为优化目标，构建车联网中视频语义驱动的资源分配优化模型； 优化模型如下所示： 为车辆总数，为目标类型总数；表示不同检测类型的检测目标在语义分析任务中的重要性；表示原视频中待检测的目标数量，表示能正确检测到的目标数量；是为每个车辆分配的带宽； 约束条件C1表示传输视频的码率受到车辆的传输速率限制，其中，每辆车在时隙的传输速率如下所示： 为每个车辆分配的带宽，、和分别表示发射功率、信道增益和噪声功率； 约束条件C2表示所有车辆分配的带宽之和不超过总带宽； 约束条件C3表示每个车辆分配的带宽不小于限制； 约束条件C4表示每种目标检测的精度不小于阈值； 约束条件C5表示视频传输时间段；，为车辆对视频进行预处理和边缘服务器获取CSI耗时，为边缘服务器得到资源分配结果耗时；为系统完成一次视频传输的总时长； 步骤三、视频语义驱动的资源分配优化模型的简化； 由于步骤一中所求解的模型参数，且，又因为，是求导运算符，所以函数在定义域中单调增加，当时取最大值；因此，资源分配问题P1可以转换为： 步骤四、在视频语义驱动的资源分配优化模型的基础上，构建并训练强化Q学习算法模型； 步骤401、设置超参数； 参数设定如下：1学习速率取0.1，让算法保留历史训练结果的90%，更注重过往经验；2折扣因子取0.9，让算法考虑下一步效益的90%，更重视长远利益；3策略中的取0.8，让算法有20%的尝试空间，避免陷入局部最优； 步骤402、构建状态空间； 状态空间为个车辆分配的带宽； 步骤403、构建动作空间； 动作空间为个车辆带宽的分配变化；为简化模型中的Q值表，设带宽变化的最小步长为总带宽的1%；当时，每个动作对应只有两个车辆的带宽增减，因此整个动作空间一共有六种动作组合的方式，可表示为,其中表示； 步骤404、构建环境反馈奖励函数； 奖励函数，则环境反馈的奖励值为下一状态和当前状态的的差值，由于训练目标是奖励函数取得最优值，因此希望往不断增大的方向优化，当减小时，奖励函数为负值，获得负奖励；当增大时，奖励函数为正值，获得正奖励； 将边界条件作为回合结束点； 步骤405、对强化Q学习算法模型进行训练，获得简化和训练后的视频语义驱动的资源分配优化模型。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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。