買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西安工業(yè)大學(xué)申請(qǐng)的專利一種基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119810193B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202411853762.6，技術(shù)領(lǐng)域涉及：G06T7/73；該發(fā)明授權(quán)一種基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法是由劉利強(qiáng);羅千慶;傅妍芳;楊定飛;張林魏;白小軍;趙世峰設(shè)計(jì)研發(fā)完成，并于2024-12-16向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法在說明書摘要公布了：本申請(qǐng)屬于無人機(jī)視覺定位技術(shù)領(lǐng)域。本申請(qǐng)?zhí)峁┮环N基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法。本公開實(shí)施例構(gòu)建一個(gè)共享權(quán)重的雙分支卷積神經(jīng)網(wǎng)絡(luò)，提取實(shí)時(shí)航拍圖像和數(shù)字影像地圖的特征，利用互相關(guān)操作生成響應(yīng)圖，并根據(jù)響應(yīng)值確定無人機(jī)的實(shí)際地理位置。顯著提升在GNSS拒止?fàn)顟B(tài)下的定位精度和魯棒性。通過對(duì)高分辨率地圖數(shù)據(jù)的裁剪與分塊處理，降低全幅地圖匹配的計(jì)算壓力，實(shí)現(xiàn)資源高效分配。針對(duì)航拍圖像和離線影像地圖在光照變化、尺度差異以及視角不同情況下的匹配困難，結(jié)合數(shù)據(jù)增強(qiáng)和動(dòng)態(tài)響應(yīng)圖篩選策略，提升模型對(duì)復(fù)雜環(huán)境的適應(yīng)能力。通過響應(yīng)圖中的最優(yōu)匹配區(qū)域與數(shù)字影像地圖的坐標(biāo)文件結(jié)合，利用仿射變換計(jì)算無人機(jī)經(jīng)緯度信息。

本發(fā)明授權(quán)一種基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法在權(quán)利要求書中公布了：1.一種基于孿生網(wǎng)絡(luò)的無人機(jī)視覺定位方法，其特征在于，該方法包括： 獲取無人機(jī)的實(shí)時(shí)航拍圖像和參考數(shù)字影像地圖，并對(duì)所述實(shí)時(shí)航拍圖像和所述參考數(shù)字影像地圖進(jìn)行預(yù)處理，以得到無人機(jī)航拍圖像、若干個(gè)參考數(shù)字影像地圖子塊及所述參考數(shù)字影像地圖子塊對(duì)應(yīng)的索引表； 將所述無人機(jī)航拍圖像和所有所述參考數(shù)字影像地圖子塊輸入至孿生網(wǎng)絡(luò)中進(jìn)行特征提取，分別得到小特征圖和大特征圖；其中，所述孿生網(wǎng)絡(luò)包括結(jié)構(gòu)相同且共享權(quán)重的第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)； 將所述小特征圖和所述大特征圖輸入至互相關(guān)模塊中，進(jìn)行互相關(guān)操作，得到響應(yīng)圖集； 篩選出所述響應(yīng)圖集中響應(yīng)值得分最高的最佳匹配響應(yīng)圖，并結(jié)合所述索引表查詢出與所述最佳匹配響應(yīng)圖相對(duì)應(yīng)的所述參考數(shù)字影像地圖子塊； 根據(jù)所述最佳匹配響應(yīng)圖的所述響應(yīng)值及對(duì)應(yīng)的所述參考數(shù)字影像地圖子塊，得到無人機(jī)的實(shí)際地理坐標(biāo)； 其中，所述第一卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的骨干網(wǎng)絡(luò)、SE模塊和多尺度融合模塊；所述骨干網(wǎng)絡(luò)包括依次連接的7×7卷積層、MaxPool層、Layer1模塊、Layer2模塊、Layer3模塊和Layer4模塊，所述Layer1模塊、所述Layer2模塊、所述Layer3模塊和所述Layer4模塊均由多個(gè)殘差塊組成； 將所述無人機(jī)航拍圖像和所有所述參考數(shù)字影像地圖子塊輸入至孿生網(wǎng)絡(luò)中進(jìn)行特征提取，分別得到小特征圖和大特征圖的步驟中，包括： 將尺寸為H×W的所述無人機(jī)航拍圖像依次輸入至所述第一卷積神經(jīng)網(wǎng)絡(luò)中的所述7×7卷積層和所述MaxPool層中，輸出尺寸為H4×W4，通道數(shù)為64的初始特征圖； 將所述初始特征圖依次輸入至所述Layer1模塊、所述Layer2模塊、所述Layer3模塊和所述Layer4模塊中，分別輸出尺寸為H4×W4、通道數(shù)為256的第一特征圖，尺寸為H8×W8、通道數(shù)為512的第二特征圖，尺寸為H16×W16、通道數(shù)為1024的第三特征圖，尺寸為H32×W32、通道數(shù)為2048的第四特征圖； 利用所述SE模塊計(jì)算所述第四特征圖的通道注意力權(quán)重，通過Squeeze操作，將所述第四特征圖，在空間維度上進(jìn)行全局平均池化，生成[1,1,C]的全局描述向量； 通過Excitation將生成的所述全局描述向量輸入至全連接層，學(xué)習(xí)每個(gè)通道的權(quán)重； 利用每個(gè)通道的權(quán)重重新校準(zhǔn)所述第四特征圖的各個(gè)通道，通過逐元素相乘的方式增強(qiáng)或抑制特定通道的信息，從而使網(wǎng)絡(luò)能夠有效捕獲關(guān)鍵特征； 利用所述多尺度融合模塊將所述第二特征圖和所述第三特征圖通過雙線性插值調(diào)整到與所述第四特征圖相同的尺寸，并在通道維度拼接，形成3584個(gè)通道的初始融合特征； 將所述初始融合特征通過一個(gè)1×1卷積降維到1024通道，輸出尺寸為H32×W32、通道數(shù)為1024通道的所述小特征圖； 將所述參考數(shù)字影像地圖子塊輸入至所述第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行相同的操作，輸出尺寸為H32×W32、通道數(shù)為1024通道的所述大特征圖。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人西安工業(yè)大學(xué)，其通訊地址為：710021 陜西省西安市新城區(qū)金花北路4號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。