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！

龙图腾网获悉浙江大学申请的专利一种基于深度学习视觉惯性里程计的水下视觉定位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：CN119810491B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202510295185.1，技术领域涉及：G06V10/75；该发明授权一种基于深度学习视觉惯性里程计的水下视觉定位方法是由李铁风;刘中天;丁喆田;李永欢;周方浩设计研发完成，并于2025-03-13向国家知识产权局提交的专利申请。

本一种基于深度学习视觉惯性里程计的水下视觉定位方法在说明书摘要公布了：本发明公开了一种基于深度学习视觉惯性里程计的水下视觉定位方法。方法包括：构建包括深度学习视觉里程计模型和非线性优化后端的系统；通过安装有单目相机的水下机器人获取水下视频帧并对模型进行训练，然后将待定位的水下视频帧通过训练完成的模型处理，输出关联成功的特征点信息并通过通信接口发布，非线性优化后端订阅通信接口的节点数据，处理后输出单目相机的位姿，实现水下视觉定位。本发明方法通过在特征点提取与匹配中引入深度学习，能够在水下弱纹理和光照不稳定环境下获得充足的匹配特征点位置信息，使得非线性优化损失函数能够更加快速地收敛，以此获得更精确的相机位姿信息，可实现更好的水下移动机器人视觉定位能力。

本发明授权一种基于深度学习视觉惯性里程计的水下视觉定位方法在权利要求书中公布了：1.一种基于深度学习视觉惯性里程计的水下视觉定位方法，其特征在于，包括： S1：构建水下单目视觉惯性里程计系统，水下单目视觉惯性里程计系统包括基于引入尺度缩放因子的描述子损失函数的深度学习视觉里程计模型以及非线性优化后端； S2：通过安装有单目相机的水下机器人获取若干水下视频并提取连续帧的水下视频帧，将每前后两帧水下视频帧组成一个图像对，各组图像对构建为训练集；使用训练集对深度学习视觉里程计模型进行训练，从而获得训练完成的水下深度学习视觉里程计模型； S3：通过安装有单目相机的水下机器人获取待定位的水下视频并提取连续帧的水下视频帧，然后输入水下深度学习视觉里程计模型中，处理完成后输出关联成功的特征点信息并通过机器人操作系统ROS通信接口进行发布； S4：非线性优化后端订阅机器人操作系统ROS通信接口的节点数据，并进行处理后输出单目相机的位姿，实现水下视觉定位； 所述的步骤S1中，深度学习视觉里程计模型包括依次连接的特征提取层和特征匹配层； 所述的步骤S1中，引入尺度缩放因子的描述子损失函数L d 如下： L d D,D',S=∑ h,w ∑ h',w' l d d hw ,d' h'w' ；s hwh'w' H c W c 2 l d d hw ,d' h'w' ；s hwh'w' =λ d ×s hwh'w' ×max0，m p -d hw T d' h'w' d k 12+1-s hwh'w' ×max0，d hw T d' h'w' d k 12-m n h，h'=1、2、…、H c w，w'=1、2、…、W c 其中，D和D'分别表示输入深度学习视觉里程计模型的特征提取层中的解码器的原图像及其经单应性关系矩阵S变换后的输出图像，d hw 和d' h'w' 分别表示输入原图像D和变换后的输出图像D'中的特征向量，s hwh'w' 表示单应性关系矩阵S中的元素；l d 表示描述符损失；T表示转置；H c 和W c 分别表示输入原图像D和输出图像D'的高和宽；λ d 、m p 和m n 分别表示描述符损失l d 的预设第一、第二和第三超参数；d k 表示尺度缩放因子； 所述的步骤S2中，对深度学习视觉里程计模型进行训练，即对特征提取层进行训练，首先将水下视频帧进行随机仿射变换处理后再输入特征提取层中，从而对特征提取层进行迁移学习生成伪真值标签，获得训练完成的水下特征提取层，最终获得训练完成的水下深度学习视觉里程计模型； 特征提取模块采用改进后的特征点提取SuperPoint模型，即改进特征点提取SuperPoint_uw模型，改进特征点提取模型SuperPoint_uw中采用残差网络ResNet模型中的残差层结构替换特征点提取SuperPoint模型中的视觉几何VGG结构；特征匹配模块采用LightGlue模型以对改进特征点提取SuperPoint_uw模型输出的特征点进行配对。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。