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！

龙图腾网获悉江苏科技大学申请的专利一种基于图像深度预测和单目几何的视觉里程计方法及系统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：CN118736009B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202410853788.4，技术领域涉及：G06T7/73；该发明授权一种基于图像深度预测和单目几何的视觉里程计方法及系统是由陈建军;李壮设计研发完成，并于2024-06-28向国家知识产权局提交的专利申请。

本一种基于图像深度预测和单目几何的视觉里程计方法及系统在说明书摘要公布了：本发明公开了一种基于图像深度预测和单目几何的视觉里程计方法及系统，所述方法包括输入两个连续图像帧，采用尺度不变特征变换算法检测和描述图像局部特征，之后使用FLANN算法在两帧图像之间匹配对应的特征点对；使用对极几何约束求解本质矩阵,得到相机的相对姿态变换；构建并训练单目深度预测模型,为每一帧输入图像预测密集深度信息；如果两个连续图像帧构成的有效深度信息对的数量大于给定阈值，则使用三角测量法估算尺度因子，得到校正后相对姿态变换，否则利用透视N点投影算法、RANSAC算法和局部非线性优化相结合的方式，求解绝对姿态变换。本发明有效集成深度学习与传统几何方法的优势,能适应动态环境,提高了单目视觉里程计的鲁棒性和精度。

本发明授权一种基于图像深度预测和单目几何的视觉里程计方法及系统在权利要求书中公布了：1.一种基于图像深度预测和单目几何的视觉里程计方法，其特征在于，包括以下步骤： 步骤1输入两个连续图像帧，采用尺度不变特征变换算法检测和描述图像局部特征，之后使用FLANN算法在两帧图像之间匹配对应的特征点对Fi,Fj； 步骤2针对步骤1得到的特征匹配关系，使用对极几何约束求解本质矩阵E,得到相机的相对姿态变换； 步骤3构建并训练单目深度预测模型,为每一帧输入图像预测密集深度信息； 步骤4如果两个连续图像帧构成的有效深度信息对的数量大于给定阈值，则使用三角测量法估算尺度因子s，得到校正后相对姿态变换[R,st]，R为旋转矩阵，t为平移向量；否则执行步骤5； 步骤5利用透视N点投影算法、RANSAC算法和局部非线性优化相结合的方式，求解绝对姿态变换； 所述步骤2通过以下公式实现： 其中，E为本质矩阵，K为相机内参是个已知参数，相机的相对姿态变换[R,t]通过分解E求得；Fi,Fj为特征点对； 所述步骤3实现过程如下： 给定预测的深度Dt和相机姿态矩阵Tt+1→t，重建出图像It+1→t： It+1→t＝wIt+1,KTt+1→tK-1xDt[x] 其中，w·是可微分的图像翘曲函数，K为相机内参，[x]代表图像中某个点的像素值； 利用生成的It+1→t和参考图像It，构建如下目标函数： peIt+1→t,It＝αSSIMIt+1→t,It+1-α||It+1→t-It||1 其中，SSIM是结构相似度指数,α为平衡SSIM损失和L1损失的权重； 对于参考视图It,根据其邻近视图It-1、It+1重建出图像It+1→t、It-1→t；只计算视图中最小的一对参考像素和合成像素之间的光度误差： Lp＝minpeIt,It-1→t,peIt,It+1→t 并引入了边缘感知深度平滑项Ls： 其中，和分别计算深度图Dt在水平和垂直方向上的梯度幅值,促使相邻像素的深度值接近；和是基于当前视图图像梯度的权重项；在图像梯度较大的边缘区域,该权重项较小,允许深度图存在不连续；而在图像梯度较小的平坦区域,该权重项较大,促使深度图保持平滑；最终的损失函数为： L＝Lp+λLs 采用PyTorch对单目深度预测模型进行实现和训练。

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江苏科技大学，其通讯地址为：212000 江苏省镇江市梦溪路2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”。