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！

龙图腾网获悉同济大学申请的专利一种红外与RGB跨模态特征点匹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：CN114120013B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202111392935.5，技术领域涉及：G06V10/75；该发明授权一种红外与RGB跨模态特征点匹配方法是由田炜;陈展;邓振文;黄禹尧;谭大艺;韩帅设计研发完成，并于2021-11-23向国家知识产权局提交的专利申请。

本一种红外与RGB跨模态特征点匹配方法在说明书摘要公布了：本发明涉及一种红外与RGB跨模态特征点匹配方法，包括：基于采集的原始RGB图像和IR图像对深度学习模型进行离线训练，得到训练好的匹配模型；将待测的数据输入匹配模型，以提取出特征描述子、输出对应匹配结果。与现有技术相比，本发明聚焦于多光谱图像的融合，融合可见光图像RGB和热成像图像IR，通过模型训练，能够在多模态下准确提取特征点，更好地执行跨模态特征匹配任务，进而提高在光照变化剧烈及黑暗场景下相机位姿估计的精度，可以为许多应用提供可靠的感知前端，为后续在传统SLAM框架下融合多光谱传感器的研究工作做好前端铺垫，也将有利于实现跨越白天基于RGB图像和黑夜基于IR图像的同一场景建图定位匹配或深度估计与三维建图。

本发明授权一种红外与RGB跨模态特征点匹配方法在权利要求书中公布了：1.一种红外与RGB跨模态特征点匹配方法，其特征在于，包括以下步骤： S1、采集原始RGB图像和原始IR图像，基于原始RGB图像和原始IR图像对深度学习模型进行离线训练，得到训练好的匹配模型； S2、将待测的数据输入训练好的匹配模型，以提取出特征描述子，并输出对应的匹配结果； 所述步骤S1中深度学习模型具体为UnsuperPoint神经网络模型； 步骤S1中离线训练的具体过程为： S11、对采集的原始RGB图像和原始IR图像进行预处理，以得到成对图像； S12、构建UnsuperPoint神经网络模型，将成对图像输入UnsuperPoint神经网络模型中进行离线训练，得到训练好的匹配模型； 步骤S11具体是对原始RGB图像和原始IR图像进行像素对齐处理，以保证原始RGB图像与原始IR图像是像素级完全对齐的，所述成对图像具体为原始RGB图像以及加入视角变换的IR图像，或原始IR图像以及加入视角变换的RGB图像； 步骤S12中构建的UnsuperPoint神经网络模型包括骨干网络，所述骨干网络用于执行点置信估计、点坐标回归以及描述子提取的联合任务，所述骨干网络分为两个分支：一个分支用于处理原始图像，另一个分支则用于处理单应矩阵变换后的图像，提取的点通过单应矩阵的真值投影到同一图像坐标系中，计算每对的点距离，以距离小于4像素的点对作为有效点对，构建点对应关系，以进行自监督学习； 所述UnsuperPoint神经网络模型采用卷积核大小为3、步长为2的卷积网络层，以处理IR图像中因温度辐射而产生的边缘模糊； 所述UnsuperPoint神经网络模型的学习损失函数具体为： ， ， ， ， 其中，A为RGB图像的标识，B为IR图像的标识，为总损失函数，为点置信度损失，该损失由A与B相同点的得分差值的平方表示，为相应的权重； 为基于点对距离的可重复性损失，为提取点的置信度，为点对的距离，为所有点对的距离均值，为相应的权重； 为点对的欧式距离损失，为相应的权重； 为坐标均匀化的损失，为相应的权重； 为描述子损失，该损失由A与B相同点的描述子的差值的平方表示，为相应的权重； 用于提升描述子在空间上的紧致程度，该损失由不同位置上点的描述子的互相关系数的总和表示，为相应的权重； 为两个描述子向量，为的相似性计算值，为温度超参数，用于控制学习负例的强度。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。