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基于毫米波雷达与相机图像双分支互融合的3D目标检测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：CN119478371B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411631428.6，技术领域涉及：G06V10/25；该发明授权基于毫米波雷达与相机图像双分支互融合的3D目标检测方法是由白骁凯;沈会良;张富怡;曹思源;王芳;白傑设计研发完成，并于2024-11-15向国家知识产权局提交的专利申请。

本基于毫米波雷达与相机图像双分支互融合的3D目标检测方法在说明书摘要公布了：本发明公开了一种基于毫米波雷达与相机图像双分支互融合的3D目标检测方法。该方法从相机和毫米波雷达高效提取各自模态的特有图像特征，并引入互补分支信息。具体来说，本方法生成了几何感知的相机鸟瞰视图BEV特征和语义感知的毫米波雷达BEV特征。这两类特征融合后形成全面增强的BEV特征图，随后通过解码处理，实现精确的3D目标检测。本方法显著提高了3D目标检测的准确性与鲁棒性，实验结果显示，即使在复杂场景和恶劣天气条件下，该方法也能有效检测和定位环境中的3D目标。

本发明授权基于毫米波雷达与相机图像双分支互融合的3D目标检测方法在权利要求书中公布了：1.一种基于毫米波雷达与相机图像双分支互融合的3D目标检测方法，其特征在于，通过从相机和毫米波雷达有效提取各自模态的特有图像特征信息，并引入互补分支信息，生成几何感知的相机BEV特征与语义感知的毫米波雷达BEV特征；利用跨模态卷积将两类特征进行融合，形成全面增强的BEV特征图，随后进行解码处理，实现精确的3D目标检测； 具体步骤如下： S1：实现图像前景区域自适应的深度补全，并生成几何感知的相机BEV特征； S11：对图像进行编码得到图像特征，并基于图像特征对图像中的前景区域进行分割，得到前景分割掩码； S12：将毫米波雷达点云投影到相机平面上形成雷达稀疏深度图，并将所述雷达稀疏深度图与步骤S11所得的图像特征结合，然后再进行深度概率估计； S13：将步骤S12所得的深度概率估计结果与激光雷达深度真值进行损失计算，并使用步骤S11所得的前景分割掩码对损失进行自适应的权重调节，从而优化所述深度概率估计方法，提升所述深度概率估计方法对前景区域估计的准确性； S14：基于步骤S13优化后的深度概率估计方法对图像进行深度概率估计，将深度概率估计结果与图像特征做外积，并使用体素池化得到几何感知的相机BEV特征； S2：为雷达分支准确引入语义信息，生成语义感知的雷达BEV特征； S21：对毫米波雷达点云进行编码，得到原始雷达点云特征； S22：在毫米波雷达坐标系生成虚拟点云，使用图像特征对所述虚拟点云进行填充，从而为雷达分支引入语义信息； S23：使用步骤S14所得的深度概率估计结果，对所述虚拟点云对应的图像特征进行加权，从而将虚拟点云转换为BEV特征； S24：将步骤S21所述的原始雷达点云特征与步骤S23所述的BEV特征使用卷积融合，得到语义感知的雷达BEV特征； S3：对使用跨模态卷积将所述几何感知的相机BEV特征和语义感知的雷达BEV特征进行融合，得到全面增强的BEV特征； S4：对全面增强的BEV特征进行解码，实现3D目标的检测和定位； 所述S12具体为：对于空间中的毫米波雷达点云，将其投影到图像平面上，得到雷达稀疏深度图，将其与图像特征一起送入深度补全网络，得到深度概率估计结果，其中是预定义的离散深度区间数目；该过程表述为： 其中，DepthNet表示深度补全网络，由数层卷积与邻域注意力组成； 所述S22具体为：首先在毫米波雷达坐标系下生成一系列预定义的规则体素，其中以及分别代表BEV空间的长、宽尺寸，代表高度尺寸；取出每个体素的中心点作为虚拟点云，则所有体素的虚拟点云形成的集合为，显然；使用相机内外参将个虚拟点云投影到图像平面上，使用像素索引获得对应位置的，从而得到特征集，将特征集中所有特征在特征维度上填充到对应虚拟点云上，获得被装饰的虚拟点云。

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”。

以上内容由龙图腾AI智能生成。