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！

龙图腾网获悉浙江工业大学申请的专利一种基于稀疏融合的在线碳语义地图构建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：CN115496900B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202211064767.1，技术领域涉及：G06V10/26；该发明授权一种基于稀疏融合的在线碳语义地图构建方法是由党源杰;杨正一;丁小飞;胡雨曈;张斌;陈朋设计研发完成，并于2022-08-31向国家知识产权局提交的专利申请。

本一种基于稀疏融合的在线碳语义地图构建方法在说明书摘要公布了：一种基于稀疏融合的在线碳语义地图构建方法，所述方法包括以下步骤：1基于目标检测神经网络获取城市图像语义标签；2通过特征匹配完成语义标签的稀疏地图注册，然后进行稀疏语义地图点的聚类分割和平面重建；3基于时空几何约束的局部平面滚动优化方法实现语义场景的重建和感知；4结合碳排放监测点云信息，构建碳语义地图。本发明的优点是：在稀疏的深度地图基础之上，提出一种快速碳语义地图重建方法，实现了碳语义场景的重建和感知，确保了无人机执行复杂碳监测任务时的安全导航。通过大量室外场景重建实验证明，本发明方法相比同类方法可以提升80.5％的语义平面重建精度，同时计算速度提升81倍。相较于其他基于稠密深度地图的场景感知算法，本发明方法的计算复杂度更低，尺度误差更低，适合用于搭载复杂无人机飞行任务的机载处理平台。

本发明授权一种基于稀疏融合的在线碳语义地图构建方法在权利要求书中公布了：1.一种基于稀疏融合的在线碳语义地图构建方法，包括以下步骤： 1基于目标检测神经网络获取城市图像语义标签； 2通过特征匹配完成语义标签的稀疏地图注册，然后进行稀疏语义地图点的聚类分割和平面重建； 3基于时空几何约束的局部平面滚动优化方法实现语义场景的重建和感知； 4结合碳排放监测点云信息，构建碳语义地图； 所述步骤2具体包括：对场景中频繁出现且较为稳定的目标进行语义标记，在图像中将被识别出的区域表示为式3， Regionc＝{L,{xLT,h,w}}3 其中c表示在图像平面，xLT表示语义区域的左上角坐标，h和w表示语义区域的高度和宽度，L代表这个区域的语义标签； 相应地，将三维的语义地图点表示为式4： X＝{L,x}4 其中X表示世界坐标系下的三维语义地图点，x表示地图深度点，L表示语义标签；为了获取X，利用特征跟踪器中获得的特征ID作为图像与稀疏深度特征点的锚点来确定三维语义点X； 通过语义标注将每张图像中的语义点投影到三维空间中；对于一个三维空间中的平面来说，一张图片内的特征点是远远不够的，因此需要对这些语义点进行增量式更新，并且按照平面为单位将这些空间的点云划分到不同的平面中去进行平面重建； 使用超体素方法来减少三维区域的数量，超体素处理过程如下：构建体素云的邻接图，生成并过滤空间种子，利用特征的距离进行聚类，通过迭代聚类算法增强聚类间的空间连通性；以固定的频率和滑动窗口的方式在三维点云的重复执行该过程，得到超体素聚类用于后续的LCCP分割； 采用LCCP方法根据两个相邻平面的凹凸关系来解决点云块的分割问题，将在聚类中获得的超体素表示为式5， Regionw＝{L,N,Pcenter,{x0,x1,···,xN}}5 其中w表示在世界坐标系，L代表这个区域的语义标签，N表示超体素的数量，Pcenter表示这个超体素的中心点坐标，{x0,x1,···,xN}表示在超体素内的所有三维坐标点； 随后，采用应用随机抽样一致性RANSAC方法来计算三维语义超体素的回归平面，RANSAC方法的处理过程为：随机选择三维语义特征点，估计模型并且计算属于这个模型的内点个数；这一过程持续重复一定的迭代次数并且输出平面参数和属于平面的内点索引，这样可以去除孤立点并且得到准确的语义平面，将满足Regionw的语义平面表示为π，这些由稀疏语义特征点所确定的语义平面构成了初步的语义空间如式6所示， W′＝{L1,π′1,L2,π′2,···Ln,π′n}6 其中n是语义平面的数量； 所述步骤3具体包括：建立一种语义平面的质量损失函数并围绕该损失函数提出了一种语义地图的局部优化方法： 基于时空几何约束的局部平面滚动优化方法实现了语义场景的重建和感知：定义输入的语义平面为πk，落在平面内的点的数量为平面的中心坐标为平面的法向量为平面的系数为A,B,C,D； 然后，将生成的平面加入全局语义地图；分为两个子步骤：插入和更新；插入步骤：在局部平面中，利用相机的航向和其他平面的法向量，建立了一个关于朝向误差的平面质量损失函数， 其中是所有其他局部平面的法向量，是局部平面的索引，是由滑动窗内相机首尾坐标构成的航向向量： 更新步骤：尝试查找最接近输入平面的平面索引，此过程可以表示为式8所示， 其中t是最接近新增平面的索引号；如果新增平面π中包含的内点数量大于历史平面π，则使用π代替π；相应地，也将更新步骤的平面质量损失函数定义为式9， 其中表示额外内点的比例，表示成功更新平面的概率； 使用无约束的最优化公式来最小化插入和更新的每个误差项之和，如式10所示，以获得最佳的平面参数， 上述优化函数不包含微分项，所以应用直接法来求解函数最优化问题；优化主要包括两个步骤：检测搜索和模式移动；检测搜索的目的是在起始搜索点即参考点周围找到一个显著点来确定一个有利的方向；模式移动是将显著点移动为新的参考点；这两个步骤交替重复，逐渐将函数移动到最小值； 最后，得到了所有的优化语义平面，并将最终的语义空间表示为式11， W＝{L1,π1,L2,π2,···Ln,πn}11。

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工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。