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！

龙图腾网获悉中国矿业大学申请的专利一种基于雷达和可变焦相机的低慢小目标检测与识别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：CN121069415B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511606094.1，技术领域涉及：G01S17/86；该发明授权一种基于雷达和可变焦相机的低慢小目标检测与识别方法是由刘姜;李会军;叶宾;刘昊华;杨宇航设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本一种基于雷达和可变焦相机的低慢小目标检测与识别方法在说明书摘要公布了：本发明公开了一种基于雷达和可变焦相机的低慢小目标检测与识别方法，包括以下步骤：步骤1：激光雷达与可变焦相机的联合标定与参数预存；步骤2：激光雷达目标检测与可变焦相机动态调焦控制；步骤3：基于多模态融合对低慢小目标进行识别；步骤4：目标打击控制与执行。本发明突破单一传感器的物理局限，通过智能融合实现1+12的感知能力跃升；建立自适应处理框架，使系统能够动态应对各种复杂场景；提供可靠的实时性能，满足关键安防应用的严苛要求。

本发明授权一种基于雷达和可变焦相机的低慢小目标检测与识别方法在权利要求书中公布了：1.一种基于雷达和可变焦相机的低慢小目标检测与识别方法，其特征在于包括以下步骤： 步骤1：激光雷达与可变焦相机的联合标定与参数预存； 将激光雷达和可变焦相机安装在同一个二自由度云台上，并保证两者之间无相对运动，对激光雷达和可变焦相机进行联合标定，得到两者的内参矩阵和外参矩阵； 步骤2：激光雷达目标检测与可变焦相机动态调焦控制； 从原始雷达点云数据中提取潜在的低慢小目标，并计算目标方位和距离，根据目标方位调整云台指向，确保目标始终位于可变焦相机视场中心，可变焦相机根据目标距离自动调整相机焦距，保证目标在图像中的分辨率满足要求；在步骤2中，对低慢小目标的检测与控制包括以下步骤： 步骤21：激光雷达点云采集与预处理； 激光雷达原始点云，每点包含坐标x,y,z和反射强度，对点云进行滤波处理，采用统计离群滤波剔除噪声，如果某个点到邻近点平均距离大于基于邻近点分布计算出的一个阙值，为的k个邻近点的标准差，那么就将这个点判定为噪声点并将其剔除： ； 对去除噪声的点云进行目标聚类处理，使用欧式距离，将邻近点合并为候选目标簇，设置适配低慢小目标尺寸的阙值，保留体积满足的簇，排除过大或过小的物体； 步骤22：云台协同控制； 根据激光雷达检测到的目标三维点云位置，实时控制二自由度云台的方位角和俯仰角，确保目标始终位于相机视场中心，为后续图像识别提供稳定的目标成像； 步骤23：可变焦相机动态调焦； 根据雷达点云计算的目标距离以及成像需求计算理想的焦距，保证目标在图像中的分辨率，进行动态修正，进行相关焦距计算： 已知无人机的高度约为0.5m左右，通过焦距计算得出所需的焦距： ； 其中h为传感器高度，H为目标实际高度，此处为无人机高度,为雷达测得目标距离； 从预存的标定查找表中调用当前焦距f对应的参数：内参矩阵Kf；若f不存在预存点，使用线性插值计算； 步骤24：实时性优化； 点云降采样，使用体素滤波将点云密度降低，减少计算量；传统串行流程累积延迟高，设计云台控制与相机调焦并行执行，通过共享内存传递目标位置信息，距离，时间戳，采用环形缓冲区避免读写冲突；通过硬件加速，点云算法部署于FPGA，使延迟10ms； 步骤3：基于多模态融合对低慢小目标进行识别； 在图像特征提取模块，对其每个残差块中嵌入条件参数化卷积；在雷达点云特征提取模块，提取目标的高度、密度、反射强度特征，与学习特征拼接；通过可变形BEV投影进行跨模态注意力融合计算，对小目标进行实时优化；在步骤3中，对低慢小目标的识别包括以下步骤： 步骤31：在图像特征提取模块，采用ResNet-50网络，对其每个残差块中嵌入条件参数化卷积；采用FPN网络，在其中引入焦距感知的特征选项，输入各尺度特征的融合权重，长焦时强化P5层，即高语义特征，广角时侧重P2层，即细节特征；在步骤31中，焦距感知的特征选项是一种基于动态权重分配的多尺度特征融合机制，其网络结构为条件参数化卷积，参数化卷积表示为： ； 其中，为焦距相关的权重，由轻量级MLP生成： ； 为预设的专家卷积核； 融合权重输入FPN网络采用动态特征融合算法，在FPN特征构建完成后，进行多尺度特征融合时注入动态权重，采取逐元素相乘的方式进行权重施加； 当系统处于长焦状态f100mm时，采用以下方式强化P5层：权重分配，MLP输出的权重增加0.6-0.8；当系统处于广角状态f50mm时，采用以下方式强化P2层：MLP输出的权重增加0.5-0.7； 步骤32：在雷达点云特征提取模块，先将点云体素化处理，将其转换为体素网格，使用VoxelNet生成Bev特征图，提取目标的高度、密度、反射强度特征，与学习特征拼接； 步骤33：进行可变形BEV投影；在步骤33中，可变形BEV投影包括： 对每个BEV网格点x,y，根据尺度因子S，预测其在图像中的采样偏移: s； 其中z为雷达提供的深度，f为当前焦距； 进行动态外参的补偿，在视图变换中集成标定参数，修正后的投影坐标： ； 其中为修正前点在相机坐标系下的初始深度值； 在步骤34中，跨模态注意力融合计算包括： 通过可学习权重矩阵生成Q、K、V矩阵，其中，Q=，K=，V=,FL为激光雷达点云特征，FI为图像特征，dk为键向量K的维度： ； Bf由轻量级MLP根据当前焦距f生成，用于调节模态权重，为可学习的缩放参数： ； 在远距离即长焦时，增大图像细节权重；在近距离即广角时，增大点云特征的权重； 步骤34：设雷达BEV特征为，图像BEV特征为，通过可学习权重矩阵进行跨模态注意力融合计算； 步骤35：通过改进检测头对小目标进行实时优化； 步骤4：目标打击控制与执行； 根据目标识别模块得出类别置信度、与云台的距离，进行目标威胁评估，然后进行激光打击，并进行打击效果评估，若首次打击未实现目标摧毁时，系统自动触发参数调整，云台瞄准点根据偏移量进行动态补偿，直至成功击落停止攻击。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1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。