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！

龙图腾网获悉西北工业大学申请的专利一种基于事件相机的密集三维重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：CN116309774B 。

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：202211668022.6，技术领域涉及：G06T7/593；该发明授权一种基于事件相机的密集三维重建方法是由张飞虎;张威;侯旭佳设计研发完成，并于2022-12-23向国家知识产权局提交的专利申请。

本一种基于事件相机的密集三维重建方法在说明书摘要公布了：本发明涉及一种基于事件相机的密集三维重建方法，事件相机为动态视觉传感器，三维重建步骤分为强度图像重建、运动结构恢复和密集三维重建三部分。首先利用深度学习从事件中重建强度图像；然后利用基于SFM的运动恢复结构来估计相机的内参、姿态以及稀疏点云，最后使用基于MVS的多立体视图完成密集重建。在高动态范围，缺少光照，以及高速运动的特殊环境下，传统相机会出现模糊、过曝、以及欠曝的情况，这将会很大程度地影响重建地质量，但是由于事件相机的优势，本发明完成密集三维重建的质量要远高于传统相机。

本发明授权一种基于事件相机的密集三维重建方法在权利要求书中公布了：1.一种基于事件相机的密集三维重建方法，其特征在于：所述事件相机为动态视觉传感器，三维重建步骤分为强度图像重建、运动结构恢复和密集三维重建三部分，具体过程如下： 一、强度图像重建： 步骤1.1：建立基于UNet的强度图像重建神经网络，包括头部层H，主体层B和预测层P；主体层B包括三个循环卷积模块R1、R2、R3五个参数一致的分组卷积模块G1、G2、G3、G4、G5，以及三个亚像素卷积模块U1、U2、U3； 步骤1.2：将事件进行编码，得到神经网络输入固定大小的通道张量输入神经网络，经过头部层H中的卷积层和RELU激活函数，得到输出通道大小为32的张量；其中卷积核大小为3×3； 步骤1.3：将头部层H的输出送入三个循环卷积模块R1、R2、R3进行下采样操作，输入经过每个循环卷积块后输出通道数扩大了两倍，每个卷积块通道的张量高宽缩小了两倍； 所述每个循环卷积卷积块包括一个CBR和一个ConvLSTM模块，采用ConvLSTM后保留以前的状态信息，状态信息用于结合当前输入更新当前状态； 所述CBR为卷积核大小为5×5的卷积层+正则化BatchNorm层+ReLU激活函数； 所述ConvLSTM模块的卷积核大小为3×3； 步骤1.4：将经过三个循环卷积块的输出数据再输入到两个分组卷积块G1和G2中，将输入层的不同特征图进行分组，然后再对各个组进行卷积； 所述分组卷积模块先将输入通道数为N的通道张量送入一个卷积核大小为1×1的卷积层，将通道数减半，然后经过一个每组张量数量为4的、卷积核大小为3×3的分组卷积层，得到了通道数为N2的输出，最后再将这个输出送入一个卷积核大小为1×1的卷积层，将通道数翻倍，得到了通道数为N的输出； 步骤1.5：将三个循环卷积模块的输出分别输入到一个分支，每个分支由一个分组卷积块构成为G3、G4和G5； 分组卷积模块先将输入通道数为N的通道张量送入一个卷积核大小为1×1的卷积层，将通道数减半；然后经过一个每组张量数量为4的、卷积核大小为3×3的分组卷积层，得到了通道数为N2的输出；最后再送入一个卷积核大小为1×1的卷积层，将通道数翻倍，得到了通道数为N的输出； 步骤1.6：将通道数为N的输出再由三个连续的亚像素卷积模块U1、U2、U3进行上采样操作； 每个亚像素卷积模块先对输入进行亚像素拼接操作，即上采样时输入大小为a×b×c，经过拼接操作后的输出为2a×2b×c4，然后经过一个卷积核大小为3×3的卷积层，得到了整个主体层B的输出； 其中：经过每个亚像素卷积块后输出通道数缩小了两倍，每个卷积块通道的张量高宽扩大了两倍；每个亚像素卷积模块的输入是对应的循环卷积模块经过分组卷积分支处理后G3、G4、G5的输出和前一个亚像素卷积模块的输出； 步骤1.7：将第一个循环卷积模块R1的输出输入到一个亚像素卷积模块U0中进行上采样操作，并将上采样的结果和整个主体层B的输出作为输入送到预测层中；预测层得到输入后，先将其送入一个卷积层进行卷积，然后送入一个正则化层，最后通过Sigmoid激活函数得到输出，输出是对每个像素预测一个在0到1之间的值； 二、运动结构恢复： 步骤2.1：将经过神经网络重建后的强度图像作为输入图像集ψ＝{Ii|i＝1,2...NI}，对每个输入图像采用SIFT特征提取算法检测他的特征和描述子，并将特征坐标记为x，将特征描述子记为f，将所有检测到的特征和描述子记为一个集合Fi＝{xj,fj|j＝1,2...NFi}； 步骤2.2：利用Fi作为图像的外观描述来进行SIFT特征匹配，通过为图像Ib中的每个特征找到图像Ia中匹配度最高的特征描述子搜索特征的对应关系，发现看到相同场景的图像； 经过特征匹配，输出是一组潜在匹配成功的图像对C＝{{Ia,Ib}|Ia,Ib∈ψ,a＜b}和他们的相关特征对应Mab∈Fa×F； 步骤2.3：利用潜在匹配成功图像对的对极几何关系计算每个图像对的基础矩阵F，计算相机的内参和姿态，如果一个有效的相机内参和姿态映射了超过30个图像之间的特征，认为通过了几何验证，然后利用RANSAC方法对通过了几何验证的图像对进行异常值滤波，最终的输出为经过几何验证的图像对和他们的相关特征对应 步骤2.4：在经过几何验证的图像对中选择基线距离大于10cm中匹配特征最多的图像对，进行三角测量和非线性优化，估计相机的变换矩阵和空间中3D点的坐标； 步骤2.5：将剩下的图像对，以特征匹配质量由多到少顺序作为输入加入到非线性优化中，重复步骤2.4的过程，直至所有的图像对优化结束，最终得到的输出为相机的变换矩阵集P＝{Pc∈SE3|c＝1,2...Np}和空间中3D坐标点集X＝{Xk∈R3|k＝1,2...NX}，即完成了稀疏重建； 三、密集三维重建： 步骤3.1：将运动恢复结构输出的变换矩阵和空间中3D点坐标以及对应的图像作为输入，利用Patch-MatchStereo方法进行稠密点云重建，输出为稠密点云和其对应的图像； 步骤3.2：将稠密点云和其对应的图像作为输入，使用基于二元分割的表面重建方法对稠密点云进行粗表面重建，将稠密点云分为内部和外部两类，介于内部和外部之间的面即为物体的表面，输出为一个粗糙表面重建； 步骤3.3：将粗糙表面重建作为输入，利用基于光度一致性对网格表面进行细节优化，对多视角图像再次计算光度一致性，输出为一个精细的表面重建； 步骤3.4：对精细表面重建进行纹理贴图，输出最后的密集三维重建结果。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。