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！

龙图腾网获悉北京理工大学申请的专利一种基于深度学习图像匹配算法的数字图像相关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：CN119850966B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411657148.2，技术领域涉及：G06V10/44；该发明授权一种基于深度学习图像匹配算法的数字图像相关方法是由王潘丁;牛国浩;杨恒;曲兆亮;方岱宁设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本一种基于深度学习图像匹配算法的数字图像相关方法在说明书摘要公布了：一种基于深度学习图像匹配算法的数字图像相关方法，属于变形测量领域。本发明实现方法为：采集试样变形前后的散斑图像，变形前的散斑图像为参考图像，变形后的散斑图像为目标图像，在参考图像中设置计算区域和计算点；使用基于深度卷积神经网络的图像特征提取网络提取参考图像和目标图像的关键特征；使用基于Transformer的图像特征匹配网络对特征进行匹配，形成特征点对；剔除错误匹配的特征点对，使用仿射变换计算变形初值；基于变形初值和IC‑GN算法非线性迭代计算最终高精度变形场，基于深度学习图像匹配算法实现数字图像相关。本发明利用基于深度学习图像匹配算法实现对散斑特征的匹配，能够实现低质量散斑图像的变形测量。

本发明授权一种基于深度学习图像匹配算法的数字图像相关方法在权利要求书中公布了：1.一种基于深度学习图像匹配算法的数字图像相关方法，其特征在于：包括如下步骤， S1：采集试样变形前后的散斑图像，变形前的散斑图像为参考图像，变形后的散斑图像为目标图像，在参考图像中设置计算区域和计算点； S2：使用基于深度卷积神经网络的图像特征提取网络提取参考图像和目标图像的关键特征； 所述深度卷积神经网络的结构，包括一个共享编码器和两个解码器；共享编码器包含八个卷积层和三个最大池化层，其中卷积核的尺寸为3×3，池化层的步长为2，当输入图像的长和宽分别为W和H时，经过共享编码器输出的张量维度为W8，H8，128；特征点解码器包含两个卷积层、一个Softmax函数和一次维度变换，其中卷积核的尺寸为3×3和1×1，共享编码器输出的张量经过特征点解码器后维度为W，H，1，每个位置的值代表该位置是特征点的概率；描述子解码器包含两个卷积层、一个插值函数和一个L2归一化函数，其中卷积核的尺寸为3×3和1×1，共享编码器输出的张量经过描述子解码器后维度为W，H，256；特征提取网络的损失函数包含特征点损失和描述子损失； 在步骤S2中，提取关键特征的方法为，对网络特征点解码器输出的概率矩阵进行筛选，概率大于n的像素为特征点，并通过描述子解码器得到特征点对应的描述子； S3：使用基于Transformer的图像特征匹配网络对步骤S2中参考图像和目标图像的关键特征进行匹配，形成特征点对； 步骤S3中所描述图像特征匹配网络的结构，包括多层网络，每一层都由自注意单元和交叉注意单元组成，使用置信度分类器判断是否停止推理，若继续进行推理则将不可匹配的特征点丢弃； 步骤S3中所描述的匹配过程为，将S2中输出的参考图像和目标图像的特征点和描述子输入图像特征匹配网络，经网络推理后输出匹配的特征点对； S4：从S3得到的特征点对中提取步骤S1中计算点周围预设范围内的特征点对，剔除错误匹配的特征点对，使用仿射变换计算计算点的变形初值； S5：对于S4中由于特征点对数量不足无法计算变形初值的计算点，根据位移的连续性，使用距离最近的其他计算点的变形初值作为该计算点的初值； S6：基于步骤S4、S5中得到的变形初值，采用反向组合高斯牛顿算法IC-GN算法非线性迭代计算最终高精度变形场。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。