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！

龙图腾网获悉西安应用光学研究所申请的专利一种基于图像的无GPS目标定位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：CN117058239B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202311100998.8，技术领域涉及：G06T7/73；该发明授权一种基于图像的无GPS目标定位方法是由朱镭;杜佩纯;侯瑞;吴妍;刘虎;闫伟亮;赵雪晨;杨思原;崔凯;赵德设计研发完成，并于2023-08-30向国家知识产权局提交的专利申请。

本一种基于图像的无GPS目标定位方法在说明书摘要公布了：本发明属于机器视觉、目标定位技术领域，公开了一种基于图像的无GPS目标定位方法，所述方法包括：建立预处理采集图像、训练网络、输出位置信息。本发明通过纯图像识别的方式，摆脱传统定位系统对GPS的依赖，完成定位目标所在位置，在移动机器人、无人驾驶方向有着巨大的应用前景，同时在无人导航基础上突出设备的安全性，为使用者的安全出行保驾护航。

本发明授权一种基于图像的无GPS目标定位方法在权利要求书中公布了：1.一种基于图像的无GPS目标定位方法，其特征在于，包括以下步骤： S1：筛选训练数据集T； S2：将训练数据集T输入到VGG16卷积网络，进行多次CNN卷积，获取尺寸为W*H*D的特征图X，其中W、H、D为特征图的宽、高、长； S3：将特征图X输入到进行降维操作，通过三个不同尺度的卷积，获取相应尺度的特征图，然后通过池化和全连接操作获取通道注意力，并将通道注意力和多个尺度特征进行融合处理，最终完成多尺度注意力模块，获取多尺度注意力掩膜； S4：将多尺度注意力模块和NetVLAD网络结合，获取多尺度NetVLAD网络，将多尺度注意力模块获取的多尺度注意力掩膜同特征图相乘，获取多尺度VLAD向量； S5：将VLAD向量进行归一化处理，使用L2归一化算法，得到K*D维的VLAD特征向量；其中K代表图像中特征点个数、D代表特征向量的维度； S6：将得到的K*D维的VLAD特征向量进行降维处理； S7：将训练数据集输入到多尺度NetVLAD网络中进行训练，优化算法选择随机梯度下降算法，进行多尺度NetVLAD网络的参数优化，获得网络模型； S8：目标图像定位流程：将目标图像输入到上一步获得的网络模型中，进行特征编码，再将特征编码与训练数据集中的特征编码进行比对，按照相似度大小排序输出，最后输出相似度前列的图像，则获得目标图像的位置信息； 步骤S1中，采用三元组损失函数优化网络，将训练数据集分为锚点图像和正负样本图像；以地标性建筑的图像为锚点图像，利用RANSAC算法对数据集进行筛选，根据特征点匹配数量以及样本约束条件，从高到低进行排序，分为正样本和负样本，以此构成三元组，作为训练数据集，用于输入到多尺度NetVLAD网络进行训练； 步骤S1包括以下子步骤： S1-1：通过网络和自行拍摄获取足量的带有位置信息的图像作为训练数据集； S1-2：提取训练数据集图像中的VLAD向量，以地标性建筑的图像为锚点图像，以VLAD欧式距离锚点图像最近且GPS坐标距离为255m以外的前10张图像作为负样本In；正样本利用基于SIFT特征点的RANSAC算法，将锚点图像和样本图像进行特征点匹配，选取匹配点数最多且GPS坐标距离锚点图像为10m以内的前4张图像作为正样本Ip，以一个三元组作为一个训练数据集T； 步骤S3包括以下子步骤： S3-1：将W*H*D的特征图进行1*1*D4的卷积操作，得到W*H*D4的特征图X’； S3-2：将W*H*D4的特征图进行a、b、c三个不同尺度的卷积，然后获得三个对应的特征图Wa、Wb、Wc，将这三个尺度的特征图沿着对应尺度的通道方向进行融合并取均值，最终获得多尺度特征Xm： Xm＝[WaX′,WbX′,WcX′] S3-3：把多尺度特征送入一个由两个全连接层构成的多层感知器中，先把先把多尺度特征通道数压缩到原来的一半，再恢复至原来的尺寸，以此获取通道注意力C： C＝WqWpXm 其中，[Wq,Wp]表示两个全连接层中卷积核的参数，其中通道注意力C的维度为D4； S3-4：通道注意力与多尺度融合特征沿通道相乘得到调优后的特征图，最后送进1*1卷积层中得到多尺度注意力掩膜，即空间注意力S，其中Wz为1*1卷积层的参数： S＝WzCXm 步骤S4包括以下子步骤： S4-1：将W*H*D的特征图X进行L2归一化，得到归一化的特征图Xl，将多尺度注意力掩膜和特征图进行相乘，获得调优的特征图Xs： Xs＝Xl*S S4-2：计算特征图X上的每个位置的特征向量x的残差时，需要与对应位置的权重s相乘，然后获得匹配到多尺度注意力的特征向量； 特征向量Xs中的第k行和第j列的元素Vk,j的计算公式如下： 其中，ckj为图像特征点通过1*1*D4卷积操作获取聚类中心，共k个，akxi为Softmax函数，其计算方法如下所示： S4-3：将特征向量元素通过VLAD核心层进行累积，获取原始的VLAD向量。

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安应用光学研究所，其通讯地址为：710065 陕西省西安市雁塔区电子三路西段九号；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。