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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法及系统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：CN119006591B 。

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：202411007553.X，技术领域涉及：G06T7/73；该发明授权一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法及系统是由张泽旭;宋卓;张凡;包为民;徐田来;袁帅设计研发完成，并于2024-07-25向国家知识产权局提交的专利申请。

本一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法及系统在说明书摘要公布了：一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法及系统，属于空间目标位姿估计技术领域。本发明为了应对空间目标在空间环境高动态的复杂光学条件和位姿快速解算需求而提出的。技术要点：根据不同位置姿态下空间目标三维模型虚拟仿真，获取位姿样本集；构建目标关键点二维位置回归网络；根据位姿样本集输入回归网络，得到目标训练模型；利用随机一致性透视n点法求解位姿；本发明基于深度学习构建对空间目标关键点二维投影的回归网络，网络样本数据集图像输入到以Darknet53为骨干网络构成的网络，本发明构建了针对空间目标关键点二维位置的回归网络，之后根据位姿样本集对该网络进行训练，以得到能够精准预测目标位姿的训练模型。

本发明授权一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法及系统在权利要求书中公布了：1.一种基于深度学习的复杂环境下多尺度空间目标相对位姿估计方法，其特征在于，所述方法的实现过程为： 步骤一、根据不同位置姿态下空间目标三维模型虚拟仿真，获取位姿样本集： 在渲染引擎软件中导入开源的空间目标三维模型，模拟空间目标的不同空间位置和姿态，采用设定内参K相机进行拍摄； 所述位姿样本集包含空间目标位姿变化数据，其中以姿态变换矩阵R和位置平移向量T形式存在；该样本集包含从多个角度和距离观察空间目标时的图像数据，覆盖广泛的光照条件和环境背景； 步骤二、构建针对空间目标关键点二维位置的回归网络： 构建针对空间目标关键点二维位置的回归网络，网络样本数据集图像输入到以Darknet53为骨干网络构成的网络，然后将下采样的图像特征传递给FPN特征金字塔网络中，之后进行上采样处理，对关键点二维投影进行回归，最后经过特征融合得到预测的关键点二维位置； 步骤三、根据位姿样本集输入回归网络，得到目标训练模型： 构建针对空间目标关键点二维位置的回归网络之后，根据位姿样本集对该网络进行训练，以得到能够精准预测目标位姿的训练模型；此过程的训练设置关键在于确保模型能够从位姿样本集中学习到空间目标的各种可能姿态，进而实现对未知姿态的准确预测； 详细训练设置为： 1损失函数选择：采用适合位姿回归任务的损失函数均方误差MSE或更适合具体任务的定制化损失函数，以精确衡量预测位姿与真实位姿之间的差异； 2优化器选择：选择高效的优化器Adam并调整适宜的学习率，确保训练过程的稳定性和收敛速度；同时，合理设置批量大小和训练轮次Epoch，平衡训练时间与模型性能； 2早停法EarlyStopping：监控验证集上的性能，当模型在一定轮次后性能不再提升时停止训练，以避免过拟合，停止训练后跳转到步骤四进行姿态求解； 步骤四、利用随机一致性透视n点法求解位姿 在获得关键点二维投影后，结合关键点在目标本体坐标系下的坐标，首先选取控制点，将其他点表示为这些控制点的线性组合； 随后进行：利用随即一致性透视n点法求得目标本体坐标系和相机坐标系之间的相对位姿，再构建一个关于控制点在相机坐标系下位置的线性方程，使用奇异值分解SVD找到最优解，得到了控制点在相机坐标系下的位置，通过比较控制点在世界坐标系和相机坐标系中的位置，计算出相机的旋转和平移矩阵； 步骤四的具体过程为： 在使用针对空间目标关键点二维位置的回归网络获得八个关键点二维投影坐标后，利用随机一致性透视n点法求解位姿，随机一致性透视n点法由随机一致性方法和透视n点法组成，数据由“内点”组成并且这些“内点”数据可以用数学模型参数解释，该方法过程为： 1确定数学模型计算所需要的最小样本集n并从所有样本数据P中随机抽取M个最小样本集，用这M个最小样本集分别计算数学模型的参数； 2利用剩余数据计算与这些模型的误差，当误差小于给定阈值时认定该数据为当前数学模型的“内点”； 3统计M个数学模型下的“内点”数目，其中“内点”数目最多的为正确数学模型，然后利用该模型下的所有“内点”数据利用最小二乘方法得到准确的数学模型； 4若在一定的抽样次数下仍未找到相应的“内点”集则认为算法失败，否则以第三步得到的结果为最终结果； 从步骤二中所述的关键点中选取四个内点作为控制点，这些点在目标本体坐标系下的坐标已知，且已经求得了这些点在图像中的二维位置； 则所有的三维点表示为这四个控制点的线性组合；每个三维点可以通过四个控制点和一组权重来表示，这些权重反映了点与控制点之间的相对位置，如下式，其中已经知道一系列8个关键点本体坐标系下的三维坐标Piw,i＝1…8， 其中，为控制点在世界系下的三维坐标，αij为控制系数，即将所有点利用相机模型和前面步骤中获得的三维点的表示，构建一个关于控制点在相机坐标系下位置的线性方程系统Piw；所述系统中的未知数是控制点的坐标和，相机的内参； 通过求解线性系统，得到控制点在相机坐标系下的位置；这个步骤通常涉及矩阵运算，使用奇异值分解SVD找到最优解； 得到了控制点在相机坐标系下的位置，通过比较它们在世界坐标系和相机坐标系中的位置，计算出相机的旋转和平移矩阵。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。