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！

龙图腾网恭喜大连理工大学申请的专利一种联合可见光相机和红外相机的深度估计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：CN116563360B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202310197043.2，技术领域涉及：G06T7/50；该发明授权一种联合可见光相机和红外相机的深度估计方法是由陈圣伦;张宏;叶昕辰;王智慧;李豪杰设计研发完成，并于2023-03-03向国家知识产权局提交的专利申请。

本一种联合可见光相机和红外相机的深度估计方法在说明书摘要公布了：本发明属于计算机视觉深度估计技术领域，提出一种联合可见光相机和红外相机的深度估计方法。以轻量级的CCF基本模块、CRF基本模块为基础构建神经网络VINet。CCF基本模块加强了在特征编码阶段两种模态特征之间的信息交流，CRF基本模块探索各模态特征的特性，并在融合时选择性的强调了更加相关的特征。两者都具有轻量级与跨模态交叉的特点，因而适合部署到联合可见光相机和红外相机的深度估计中，在保证速度的同时也能达到很高的精度，为联合可见光相机和红外相机的深度估计任务提供了一种新的解决方案。

本发明授权一种联合可见光相机和红外相机的深度估计方法在权利要求书中公布了：1.一种联合可见光相机和红外相机的深度估计方法，其特征在于，基于CCF基本模块和CRF基本模块，提出一个深度估计网络VINet用于联合可见光相机和红外相机的深度估计，具体包括步骤如下：步骤1、构建CCF基本模块；CCF基本模块包括通道洗牌ChannelShuffle操作模块、拼接操作模块和1×1卷积层；输入特征为第i阶段的同一尺度的可见光图像特征图fiV和红外图像特征图fiI，设定二者大小为h×w×c的张量；首先使用通道洗牌ChannelShuffle操作，将两种特征图中每一个特征的c个通道进行重新组合形成新的特征；可见光图像特征图和红外图像特征图二者的前个通道组成新的可见光特征，二者的后个通道组成新的红外特征；新的可见光特征中各个通道的组合方式为新的红外特征中各个通道的组合方式为然后，使用拼接操作沿着通道维度融合输入特征和新的特征，分别得到大小为h×w×2c的融合特征；可见光图像特征图fiV与新的可见光特征拼接融合，红外图像特征图fiI与新的红外特征拼接融合；最后，使用1×1卷积层压缩融合特征的通道数至c，输出可见光特征和红外特征分别为大小h×w×c的张量；步骤2构建CRF基本模块；CRF基本模块包括压缩-激励操作模块、乘法操作模块、相加操作、归一化操作模块和拼接操作；压缩-激励操作包括全局平池化层、全连接层和Sigmoid激活函数；输入第i阶段的经CCF基本模块输出的同一尺度的可见光特征和红外特征首先使用压缩-激励操作模块Squeeze-and-Excitation获得可见光特征和红外特征的全局统计，分别称为可见光特征注意力向量和红外特征注意力向量两个注意力向量的大小为1×c；然后，使用注意力向量与其对应的特征执行乘法操作，获得可见光模态内激活特征图和红外模态内激活特征图两个注意力向量执行相加操作，并使用Softmax函数沿着通道维度进行归一化操作，获得跨模态注意力向量跨模态注意力向量分别与可见光特征和红外特征执行乘法操作，获得可见光跨模态激活特征图和红外跨模态激活特征图可见光模态内激活特征图与可见光跨模态激活特征图相加操作获得可见光交叉模态激活特征图红外模态内激活特征图与红外跨模态激活特征图相加操作获得红外交叉模态激活特征图最后，利用拼接操作沿着通道维度融合可见光交叉模态激活特征图和红外交叉模态激活特征图获得拼接特征，使用一个1×1卷积层压缩拼接特征的通道数至c，再使用步长为1的3×3的卷积层获得最终的融合特征图步骤3通过步骤1、步骤2构建起来的CCF基本模块与CRF基本模块搭建VINet网络；整个VINet网络分为编码器和解码器两个部分，且可见光图像和红外图像的编码器结构相同；编码器依次为卷积操作网络层、三个Resnet网络层；卷积操作包括步长为2的3×3的卷积层、步长为1的3×3的卷积层；每一层网络层获得的特征尺度依次为以及对特征尺度为以及的可见光特征和红外特征分别执行CCF基本模块后输入至解码器；解码器包括4层网络结构，用于逐步将可见光特征和红外特征的分辨率恢复到其原始分辨率；输入至解码器的特征尺度的特征首先利用CRF基本模块完成多模态的特征融合，然后使用反卷积层对完成多模态特征融合的融合特征图进行2倍的上采样获得尺度的解码特征；上采样获得的尺度的解码特征与经CRF融合后的特征尺度沿着通道维度执行拼接操作，再通过一个1×1卷积层压缩其通道数与特征尺度的特征通道数一致；重复上述操作，直到获得特征尺度的解码特征；特征尺度的解码特征经过一个反卷积层获得输入分辨率的特征，该输入分辨率的特征作为深度图，用于最终的深度估计；步骤4根据步骤3获得的特征图，经过一个步长为1的3×3卷积层和ReLU激活函数获得深度估计结果；采用平均绝对误差构建损失函数对网络进行训练，损失为：其中V表示所有像素，Dp表示在像素位置p处的深度预测，表示像素位置p处的真实深度值。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。