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！

龙图腾网获悉江西师范大学申请的专利一种基于小波池化下采样的多分支融合特征匹配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：CN120526276B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202511018276.7，技术领域涉及：G06V10/80；该发明授权一种基于小波池化下采样的多分支融合特征匹配方法是由曾纪国;刘聪;汪婷;刘春扬;方文成;杨波设计研发完成，并于2025-07-23向国家知识产权局提交的专利申请。

本一种基于小波池化下采样的多分支融合特征匹配方法在说明书摘要公布了：本发明公开了一种基于小波池化下采样的多分支融合特征匹配方法，包括如下步骤：先构建含若干图像的数据集；再搭建含浅层、深层、底层提取模块，空间‑通道特征融合模块，双BN卷积激活单元，关键点热图提取模块及特征匹配模块的模型。输入两张待匹配图像，转为灰度图后经各提取模块获浅层、深层、底层特征；融合这些特征得描述符特征图，经双BN单元得可靠性热图；灰度图展开后与初始特征生成关键点热图；最后将三类热图及特征图输入匹配模块，完成匹配；本发明在保持轻量化与推理效率的同时，增强了关键点检测的空间细节保持、多尺度上下文感知及注意力聚焦能力，提升了检测精度与鲁棒性，在复杂场景下泛化性能更优。

本发明授权一种基于小波池化下采样的多分支融合特征匹配方法在权利要求书中公布了：1.一种基于小波池化下采样的多分支融合特征匹配方法，其特征在于，包括如下步骤： 构建数据集；数据集内包含若干图像； 构建特征匹配模型；所述特征匹配模型包括浅层提取模块、深层提取模块、底层提取模块、空间‑通道特征融合模块、双BN卷积激活单元、关键点热图提取模块和特征匹配模块； 输入数据集中待匹配图像至特征匹配模型中，首先将待匹配图像转换为灰度图，将灰度图经过浅层提取模块后，得到第一特征和浅层特征，将浅层特征经过深层提取模块后，得到第二特征和深层特征，将第二特征经过底层提取模块后，得到底层特征；所述待匹配图像为两张； 将浅层特征、深层特征和底层特征一同输入至空间‑通道特征融合模块中进行融合，得到描述符特征图； 将描述符特征图经过双BN卷积激活单元后，得到可靠性热图； 将灰度图与第一特征一同输入关键点热图提取模块，输出关键点热图； 将待匹配图像的关键点热图、可靠性热图和描述符特征图一同输入至特征匹配模块中，完成待匹配图像的特征匹配； 将待匹配图像的关键点热图K、可靠性热图R和描述符特征图F一同输入至特征匹配模块中，完成待匹配图像的特征匹配的具体过程为： 将待匹配图像的关键点热图K和可靠性热图R进行融合，获得最终响应图T； 对最终响应图T进行非极大值抑制，选出非极大值抑制后最终响应图T中的前k个关键点；表示为： ； 式中，表示选出的第个关键点；表示非极大值抑制操作；表示关键点的坐标； 基于关键点，结合对应的描述符特征图F进行双线性插值，得到初步特征向量，将初步特征向量进行归一化，得到归一化特征向量； 基于关键点和归一化特征向量构建待匹配图像的关键点和对应特征向量的集合，表示为： ； ； 式中，表示待匹配图像中第一张图像的关键点和对应特征向量的集合；表示待匹配图像中第一张图像的第个关键点；表示待匹配图像中第一张图像的第个关键点对应的特征向量；表示待匹配图像中第二张图像的关键点和对应特征向量的集合；表示待匹配图像中第二张图像的第个关键点；表示待匹配图像中第二张图像的第个关键点对应的特征向量； 对待匹配图像的关键点进行匹配，找出满足预设条件的关键点匹配对放入最终匹配集合M： 当待匹配图像中第一张图像的每个关键点固定时，遍历待匹配图像中第二张图像的所有关键点，找到使最大的关键点；表示待匹配图像中第二张图像的关键点对应的特征向量与待匹配图像中第一张图像的关键点对应的特征向量之间的相似度矩阵； 当待匹配图像中第二张图像的每个关键点固定时，遍历待匹配图像中第一张图像的所有关键点，找到使最大的关键点；表示待匹配图像中第一张图像的关键点对应的特征向量与待匹配图像中第二张图像的关键点对应的特征向量之间的相似度矩阵； 将和组成关键点匹配对，计算和对应特征向量间的相似度矩阵，将相似度矩阵的值与预设相似度阈值进行比较，将大于或等于预设相似度阈值的关键点匹配对放入最终匹配集合M中； 最后从最终匹配集合M输出关键点匹配对中对应关键点的坐标； 所述浅层提取模块包括第一基础块卷积、第一小波池化下采样模块、第二基础块卷积、第二小波池化下采样模块、第三基础块卷积、第四基础块卷积、第三小波池化下采样模块、第五基础块卷积和第六基础块卷积；灰度图经过浅层提取模块后，得到第一特征和浅层特征的具体过程为： 将灰度图依次经过第一基础块卷积、第一小波池化下采样模块、第二基础块卷积和第二小波池化下采样模块，得到第一特征； 将灰度图经过平均池化层与卷积操作后进行跳跃连接，与第一特征一同输入到第三基础块卷积内进行处理；将第三基础块卷积的输出再依次经过第四基础块卷积、第三小波池化下采样模块、第五基础块卷积和第六基础块卷积后，得到浅层特征； 所述深层提取模块包括依次连接的第四小波池化下采样模块、第七基础块卷积、第八基础块卷积和第一轻量级动态上采样模块；将浅层特征经过深层提取模块后，得到第二特征和深层特征的具体过程为： 将浅层特征依次经过第四小波池化下采样模块、第七基础块卷积、第八基础块卷积后，得到第二特征，将第二特征经过第一轻量级动态上采样模块后，得到深层特征； 所述底层提取模块由依次连接的第五小波池化下采样模块、第九基础块卷积、第十基础块卷积、第十一基础块卷积和第二轻量级动态上采样模块组成；将第二特征经过底层提取模块后，得到底层特征的具体过程为： 将第八基础块卷积的输出即第二特征依次经过第五小波池化下采样模块、第九基础块卷积、第十基础块卷积、第十一基础块卷积和第二轻量级动态上采样模块后，得到底层特征。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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。