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！

龙图腾网获悉电子科技大学申请的专利基于雷达数据和图像数据的目标语义分割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：CN119559398B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411693233.4，技术领域涉及：G06V10/26；该发明授权基于雷达数据和图像数据的目标语义分割方法是由张翔;杨文韬;肖又恒;周茂樟;王双凯设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本基于雷达数据和图像数据的目标语义分割方法在说明书摘要公布了：本发明公开了一种基于雷达数据和图像数据的目标语义分割方法，包括以下步骤：步骤1、雷达点云数据的预处理：通过雷达传感器获取雷达点云数据，对雷达点云数据进行预处理；步骤2、将预处理后的点云数据进行投影，转换为伪深度图形式；具体包括如下子步骤：步骤2‑1、确定投影平面；步骤2‑2、进行坐标转换；步骤2‑3、投影计算；步骤3、特征交互：将伪深度图形式的雷达数据和输入的图像数据进行特征交互；步骤4、将融合后的多模态特征输入解码器网络，生成语义分割结果。本发明通过结合雷达点云数据和图像数据的优点，提出一种在低光、强光、雨雾等恶劣环境下依然能够保持高精度的语义分割方法。

本发明授权基于雷达数据和图像数据的目标语义分割方法在权利要求书中公布了：1.基于雷达数据和图像数据的目标语义分割方法，其特征在于，包括以下步骤： 步骤1、雷达点云数据的预处理：通过雷达传感器获取雷达点云数据，包含了环境中物体的三维坐标信息，对雷达点云数据进行如下预处理： 步骤1-1、去噪处理：使用滤波器对点云数据进行去噪处理，对每个点的邻域内的点进行加权平均，消除孤立点和噪声点； 步骤1-2、密度补全：通过插值和重建算法填补点云数据中的稀疏区域，增加点云数据的密度；采用PointNet++进行补全； 步骤1-3、数据配准：使用迭代最近点算法将不同视角的点云数据对齐，通过最小化两组点云的最近点对之间的距离，进行迭代优化； 步骤2、将预处理后的点云数据进行投影，转换为伪深度图形式；具体包括如下子步骤： 步骤2-1、确定投影平面：根据点云数据采集时的角度，选择投影平面； 步骤2-2、进行坐标转换：将三维点云数据转换到相机坐标系下；首先，获取相机的外参包括旋转矩阵R和平移向量T；然后将点云数据从雷达坐标系转换到相机坐标系： Pc＝R·P1+T 其中，Pc是相机坐标系下的点，P1是雷达坐标系下的点； 步骤2-3、投影计算：使用相机的内参将三维点云数据投影到二维平面上，生成伪深度图： u＝fx·XZ+cx v＝fy·YZ+cy 其中，u,v是图像平面上的像素坐标，X,Y,Z是相机坐标系下的三维点坐标；fx、fy是相机在x、y轴方向的焦距参数，cx,cy为相机主点坐标； 步骤3、特征交互：采用相机拍摄与雷达点云数据同一方向的场景，得到图像数据；将伪深度图形式的雷达数据和输入的图像数据进行特征交互；具体方法如下： 步骤3-1、特征提取：使用卷积神经网络分别提取图像数据和伪深度图数据的特征； 步骤3-2、多模态对齐：通过对比学习和交叉注意力机制，将两种不同模态的数据特征对齐；对比学习确保特征表达的一致性，交叉注意力机制实现特征的互补与交互； 交叉注意力公式如下： AttentionQ,K,V＝softmaxQKTsqrtdk·V Q是查询矩阵，为处理后的点云特征；K是键矩阵，V是值矩阵，K和V是从图像数据提取出的特征；dk是尺度缩放因子； 步骤3-3、特征融合：将对齐后的图像特征和伪深度图特征进行融合，形成多模态特征表示；将对齐后的图像特征和伪深度图特征进行拼接后，使用多头自注意力机制进行特征融合，公式如下： Z＝Attentionhead1,…,headi,…,headn·Wo 其中Wo是输出权重矩阵，headi＝AttentionQi,Ki,Vi； 步骤4、将融合后的多模态特征输入解码器网络，生成语义分割结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。