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程大学申请的专利一种SAR-可见光-红外的跨模态图像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：CN119516224B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411529699.0，技术领域涉及：G06V10/74；该发明授权一种SAR-可见光-红外的跨模态图像匹配方法是由闫奕名;高浩然;魏茂盛;贺彦铭;周建政;葛宝玉;侯伟;张拯宁;宿南;张琦设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种SAR-可见光-红外的跨模态图像匹配方法在说明书摘要公布了：一种SAR‑可见光‑红外的跨模态图像匹配方法，涉及图像匹配技术领域。本发明是为了解决现有跨模态图像匹配方法还存在匹配精度及效率低的问题。本发明包括：获得预处理后的待匹配车辆图像和预处理后的候选匹配车辆图像集合；将预处理后的待匹配车辆图像与预处理后的候选匹配车辆图像集合输入到图像匹配模型中，获得待匹配车辆图像特征向量、候选匹配车辆图像特征向量；获取每个候选匹配车辆图像特征向量与待匹配车辆图像特征向量的欧式距离，并根据欧式距离从大到小对候选匹配车辆图像特征向量对应的候选匹配车辆图像排序，并根据预设相似度阈值获得车辆图像匹配结果。本发明用于跨模态车辆图像匹配。

本发明授权一种SAR-可见光-红外的跨模态图像匹配方法在权利要求书中公布了：1.一种SAR-可见光-红外的跨模态图像匹配方法，其特征在于：所述方法具体过程为： 步骤一、获取待匹配车辆图像和候选匹配车辆图像集合，并对待匹配车辆图像和候选匹配车辆图像进行预处理，获得预处理后的待匹配车辆图像和预处理后的候选匹配车辆图像集合； 所述待匹配车辆图像与候选匹配车辆图像属于两个不同模态的图像； 图像的模态包括：可见光图像、合成孔径雷达图像和红外图像； 步骤二、将预处理后的待匹配车辆图像与预处理后的候选匹配车辆图像集合分别输入到图像匹配模型中，分别获得待匹配车辆图像特征向量、候选匹配车辆图像特征向量； 所述图像匹配模型通过以下方式获得： S1、对机载遥感图像数据进行预处理，获取多模态车辆目标图像集； S2、利用多模态车辆目标图像集获得训练集和测试集，并利用训练集和测试集训练并测试模态隐式互学习网络CAIL，获得图像匹配模型； 所述模态隐式互学习网络CAIL，包括：模态A图像处理分支、模态B图像处理分支、特征合并模块、多模态隐式互学习模块MTL、深层特征提取模块和特征向量输出模块； 所述模态A图像处理分支包括：模态A第一阶段处理单元STAGE1和模态A第二阶段处理单元STAGE2； 所述模态A图像处理分支中的模态A第一阶段处理单元STAGE1的输入为训练组中任一模态的车辆目标图像，模态A第一阶段处理单元STAGE1的输出输入到模态A第二阶段处理单元STAGE2，模态A第二阶段处理单元STAGE2的输出为向量； 所述模态A第一阶段处理单元STAGE1包括：第一卷积层和第一LN层； 所述第一卷积层是卷积核大小为4×4，步长为4的卷积层；所述第一卷积层用于获得车辆目标特征图； 所述第一LN层用于对车辆目标特征图进行归一化处理，获得多模态特征图； 所述模态A第二阶段处理单元STAGE2包括：第一ConvNeXtBlock子单元、第一下采样层和第二ConvNeXtBlock子单元； 所述第一ConvNeXtBlock子单元由3个ConvNeXtBlock块串联组成； 每个ConvNeXtBlock块包括：第二卷积层、第三卷积层、第一激活函数层、第四卷积层、第五卷积层、LayerScale操作层和第六卷积层； 所述第二卷积层为卷积核大小为7×7的卷积层；第二卷积层的输出输入到第三卷积层； 所述第三卷积层为卷积核大小为1×1的卷积层；第三卷积层的输出输入到第一激活函数层； 所述第一激活函数层为GELU激活函数；第一激活函数层的输出为第四卷积层的输入； 所述第四卷积是卷积核大小为1×1卷积层；第四卷积层的输出为第五卷积层的输入； 所述第五卷积层为卷积核大小为1×1的卷积层；第五卷积层的输出为LayerScale操作层的输入； 所述LayerScale操作层的输出为第六卷积层的输入； 所述第六卷积层为卷积核大小为2×2且步长为2的卷积层，第六卷积层输出特征图为ConvNeXtBlock块输出特征图； 所述第二ConvNeXtBlock子单元由3个ConvNeXtBlock块串联组成；第二ConvNeXtBlock子单元与第一ConvNeXtBlock子单元结构相同；所述第二ConvNeXtBlock子单元的输入为第一下采样层的输出； 所述模态B图像处理分支包括：模态B第一阶段处理单元STAGE1’和模态B第二阶段处理单元STAGE2’； 所述模态B图像处理分支中的模态B第一阶段处理单元STAGE1’的输入为训练组中另一模态的车辆目标图像，模态B第一阶段处理单元STAGE1’的输出是模态B第二阶段处理单元STAGE2’输入，模态B第二阶段处理单元STAGE2’输出特征向量； 所述模态B第一阶段处理单元STAGE1’与模态A第一阶段处理单元STAGE1结构相同； 所述模态B第二阶段处理单元STAGE2’与模态A第二阶段处理单元STAGE2结构相同； 所述特征合并模块用于将模态A图像处理分支输出特征向量与模态B图像处理分支输出特征向量合并，获得特征图； 所述多模态隐式互学习模块MTL用于处理特征图从而提取特征，获得特征图； 所述深层特征提取模块利用特征图获取多模态融合特征图； 所述深层特征提取模块依次包括：第三阶段处理单元STAGE3和第四阶段处理单元STAGE4；所述第三阶段处理单元STAGE3输出是第四阶段处理单元STAGE4的输入； 所述第三阶段处理单元STAGE3包括：第三下采样层和第三ConvNeXtBlock子单元； 所述第三ConvNeXtBlock子单元由9个ConvNeXtBlock块串联组成； 所述第四阶段处理单元STAGE4包括：第四下采样层和第四ConvNeXtBlock子单元；第四阶段处理单元STAGE4输出多模态融合特征图； 所述第四ConvNeXtBlock子单元由3个ConvNeXtBlock块串联组成； 所述特征向量输出模块利用多模态融合特征图获取模态A车辆目标图像的特征向量、模态B车辆目标图像的特征向量； 所述特征向量输出模块包括：第二平均池化层、批量归一化层和特征拆分层； 所述第二平均池化层用于对第四阶段处理单元STAGE4的输出多模态融合特征图进行平均池化； 所述批量归一化层用于平均池化层的输出进行批量归一化，获得融合特征向量； 所述特征拆分层用于将融合特征向量拆分为两个相同特征向量，获得模态A车辆目标图像的特征向量、模态B车辆目标图像的特征向量； 步骤三、将所有候选匹配车辆图像特征向量合并获得候选匹配车辆图像特征向量组，获取候选匹配车辆图像特征向量组中的每个候选匹配车辆图像特征向量与待匹配车辆图像特征向量的欧式距离，并根据欧式距离从小到大对候选匹配车辆图像特征向量对应的候选匹配车辆图像排序，获得车辆图像匹配结果； 其中，欧式距离值越小表示待匹配车辆图像与当前候选匹配车辆图像越相似； 步骤四、将每个候选匹配车辆图像特征向量与待匹配车辆图像特征向量的欧式距离与预设相似度阈值比较，若欧式距离小于预设相似度阈值，则表示当前候选匹配车辆图像与待匹配车辆图像为同一目标车辆。

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程大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。