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！

龙图腾网获悉三峡大学申请的专利基于RepVGG轻量级网络的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：CN115641456B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202211248056.X，技术领域涉及：G06V10/75；该发明授权基于RepVGG轻量级网络的图像匹配方法是由冉昌艳;李维文设计研发完成，并于2022-10-12向国家知识产权局提交的专利申请。

本基于RepVGG轻量级网络的图像匹配方法在说明书摘要公布了：一种基于RepVGG轻量级网络的图像匹配方法，步骤为：步骤S1、构建轻量级特征提取网络，提取多通道特征图。步骤S2、从多通道特征图中提取特征点和计算描述子。步骤S3、使用FLANN算法进行特征匹配。步骤S4、采用改进的RANSAC算法剔除误匹配，得到最终匹配对。本发明是基于深度学习的一种特征匹配方法，提出了一种基于RepVGG轻量级网络的图像匹配方法。以RepVGG网络为基础，结合GCNv2网络的特点，针对图像匹配领域设计了一种结构简单、可读性强的轻量级特征匹配网络，节省算力的同时，使网络训练负担更小，易于训练和部署。

本发明授权基于RepVGG轻量级网络的图像匹配方法在权利要求书中公布了：1.一种基于RepVGG轻量级网络的图像匹配方法，其特征在于包括以下步骤： 步骤S1、构建轻量级特征提取网络，提取多通道特征图； 步骤S2、从多通道特征图中提取特征点和计算描述子； 步骤S3、使用FLANN算法进行特征匹配； 步骤S4、采用改进的RANSAC算法剔除误匹配，得到最终匹配对； 步骤S1中，构建以RepVGG为骨干的下采样网络，采样特征图，方法如下： S101.构建一个RepVGG-block：构建多分支结构，输入P经过一次3x3卷积和一次BN归一化得到P1，网络参数为N1；同时让图像P经过一次1x1卷积和一次BN归一化得到P2，网络参数为N2；同时让P经过一次BN归一化得到恒等自身映射P3，网络参数为N3，记作Identity层；在Identity层分支设置判断A， 判断A：仅当RepVGG-block模块不改变特征通道数且卷积设置步长stride为1时，RepVGG-block为正常结构，不改变；否则，删除此处Identity层分支，此时进行下采样；P1,P2,P3三者结果相加；随后使用GELU函数激活； 当网络处于训练阶段，上述RepVGG-block结构不变；当网络处于部署模型推理阶段，则对判断A中两种RepVGG-block的网络参数进行结构重参数化，将多分支网络结构合并为单路网络结构； S102.使用RepVGG-block构建轻量级下采样网络结构，将该RepVGG-block模块堆叠8层，RepVGG-block输入通道数定义为传入的特征通道数，输出通道数分别定义为[32,32,64,64,128,128,256,256]；其中1，3，5，7为下采样层；2,4,6,8,为正常RepVGG-block结构；在第1层经过GELU函数激活后，加入CBAM模块；在第8层经过GELU函数激活后，加入CBAM模块，网络构建完成；将图像输入网络，得到通道数为256的特征图，定义为； 步骤S4的操作如下： 将S3步骤得到的匹配点对集合记作，将匹配点对按质量从高到低进行顺序排列，从中取出前60％的点对记作集合M，当集合M中元素少于100时，将记作M；随后使用RANSAC算法从集合M随机选取4个点对计算单应性变换矩阵H，并筛选内点剔除误匹配；其中，特征点质量评价指标为S2中预测概率图NMS-F的值，匹配点对质量为匹配图像中特征点对的NMS-F值相加。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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。