一种基于联合检测和重识别的无锚实时多目标跟踪方法，包括：将实时视频输入到本发明的网络中，提取出高分辨率的特征映射，通过LSC注意力模块进行特征增强，将获得的特征图分别进行目标检测任务和重识别任务，并进行多目标跟踪。网络训练过程为：训练集视频帧作为网络输入，对每一帧中的分目标位置、边框偏移和外观特征进行预测，计算其对应的Loss并经过自学习损失函数平衡权重，最后根据计算出的损失来更新网络的参数。不断迭代训练，直到网络预测的精度可以达到一个稳定的水平。本发明的跟踪器采用两阶段跟踪方式，通过提出新的相似度矩阵，实现更好的跟踪效果。本发明的无锚单阶段多目标跟踪网络，实现了多目标跟踪的实时性和鲁棒性。
📄 202310198363X
📂 G06T7_246
👤 浙江工业大学
📅 2023-03-03
本发明公开一种基于跨模态感知的自学习多目标跟踪方法及系统，S1:采集可见光与红外视频流，进行时序对齐后输入一个基于Transformer的跨模态融合网络，通过交叉注意力机制深度融合两种模态的信息，生成融合特征图；S2：采用基于关键点的无锚框检测器CenterNet定位目标，并在目标中心点提取身份重识别Re‑ID特征；S3:采用一个并行的关联与预测流程，状态自适应预测器SAP模块对现有轨迹进行运动状态预测，一个置信序列关联器CSA模块通过在线学习马氏距离的统计分布，动态生成决策置信区间，进行决策判断；S4:引入全局轨迹修正器GCM模块，对轨迹中断进行后处理，实现轨迹缝合与身份ID修正。本发明实现了在复杂环境下对多目标进行实时跟踪。
📄 2025110696582
📂 G06T7_246
👤 西南大学
📅 2025-07-31
本发明公开了一种深度特征关联的多目标跟踪方法，包括：S1.提取原始的视频帧Vt，Vt-n，进行处理，输出It，It-n，Ct，Ct-n；S2.对数据进行预处理；S3.在深度特征提取器中进行通道数的缩减，组成含有512个通道数的特征集合Ft和Ft-n；S4.将特征矩阵Ft和Ft-n进行关联性分析，得到跟踪目标的轨迹Tt；本方法通过加深网络深度提取更丰富的语义信息，通过融合多层次特征保留更多细节信息，用共享权重的孪生网络联合训练不需连续的帧，解决目标遮挡问题，在计算中添加额外的列行表示对象的进出，解决跟踪对象进出视频帧的问题，整体上提高目标关联的性能，具有保留更多的细节信息、追踪结果准确的特点。
📄 2020107056944
📂 G06T7_246
👤 青岛科技大学
📅 2020-07-21
一种用于多传感器多目标跟踪的自适应传感器管理方法，其包括如下步骤：S100：根据传感器网络带宽限制与跟踪处理实时性要求，规定每个时刻所选择的传感器个数为P；S200：将传感器管理建模为部分可观测马尔科夫决策模型；S300：利用所述部分可观测马尔科夫决策模型估计传感器网络中每个传感器所能获取的信息量；S400：从所有传感器中，选择获取信息量最多的P个传感器；S500：按照信息量从小到大的顺序，将所选择P个传感器进行排序；S600：对传感器发出控制指令，激活所选择的P个传感器，获取目标量测，利用广义标签多伯努利滤波器实现目标个数与状态估计。
📄 2021104213168
📂 G01D3_028
👤 陕西师范大学
📅 2021-04-19
一种基于T分布的鲁棒GLMB多目标跟踪方法，属于制导和智能信息处理技术领域，主要解决多目标的跟踪、航迹关联和状态估计问题。本发明方法在J‑GLMB跟踪算法框架下，假设目标状态服从T分布，采用TDVB滤波技术进行状态更新。本发明与传统方法相比，提高了非线性和强干扰场景下的多目标跟踪精度和鲁棒性，可以满足实际工程系统的设计需求，具有良好的工程应用价值。
📄 2020103604812
📂 G01C21_20
👤 江苏理工学院
📅 2020-04-30
本发明属于智能信息处理技术领域，涉及多扩展目标的预测划分与量测标记，具体为一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，实现了对紧邻目标量测集的高精度划分和精确跟踪，可以用更小的代价实现更精确地划分，从而可以提高滤波器的精度，可用于航空航天、机器人导航、无人车辆导航，车辆跟踪、激光雷达等领域，与传统方法相比，本发明具有良好的精度与鲁棒性，具有良好的利用价值。
📄 2020101014488
📂 G06F17_11
👤 江苏理工学院
📅 2020-02-19
本发明公开了一种红外多目标跟踪方法，主要解决现有技术在目标检测时检测精度较低、模型容易过拟合的问题。其实现方案是:框选红外影像中的人、车目标，并对红外影像进行直方图均衡化，构建训练数据集；在现有RFBNet网络基础上修改其骨干网络，构建目标检测网络；利用训练数据集采用梯度下降法训练目标检测网络；将待跟踪的红外视频输入到训练好的目标检测网络，获得视频中的目标检测结果；选用DeepSORT多目标跟踪算法对目标检测结果进行数据关联，建立人、车运动轨迹，得到红外多目标跟踪结果。本发明减小了目标检测模型的过拟合程度，提高了跟踪精度，可用于复杂红外场景中对行人及车辆的多目标实时跟踪。
📄 2021110480433
📂 G06T7_246
👤 西安电子科技大学
📅 2021-09-08
本发明涉及一种路侧视角多目标跟踪方法，通过采用成对目标进行匹配，有效降低距离过近造成遮挡的两个目标产生的漏检，误检、跟踪目标身份转换问题；进一步地，通过采用轻量化网络和先进的激活函数，能够达到更快的计算速度，在网络参数大幅减小的同时，精度保持不变，并能够为后续的目标跟踪提供较为准确的初始化和观测值；进一步地，采用两对检测目标计算外观余弦矩阵，能够减少计算量，提高目标匹配速度；同时，对于没有匹配成功的目标对构成的对象，进一步通过单个目标进行匹配，从而提高匹配成功率，提高多目标跟踪精度。
📄 2022100238724
📂 G06T7_246
👤 燕山大学
📅 2022-01-10
本发明公开了一种基于数据关联与轨迹评估的多目标跟踪方法，首先，利用随机采样一致性算法对每一个d∈D的观测进行直线拟合，得到目标的初始轨迹集T，同时利用时空关系对每一个d∈D的观测建立条件随机场模型，并给出标号方式；其次，建立拟合模型、先验模型、互斥模型，在CRF模型的基础上，利用拟合模型、先验模型、互斥模型构建目标函数，并利用梯度下降法与α‑expansion算法求解目标函数的近似最小能量；最后，基于最小能量对初始轨迹集T进行分割与合并、添加与删除、增长与收缩，得到目标的最佳跟踪轨迹。本发明基于数据关联与轨迹评估的多目标跟踪算法能够在场景拥挤、目标身份切换频繁、目标长时间遮挡的情况下得到稳定、连续的跟踪轨迹。
📄 2017102492269
📂 G06T7_246
👤 南京邮电大学
📅 2017-04-17
本发明公开了基于多目标跟踪的卡丁车比赛行为分析方法，首先，检测图像中卡丁车的位置，绘制卡丁车外接矩形检测框，提取图像特征；通过卡尔曼滤波预测卡丁车的运动状态；利用图像特征和检测框进行相似度计算，输出相似度矩阵并进行匹配，完成对卡丁车的多目标跟踪；之后对卡丁车赛道进行场景标定，实现像素坐标与其在真实世界中点的坐标之间的互相转换，输出卡丁车在真实世界中的坐标变化，形成完整的运动轨迹和速度时序变化，再将运动轨迹输入到网络中训练，得到卡丁车行为分析结果。本发明的方法，可以识别卡丁车的比赛行为，并记录有车辆碰撞、超车、缠斗等精彩行为的画面，还可记录同一画面多辆车的运动轨迹，分析多辆卡丁车之间的比赛行为。
📄 202210433273X
📂 G06T7_277
👤 西安理工大学
📅 2022-04-22
本发明属于雷达信号处理领域，具体提供一种基于毫米波雷达的多目标跟踪方法，可用于近距离场景下的毫米波雷达多目标跟踪。本发明充分利用毫米波雷达的多普勒维度信息，通过利用多普勒的D‑CJPDA算法计算航迹与雷达聚类目标的关联概率，并以级联匹配为框架，通过KM匹配算法实现数据关联；同时，本发明考虑到目标漏检情况，通过椭圆关联门算法对杂波点迹进行二次数据关联，降低目标跟踪丢失的概率；并且，对匹配成功的航迹，用隶属于同一聚类目标的雷达测量点迹进行替换后，再通过利用多普勒的PDAF滤波器进行航迹更新，进而提高多目标跟踪的精度。综上，本发明具有跟踪准确率高的优点。
📄 2022104730366
📂 G01S13_72
👤 电子科技大学
📅 2022-04-29
本发明提供了一种基于随机噪声与注意力机制的多目标跟踪中位置预测方法，属于多目标跟踪领域。本发明提供的技术方案中，通过构建目标驱动网络对传统卡尔曼滤波方法进行替换，目标驱动网络包括LSTM编码器单元、粗略目标估计单元、基于CVAE的目标位置预测单元和随机噪声和注意力机制的精确目标估计单元；通过CVAE目标位置预测单元进行非误匹配场景的目标位置预测，同时通过基于随机噪声和多头注意力机制的精确目标位置预测单元进行误匹配场景下的目标位置预测。有效减小了实际复杂场景中，目标位置预测的偏差。进而减少了目标间误匹配的数量，使得实际复杂场景中多目标跟踪的精度明显提升。
📄 202411931537X
📂 G06T7_246
👤 电子科技大学
📅 2024-12-26
柿子坊 · 知识产权运营
柿子坊知识产权运营平台