本发明公开了一种基于置信度优化的在线多目标跟踪方法，以轨迹对应的检测置信度和匹配成本为参数，基于指数移动平均值逐帧迭代地更新轨迹置信度，并结合轨迹和轨迹置信度构建置信度权重矩阵，对相似度矩阵进行加权优化。不同于以往的轨迹置信度模型，本发明组合MOT任务中常见的中间量(检测置信度和匹配成本)，利用EMA模型迭代更新，计算复杂度低，并且参数无需额外求解；有利于在线任务；不同于以往基于TBD跟踪器的常见做法，本发明并未对参与关联的对象设置任何的置信度门限，在首次关联时，允许所有检测器的输出和激活轨迹参与关联，有助于从超低分检测中恢复中断的轨迹，并减少超参数空间复杂度，方便实际部署。
📄 2023109661352
📂 G06T7_277
👤 安徽工程大学
📅 2023-08-02
本发明公开了一种基于Azure Kinect的目标跟踪定位方法，包括以下步骤：步骤1：通过Azure Kinect提取目标物三维点云数据；步骤2：将目标物点云映射至彩色图；步骤3：建立融合深度信息的目标物“颜色‑形状”模型；步骤4：实时采集彩色图像和深度图像；步骤5：运用深度方差对目标物和相似颜色背景进行连通域分割；步骤6：通过目标物形状偏差率、直方图巴氏距离完成目标识别；步骤7：若目标识别成功，计算目标物质心P0，以目标物质心区域的深度均值完成目标定位；步骤8：输出目标物坐标，更新目标颜色直方图、长宽值和深度值；步骤9：若目标识别失败，重复步骤4至步骤8。本发明能够克服基于颜色特征的目标跟踪方法易受相似颜色背景干扰的问题。
📄 2021109702283
📂 G06T5_40
👤 南通大学
📅 2021-08-23
本发明提出一种基于可学习稀疏转换注意力机制的目标跟踪方法与系统，包括：对给定第一帧目标框中的图像初始化以生成目标模板图像；在后续帧中，以前一帧目标框中的图像的目标中心作为中心点，通过多尺度策略以获取得到多个搜索区域图像；将目标模板图像与搜索区域图像输入到共享权值的卷积神经网络模型中，通过卷积神经网络分别提取特征；基于可学习稀疏模型对提取的特征进行空间转换和通道转换；将目标模板深度特征作为卷积核，对搜索区域图像进行滑窗操作，以得到多个得分图，根据得分值最大位置推测出目标相对位移和尺度变化，以实现目标跟踪。本发明具有很好的鲁棒性与实时性，可实现良好的目标图像跟踪效果。
📄 2021109291604
📂 G06T7_246
👤 山东承坤信息科技有限公司
📅 2021-08-13
本发明公开了一种视频拍摄目标跟踪方和装置，包括：设置屏幕显示区域；进行用户视频对象跟踪；调整显示屏幕中显示区域；生成视频。本发明能够方便控制视频显示区域，进行视频拍摄对象的跟踪，并能够根据进行视频对象的微调，以完整的呈现拍摄视频的用户视角。
📄 2019103524209
📂 H04N5_232
👤 嘉兴奥腾电子科技有限公司
📅 2019-04-29
本发明公开了一种基于孪生网络的多预测输出对齐的目标跟踪方法及装置，包括：获取视频；对所述视频进行预处理，提取得到模板图像Z和搜索区域图像X；其中将视频序列首帧提取的以目标为中心的图像作为模板图像Z，将后续帧中以上一帧预测目标位置为中心的图像作为搜索区域图像X；将模板图像Z和搜索区域图像X输入预训练好的目标跟踪网络模型；根据所述目标跟踪网络模型的输出，确定目标跟踪结果。所述目标跟踪网络模型通过补充模块能够对基础跟踪器预测的目标边界框进行微调，生成能够紧密包裹目标的边界框，进而进行更精准的目标区域预测。
📄 2022111204562
📂 G06T7_246
👤 南京信息工程大学
📅 2022-09-15
本发明为基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，包括：1.在特征提取阶段，对多特征进行压缩，以降低特征维数、减少训练时间。2.采用背景加权技术对压缩后的多特征进行自适应融合，形成跟踪使用的特征向量，以有效降低相似物和遮挡的干扰。3.在跟踪过程中，采用Kalman滤波预测目标位置，并进行目标跟踪优化：(1)在分类过程中，计算样本位置与Kalman预测位置的距离权重，然后将该权重输入贝叶斯分类器，以增强分类性能、降低错误跟踪率。(2)在参数更新过程中：采用自适应学习率代替恒定不变的学习率，以减小噪声对分类性能的干扰。本发明可以有效提高在复杂情况下快速运动物体的跟踪准确率。
📄 2017107472793
📂 G06T7_277
👤 浙江工业大学
📅 2017-08-28
一种基于渐进无迹卡尔曼的目标跟踪方法，该方法考虑到量测线性化过程中的截断误差问题,提出渐进无迹卡尔曼滤波算法使其更好地处理在量测线性化过程中存在的线性化误差、数值计算误差增大问题。本方法首先根据贝叶斯法则构造系统状态的同伦函数，通过对量测更新过程进行迭代渐进地引入当前观测信息，进而得到系统的后验状态。同时，在渐进过程中引入一个新息判定条件，确保在渐进过程中系统的估计误差有界，保证滤波器的稳定。相比现有的目标跟踪方法，该方法充分考虑了线性化误差的影响，在保证计算复杂度的前提下，提高了目标跟踪精度和鲁棒性。
📄 2017110816024
📂 G01S13_66
👤 浙江工业大学
📅 2017-11-07
一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法，包括：步骤1、高斯分量初始化；步骤2、高斯分量预测；步骤3、高斯分量更新；步骤4、剪枝与合并；步骤5、状态估计；步骤6、航迹生成；本发明赋予每个高斯分量专有标签值，并给出了各目标随时间变化的状态之间的关联关系，最终提取出各目标航迹。同时，针对滤波器在杂波浓度过高下性能下降的问题，本发明通过修改高斯分量更新权值，提取出与目标唯一对应的观测值，以保证航迹的连续性。
📄 2020106362302
📂 G01C21_20
👤 浙江工业大学
📅 2020-07-03
一种基于假设卡尔曼滤波的人体目标跟随方法，包括如下步骤：1)通过移动机器人与人的相对位置关系建立机器人跟随模型；2)利用激光雷达获取目标的二维信息，提取出人体的腿部的几何特征，并用支持向量机方法来训练和识别；3)应用假设卡尔曼滤波方法对机器人进行运动滤波，使移动机器人能够平稳运行；4)移动机器人控制器的设计。针对移动机器人运动模型建立了系统状态方程和观测方程，并考虑由于人的运动模型是未知的，因此在每一时刻的估计位置附近选取多个假设的预测位姿，使用假设卡尔曼滤波器，运用支持向量机方法极大提高了人体的识别率，保证了移动机器人能够很好的跟随人体，估计结果可以满足实际应用的精度与实时性要求。
📄 2018104125678
📂 G05D1_12
👤 浙江工业大学
📅 2018-05-03
一种基于目标跟踪的视频防抖方法，属于视频序列自动检测技术领域。它包括如下步骤:步骤一、选择视频序列中的一个基本帧，在基本帧内视频中标记目标物体，获得该物体在基准帧中的坐标；步骤二、在基本帧上标记显示区域，获得标记bounding-box集合；步骤三、将标记物体和视频序列送入跟踪算法，获得跟踪算法在每一帧中捕获到的目标图像坐标；步骤四、计算每一帧的显示区域；步骤五、判断跟踪结果是否可用。本发明能够在满足视频序列中的每一帧都存在同样一个不移动物体的条件下，在跟踪算法的基础上进行算法层面的视频防抖；且在避开机械防抖的成本因素牵绊的同时，还可以利用简单的人机交互快速获得视频防抖的效果。
📄 2020101910870
📂 H04N5_21
👤 浙江工业大学
📅 2020-03-18
本发明涉及一种基于对象空间关系的目标跟踪算法，具体包括以下步骤：G1、以图像的特征和目标在图像中的位置作为输入，并利用五层卷积小网络来捕获两帧图像中目标的关联性，最终获得目标间的特征相似矩阵；G2、获取目标中心点的距离作为目标间的空间相似矩阵，将空间相似矩阵与特征相似矩阵做哈达玛积，同时计算目标的关联性，防止将表观特征相似性大但空间位置相距较远的目标进行错误关联，最终得到目标跟踪结果。本发明能够改善只利用目标表观特征的目标跟踪算法在目标表观特征相似性大而空间特征相似性小的场景下出现的跟踪效果降低的问题。
📄 2020104395231
📂 G06T7_246
👤 重庆理工大学
📅 2020-05-22
本发明公开了一种基于排序融合学习的目标跟踪方法，主要包含以下步骤：计算目标候选区域在各种跟踪算法的排序、建立后验概率模型(Extended Mallows Model)、基于EM算法的参数计算、专家度参数与跟踪算法的自适应更新等模块。本发明提出一种通用框架来实现了不同跟踪算法的有效融合，特别有效地实现了判别式跟踪算法和产生式跟踪算法的完美互补，从而避免了它们各自的缺点，提高跟踪算法的鲁棒性。实验结果表明，相对于其他的经典跟踪算法，该跟踪算法更具有普适性，即在各种具有挑战性视频中也能精确地跟踪到目标。该算法是一种通用的算法，具有广泛的应用前景。
📄 2015102701763
📂 G06T7_20
👤 温州大学
📅 2015-05-23
柿子坊 · 知识产权运营
柿子坊知识产权运营平台