专利交易市场

本发明涉及一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法，通过利用卷积关联网络与轻量级目标检测网络共享特征，来捕获目标间的关联性，从而实现目标跟踪，具体包括以下步骤：A1‑1、获取一个一阶段目标检测模型，然后一共经过5次下采样，在最后三个尺度的特征图上进行预测，除了第一次下采样时采用普通卷积模块，后面四次下采样均采用多尺度下采样模块中设计到的模型均更换成可分离卷积模块，并将模型在最后三次下采样的特征图上做目标框预测，最终构成轻量级行人目标检测网络；A2‑1、预测目标关联矩阵，得到目标关联矩阵；A3‑1、然后通过卷积关联网络设计行人目标跟踪策略，最终获得行人关联的目标跟踪结果。本发明在跟踪精度与速度上都能良好地适应自动驾驶场景。

结合粒子滤波及度量学习的视频目标跟踪方法，属于目标跟踪领域，所提方法首先离线训练可有效获取目标高层抽象特征的卷积神经网络；而后，基于核回归度量学习方法学习加权距离度量矩阵以最小化核回归预测误差，并利用梯度下降法求解所得最优化问题进而获得表征最优候选目标的距离度量矩阵；再者，基于所得最优候选目标预测值计算重构误差以构建目标观测模型；最后，引入短时与长期稳定更新相结合的更新策略，并基于粒子滤波跟踪框架实现目标有效跟踪，本发明具有较高目标跟踪精度及较好鲁棒性。

本申请公开了一种跟踪拍摄的方法、设备和无人机，所述方法包括：在预置位状态确定待跟踪目标对象之后，将无人机从预置位状态转换为缩放跟踪状态，其中，预置位状态表示无人机的初始状态；在缩放跟踪状态，对摄像机进行缩放处理，并在缩放处理过程中采用第一跟踪算法对待跟踪目标对象进行跟踪拍摄，其中，摄像机位于无人机中；当摄像机缩放完成之后，将无人机从缩放跟踪状态转换为持续跟踪状态；在持续跟踪状态，采用第二跟踪算法对待跟踪目标对象进行跟踪拍摄，其中，第二跟踪算法和第一跟踪算法不相同。通过在缩放跟踪状态和持续跟踪状态采用不同的跟踪算法对待跟踪目标对象进行跟踪拍摄，能够确保跟踪拍摄的准确性，有效提高跟踪拍摄的鲁棒性。

在定义了相控阵雷达群目标跟踪的工作方式概念基础上，所发明内容为：群目标的分类；群目标跟踪的扫描区域形成方法；群目标跟踪的扫描区域跟随方式；狭义群目标跟踪方式、广义群目标跟踪方式、混合群目标跟踪方式。其显著特征是扫描区域随着群目标的运动而运动、扫描区域大小伴随群目标规模的变化而变化，具有对目标机动不敏感、对群目标成员覆盖全面、目标跟踪与态势认知一体、能够测量目标数量的特点。既适用于单雷达对单、多群目标跟踪，也适用于多雷达对单、多群目标跟踪；既适合窄带相控阵雷达，也适用于宽带相控阵雷达；既适用于多目标雷达、也适用于光学系统。是相控阵雷达一种独立的、全新的工作方式，对相控阵雷达的设计与发展具有革命性意义。

本发明涉及一种高速护栏跟踪方法，属于无人驾驶中道路环境感知领域，用于在高速路环境中建立护栏模型并对护栏进行跟踪，包括：首先采用摄像机获取道路图像，其次对采集的图像预处理，并对图像进行逆透视变换，然后对于预处理后的图像数据，采用一种可操纵滤波器的方法，建立图像中的护栏模型，并用迭代加权最小二乘法去除干扰线段拟合护栏，从而获得护栏相关参数，随后采用卡尔曼滤波跟踪护栏模型，得到护栏位置、斜率以及曲率的最优估计值，最终实现对高速护栏的跟踪。上述高速护栏跟踪方法可以仅利用摄像机精确稳定地实现高速护栏的跟踪。