本发明公开了一种识别跟踪方法、装置、电子设备及存储介质。该方法包括：连续获取多个跟踪图像，确定跟踪图像中包含跟踪目标的跟踪区域；在跟踪目标为多个的情况下，对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据。本发明通过对跟踪图像分步进行跟踪区域检测和识别校准，解决了在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，通过轮询识别校准的方式同时对多个跟踪目标进行视觉跟踪，解决了在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题，减小识别跟踪的延迟，保证跟踪的实时性。
📄 202410232430X
📂 G06T7_246
👤 杭州穿石物联科技有限责任公司
📅 2024-03-01
已申报项目
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
本发明公开了一种基于互相关匹配增强孪生网络的目标跟踪方法及系统，包括：对所采集的待跟踪目标的视频序列进行裁剪，获得所有帧图像的模板图像和搜索图像；将所述模板图像和搜索图像输入至构建并训练好的互相关匹配增强孪生网络中，提取模板图像和搜索图像的模板特征和搜索特征；对模板特征和搜索特征进行互相关匹配得到互相关特征；对模板图像进行边界框信息编码得到边界框编码特征；对互相关特征与边界框编码特征的融合特征进行分类计算和回归计算，得到相应的分类得分图和回归预测图；根据分类得分图中响应值最大的位置，结合回归预测图的偏移量，获得目标在视频序列帧上的最终位置。本发明对复杂场景变化跟踪的适应能力强且精度高。
📄 2022113443642
📂 G06T7_246
👤 南京信息工程大学
📅 2022-10-31
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
本发明公开了一种基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，包括以下步骤：利用GIOU引导的通用鲁棒目标跟踪对抗攻击方法，通过对输入视频帧进行翻转填充变换产生丰富样本，以视频帧真实标注框与目标跟踪器预测框之间的GIOU分数为引导产生通用对抗扰动，同时对扰动应用多种变换操作来寻找最佳通用扰动，使扰动能抵御目标跟踪中的各种挑战。本发明可以将训练好的扰动直接迁移叠加到任意未知图像中，生成的对抗样本图像不仅不易被发现，且不需要额外的计算资源，实现了目标跟踪攻击的高效性和鲁棒性。
📄 2023100531103
📂 G06T7_246
👤 南京信息工程大学
📅 2023-02-03
一种面向卷积神经网络的自适应特征选择视频目标跟踪方法，包括以下步骤：1)多层CNN特征提取；2)训练相关滤波器；3)特征选择；4)目标跟踪过程如下：利用conv3-2，conv3-4，conv3-8，conv3-12，conv3-16五层的卷积特征作为目标特征观测，经过特征选择之后分别训练五个相关滤波器wk，k∈[1，5]，然后通过加权投票最终决定目标位置(x*,y*)，权重参数wk根据学习率ρ在线更新。本发明显著降低特征维度，并在不损失特征判别能力的情况下降低运算量。
📄 2017114348841
📂 G06T7_246
👤 浙江工业大学
📅 2017-12-26
一种基于时空交互神经网络的车辆轨迹跟踪方法，包括：首先预处理传感器数据，将相对坐标转换为地理坐标，并进行聚类得到平均地理坐标点；其次将车辆观测值与跟踪器轨迹匹配，更新跟踪器轨迹记录；然后使用基于时空交互的预测模型对跟踪器的轨迹记录进行单步预测，等待下一轮车辆观测值的匹配；在训练阶段还要使用改进的深度匈牙利网络计算当前预测的跟踪精度，以调整预测模型的参数。本发明能够利用多个传感器的车辆坐标进行共同处理；在考虑车辆时间因素和空间因素的情况下对车辆位置进行预测；借助改进的深度匈牙利网络实现以跟踪精度为指标对预测模型进行端到端训练。
📄 2022103870720
📂 G06T7_246
👤 浙江工业大学
📅 2022-04-13
一种基于对冲算法的多特征融合目标跟踪方法，包括以下步骤：S1用空间正则化矩阵代替等权正则化来生成更精细的相关滤波器；S2在跟踪帧中提取特征生成三张空间置信图：2.1)利用颜色直方图模型生成颜色可置信图；2.2)利用从预训练VGG19中获得特征生成两种深度可置信图；S3获得三个跟踪结果；3.1)用三张空间置信图分别增强被跟踪样本的HOG特征；3.2)对三个增强后HOG分别进行相关滤波；S4利用标准对冲算法对三个滤波结果进行融合，得到最终结果；S5用更新机制对模型进行更新。本发明能够在复杂环境下对视频指定目标进行跟踪标注，并具有良好的跟踪效果。
📄 2020104531467
📂 G06T7_246
👤 浙江工业大学
📅 2020-05-26
一种基于多特征融合的癌细胞跟踪方法，包括以下步骤：步骤1，癌细胞的检测，包括以下步骤：1.1、制作数据集；1.2、候选区域的产生；1.3、建议区域的分类及候选框的精修；步骤2，癌细胞的特征提取，包括以下步骤：2.1、质心特征的提取；2.2、卷积特征的提取；步骤3，癌细胞的初级跟踪，包括如下步骤：3.1、癌细胞类别判定；3.2、按类别进行初步跟踪；步骤4，癌细胞的再跟踪，包括如下步骤：4.1、漏检区域的关联匹配；4.2、重复检测区域的关联匹配。本发明提供了一种有效提高跟踪效率和跟踪精度的基于多特征融合的癌细胞跟踪方法。
📄 2018104182736
📂 G06T7_246
👤 浙江工业大学
📅 2018-05-04
一种基于对象级变换神经网络的跟踪方法，包括：1)根据给定的视频序列和第一帧的标注信息Box1，获取待跟踪视频序列的跟踪模板Z和动态局部模板Zdl；其中动态局部模板Zdl由跟踪模板Z处理后获得，包含9个局部模板；2)根据上一帧的标注信息，获取待跟踪视频序列的搜索图片Si；3)基于步骤1)和步骤2)将跟踪模板Z、动态局部模板Zdl和搜索图片Si作为对象级变换神经网络的输入，获取特征编码后的搜索图片特征X；4)基于步骤3)将编码后的搜索图片特征X作为角点预测网络的输入，获得当前帧中目标定位信息Boxi；5)通过动态局部模板更新策略更新局部模板。本发明将对象级的注意力设计为窗户注意力，从而有效地避免背景信息分散注意力。
📄 2022111133459
📂 G06T7_246
👤 浙江工业大学
📅 2022-09-14
本发明公开了一种RFID无设备人体追踪系统的择优标签方法，包括如下步骤：S1，区域划分，将监控区域划分为N个位置；S2，特征提取及计算，提取每个位置一段时间内采样的T个RSSI的均值和方差，并且将该段时间RSSI的分布与所在位置建立映射关系；S3，构建深度学习模型，根据T的RSSI序列，解析相应的位置序列，即人体真实的移动轨迹；S4，标签布局方式选择，根据深度学习模型对于位置的分类正确率，择优选择标签。本发明通过深度学习模型，在保持人体追踪精度的同时，减少了标签数量，提高了模型灵活性，避免了精度下降，提高了处理长路径序列的性能，弥合了位置序列预测任务的训练和推断之间的差距。
📄 2021110830511
📂 G06T7_246
👤 浙江工业大学
📅 2021-09-15
本发明涉及一种基于无监督分割的时变体数据全局特征跟踪方法，构造体数据分割网络，对输入的体数据进行分割并实现全局追踪。本发明引入深度学习分割体积数据，从背景中分离特征域，能够自动、准确地跟踪复杂数据中的特定特征，不需要任何人为标注，降低跟踪复杂性，提高跟踪准确性；引入全局特征跟踪方法，只要选择目标特征，就可以在所有时间步长内跟踪与目标特征相似的特征的轨迹，用户可以选择任何时间步的任意特征，在时变数据中追踪到感兴趣的特征，能够从全局角度追踪提取的特征，避免利用局部追踪方法所产生的追踪错误，避免局部跟踪造成的缺陷；增加时空相似特征的跟踪，可同时跟踪目标特征的空间相似特征的完整路径，提高特征追踪精度。
📄 2022115292952
📂 G06T7_246
👤 浙江工业大学
📅 2022-11-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台