[发明专利]一种基于深度学习的微小零件定位跟踪方法在审
| 申请号： | 201811307038.8 | 申请日： | 2018-11-05 |
| 公开（公告）号： | CN110084777A | 公开（公告）日： | 2019-08-02 |
| 发明（设计）人： | 李东洁;翟常贺 | 申请（专利权）人： | 哈尔滨理工大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06T7/231;G06T7/246 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 150080 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种基于深度学习的微小零件定位跟踪方法，传统的相关滤波方法采用的是梯度特征和颜色特征，导致目标在快速变形或者变色的情况下跟踪效果变差，为此提出了一种基于深度学习的微小零件定位跟踪方法，此方法采用的是通过FPN网络得到的多尺度深度特征，可根据目标的尺寸选择特征，并结合模板匹配网络，极大的提高了微小零件的识别能力，对亮度变化、成像模糊等影响因素具有较强的适应能力；另外还加入了两种负样本对，能有效的区分出干扰物，增加了模型的鲁棒性；最后加入验证网络和全图搜索模块，在目标丢失后快速定位其位置，整个模型是通过离线形式训练得到，不必更新模型，所以在保持高性能的前提下仍具有实时跟踪的效果。 | ||
| 搜索关键词： | 微小零件 定位跟踪 成像模糊 尺寸选择 快速定位 亮度变化 模板匹配 目标丢失 深度特征 实时跟踪 搜索模块 梯度特征 形式训练 颜色特征 影响因素 网络 传统的 多尺度 负样本 干扰物 鲁棒性 变差 离线 滤波 变色 学习 变形 验证 跟踪 更新 | ||
【主权项】：
1.基于深度学习的微小零件定位跟踪方法，其特征在于所述微小零件跟踪方法包括以下步骤：制作微小零件训练集；构建目标匹配网络；RPN网络提取目标候选区域，并对候选区域进行非极大值抑制；训练网络，得到最终的微小零件跟踪模型；利用验证网络判断目标是否丢失；若目标丢失，开启全图搜索模块；标注目标位置。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨理工大学，未经哈尔滨理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811307038.8/，转载请声明来源钻瓜专利网。
