[发明专利]面向复杂场景的多源目标跟踪方法有效
| 申请号： | 201910857949.6 | 申请日： | 2019-09-09 |
| 公开（公告）号： | CN110569807B | 公开（公告）日： | 2023-10-20 |
| 发明（设计）人： | 王玲;王锋;关庆阳;张仁辉 | 申请（专利权）人： | 深圳市上欧新材料有限公司 |
| 主分类号： | G06V20/40 | 分类号： | G06V20/40;G06V10/774;G06V10/82;G06N3/0464;G06N3/044 |
| 代理公司： | 广东普润知识产权代理有限公司 44804 | 代理人： | 寇闯 |
| 地址： | 518000 广东省深圳市龙华区观澜*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及人工智能技术领域，提供了一种面向复杂场景的多源目标跟踪方法，包括如下步骤：形成初始深度学习网络，设定初始深度学习网络的权值，将所述初始深度学习网络的权值进行最陡梯度降维，获得多源目标的初始特征矩阵；将所述多源目标的初始特征矩阵进行简化稀疏表示及稀疏化处理，得到稀疏化的目标特征矩阵；将所述稀疏化的目标特征矩阵分类，建立形成不同特征目标的特征矩阵表示。本发明通过深度学习网络建立的多源目标特征矩阵库，具有良好的建模特性和数据统计结构，针对无标签的训练数据，可以生成多源目标跟踪器模型。 | ||
| 搜索关键词： | 面向 复杂 场景 目标 跟踪 方法 | ||
【主权项】：
1.一种面向复杂场景的多源目标跟踪方法，其特征在于，包括如下步骤：/nS1：针对多源目标特征数据，形成初始深度学习网络，设定所述初始深度学习网络的权值，将所述初始深度学习网络的权值进行最陡梯度降维，并形成多源目标的初始特征矩阵；/nS2：将所述多源目标的初始特征矩阵进行简化稀疏表示及/n稀疏化处理，得到稀疏化的目标特征矩阵；/nS3：将所述稀疏化的目标特征矩阵分类，建立不同特征目标的特征矩阵表示；/nS4：使所述稀疏化的目标特征矩阵最小化；/nS5：建立特征矩阵学习的生成模型和重构模型；/nS6：通过所述生成模型与所述重构模型形成目标的有效多源目标跟踪。/n
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深圳市上欧新材料有限公司，未经深圳市上欧新材料有限公司许可，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/201910857949.6/，转载请声明来源钻瓜专利网。
- 上一篇：一种人机交互系统
- 下一篇：活体检测方法、装置及计算机设备
