“多目标跟踪算法”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1216514个，建议您升级VIP下载更多相关专利

[发明专利]基于多目标跟踪算法的图像处理方法、装置、设备及介质-CN202110430470.1在审
发明人：张玉琪 -专利权人：平安国际智慧城市科技股份有限公司
申请日： 2021-04-21 - 公布日： 2021-07-16 - 主分类号： G06T7/246 文献下载
摘要：本申请涉及人工智能领域，公开了一种基于多目标跟踪算法的图像处理方法，包括：利用JDE算法提取视频帧对应的特征图，JDE算法的检测头中的卷积单元为可变形卷积单元；利用可变形卷积单元，从特征图中提取每个检测框对应的偏移量根据每个检测框对应的偏移量，确定每个检测框的位置信息；根据每个检测框对应的偏移量，提取每个检测框中的初始锚点对应的特征向量；将每个检测框的位置信息与对应的特征向量进行关联，以基于关联后的特征向量执行图像跟踪处理本申请还公开了一种基于多目标跟踪算法的图像处理装置、计算机设备以及计算机可读存储介质。本申请提高了利用JDE算法进行图像跟踪处理的准确率。
基于多目标跟踪算法图像处理方法装置设备介质

[发明专利]目标跟踪方法、装置和系统-CN201910227670.X在审
发明人：蔡恒;庄浩;张继勇;汤津 -专利权人：华瑞新智科技(北京)有限公司
申请日： 2019-03-25 - 公布日： 2019-07-02 - 主分类号： G06T7/246 文献下载
摘要：本发明公开了一种目标跟踪装置，包括：神经网络目标检测单元，其中使用深度学习模型，对多帧图像构成的视频流中至少一帧图像进行目标检测；和滤波跟踪单元，其中基于神经网络目标检测单元的目标检测结果，使用基于滤波器的算法，在所述至少一帧图像之后的图像中，对目标的位置，尺度和质心中的至少一项进行跟踪预测。本发明还公开了该目标跟踪装置的目标跟踪方法以及使用该目标跟踪装置的目标跟踪系统。本发明实现了高精度而对硬件要求不高的多目标跟踪。
目标跟踪装置目标检测单元目标跟踪目标检测神经网络帧图像滤波器目标跟踪系统多目标跟踪多帧图像跟踪单元硬件要求视频流滤波算法质心尺度图像跟踪预测学习

[发明专利]一种目标跟踪中基于传感器的多目标轨迹融合方法-CN201910014568.1有效
发明人：吕艳辉;张德育;项拙 -专利权人：沈阳理工大学
申请日： 2019-01-08 - 公布日： 2023-08-18 - 主分类号： G06V10/80 文献下载
摘要：本发明提供一种目标跟踪中基于传感器的多目标轨迹融合方法，涉及目标跟踪技术领域。该方法目标跟踪过程中，首先判断不同传感器的探测数据是否来自同一目标，采用自适应轨迹关联算法：通过判断轨迹状态在基于速度的双门限轨迹关联算法和最近领域轨迹关联算法中选择对应的关联算法，然后对来自同一目标的轨迹进行轨迹融合，采用基于局部状态估计的加权轨迹融合算法：利用各传感器局部状态估计完成多传感器的加权组合滤波，解决了由于传感器精度变化导致的误差问题，从而提高了轨迹融合精度。本发明在目标轨迹密集或稀疏环境下，都可以有效对目标轨迹进行融合，提高传感器探测目标轨迹的精度。
一种目标跟踪基于传感器多目标轨迹融合方法

[发明专利]一种融合相关滤波的GM-PHD视频多目标跟踪方法-CN202011486143.X在审
发明人：杨金龙;缪佳妮;张媛;倪鹏;蒋凌云 -专利权人：江南大学
申请日： 2020-12-16 - 公布日： 2021-03-23 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种融合相关滤波的GM‑PHD视频多目标跟踪方法，属于计算机视觉、模式识别和信息处理技术领域。所述方法采用相关滤波的思想，对目标进行跟踪，并加入图像信息的相交比判断，来对被遮挡的目标进行不更新目标模板和参数处理，从而减少目标模板的污染，减少误跟框，对于已经被遮挡的目标将会放入高斯混和概率假设密度滤波中进行位置预测更新操作，若后期目标重现将会重新关联上目标标签，从而减少碎片化的轨迹，弥补检测器漏检的缺点。最终通过在MOT17数据集上的结果证明，与目前有关GM‑PHD最好的跟踪算法GMPHDOGM17相比，多目标跟踪正确度MOTA指标上从原来的49.9提高至50.3。
一种融合相关滤波 gm phd 视频多目标跟踪方法

[发明专利]基于预测网络和更新网络的多目标自适应跟踪方法-CN202211242778.4在审
发明人：张永权;时贞云;李思伟;姬红兵;刘泽坤;张超群 -专利权人：西安电子科技大学
申请日： 2022-10-11 - 公布日： 2023-01-03 - 主分类号： G01S13/72 文献下载
摘要：一种基于预测网络和更新网络的多目标自适应跟踪方法，实现步骤如下：利用生成的预测网络和更新网络的训练集，分别训练用于从目标历史位置向量中学习运动方式来预测目标位置向量的预测网络，以及用于通过从量测中学习噪声特性来更新目标位置向量的更新网络利用训练好的预测网络预测目标的位置向量；利用全局最近邻GNN算法，为待跟踪目标分配对应量测；利用训练好的更新网络从量测中更新目标位置向量。本发明通过两种网络分别预测和更新目标的位置，摆脱了模型和噪声先验的限制，使得本发明在跟踪多目标时自适应处理多种运动方式的同时提高了跟踪精度。
基于预测网络更新多目标自适应跟踪方法

[发明专利]基于重识别的车辆多目标检测和轨迹跟踪方法-CN202010645344.3在审
发明人：刘儿兀;贾育文 -专利权人：同济大学
申请日： 2020-07-06 - 公布日： 2020-11-10 - 主分类号： G06K9/00 文献下载
摘要：一种基于重识别的车辆多目标检测和轨迹跟踪方法，属于计算机视觉技术和视频监测领域。首先，利用车辆重识别技术训练出可以有效提取每条轨迹上车辆视觉特征的模型；然后，对摄像头中的每一帧图像进行车辆检测；最后，结合重识别模型所提取的车辆外观特征，融合运动预测和视觉相似度判别，执行单摄像头多目标追踪本发明在跟踪方面成功实现了前后两帧图像的多目标匹配，有效地处理了跟踪目标遮挡的问题，并且针对多视角可能带来的算法检测性能的不稳定，采用重识别技术提取了多角度摄像头拍摄的车辆图像的外观特征，融入跟踪方案当中，实现了跟踪目标丢失后重新出现的再识别，进一步提高了轨迹追踪的能力。
基于识别车辆多目标检测轨迹跟踪方法

[发明专利]基于双目视觉和卡尔曼滤波的多目标跟踪算法-CN202211127966.2在审
发明人：章雨昂;仲维;刘勇;刘晋源;王维民;樊鑫;刘日升;罗钟铉 -专利权人：大连理工大学
申请日： 2022-09-16 - 公布日： 2022-12-09 - 主分类号： G06T7/277 文献下载
摘要：本发明属于图像处理和计算机视觉领域，涉及基于双目视觉和卡尔曼滤波的多目标跟踪算法。基于DeepSort算法基本流程，通过双目立体视觉获取目标的距离信息，使用卡尔曼滤波来估计运动信息，同时在目标状态上增加距离维度和距离变化维度，提高目标检测阶段的稳定性，解决了单目检测与运动估计无法很好适应自动驾驶数据集和目标移动速度较快的情况，进而增强目标跟踪的效果。
基于双目视觉卡尔滤波多目标跟踪算法

[发明专利]一种基于计算机视觉的鱼苗动态计数方法与装置-CN202310189467.4在审
发明人：李振波;张涵钰;于广上;林子翔;杨普 -专利权人：中国农业大学
申请日： 2023-02-23 - 公布日： 2023-06-27 - 主分类号： G06T7/00 文献下载
摘要：该方法将鱼苗计数看作基于检测跟踪框架的多目标跟踪问题，以轻量型YOLOv5‑Nano实现鱼苗检测，并针对鱼苗之间不同的遮挡程度对跟踪的影响，以多次匹配与轨迹恢复方向设计多目标跟踪算法，提高检测模型与跟踪算法的联合效果，最后以跟踪轨迹与计数线交叉为依据实现动态鱼苗计数。该装置包括数据采集与数据处理两部分，采集部分可减少鱼苗下滑的阻力，有助于轨迹跟踪，且聚集鱼苗的遮挡程度有所下降，有助于提高计数精度，处理部分则可保证鱼苗计数的实时性。
一种基于计算机视觉鱼苗动态计数方法装置

[发明专利]多目标在雷达间数据传递、数据融合及连续跟踪定位方法-CN201811151758.X有效
发明人：冯保国 -专利权人：河北德冠隆电子科技有限公司
申请日： 2018-09-29 - 公布日： 2021-11-12 - 主分类号： G01S13/00 文献下载
摘要：本发明公开了多目标在雷达间数据传递、数据融合及连续跟踪定位方法，所述方法包括：至少两个雷达传感器采集各雷达检测区域内的各原始雷达数据；各雷达数据处理器对采集到的各原始雷达数据进行数据分析处理、目标判断、数据传递或数据融合的处理；各雷达数据处理器根据预设的多目标跨雷达间连续跟踪实时定位模型和对应的算法，对相应的处理后的雷达数据进行处理，得到相应的有效跟踪目标，并对确定出的各有效跟踪目标进行跟踪。本发明的方案，能够做到：各雷达传感器采集到的各原始雷达数据之间能够进行数据传递或数据融合，且各雷达数据处理器能够根据各处理后的雷达数据确定出各有效跟踪目标并进行持续跟踪、实时定位。
多目标雷达数据传递融合连续跟踪定位方法

[发明专利]一种多目标反无人机方法-CN201611207552.5在审
发明人：郝亚南;罗涛;袁理;吕生钰;王镜 -专利权人：成都赫尔墨斯科技有限公司;成都紫瑞青云航空宇航技术有限公司
申请日： 2016-12-23 - 公布日： 2017-05-31 - 主分类号： G06K9/32 文献下载
摘要：本发明涉及民用无人机防御领域，特别涉及一种多目标反无人机方法，包括S1，获取无人机可视和/或红外监控图像；S2，判别监控图像中的无人机数量，对无人机进行危险评级；S3，根据危险评级对一个或多个无人机进行跟踪本方法通过图像处理腐蚀算法结合基于欧式距离的目标判别实现对监控图像中的多目标无人机有效分离，进而对多目标无人机进行有效跟踪和有效干扰。此外，通过对多目标无人机建立危险评级模式，选取基于无人机监控图像可提取的无人机威胁参数建立无人机危险评级，对于后续的无人机跟踪、干扰提供优先选择的目标，有效提高了反制多无人机的效率和成功率。
一种多目标无人机方法

[发明专利]高分辨传感器弱小多目标检测前跟踪方法-CN202011383508.6有效
发明人：谭顺成;康勖萍;宋伟健;于洪波 -专利权人：中国人民解放军海军航空大学
申请日： 2020-12-01 - 公布日： 2022-03-22 - 主分类号： G01S13/66 文献下载
摘要：本发明公开了一种高分辨传感器弱小多目标检测前跟踪方法，属于信息融合领域，适应于高分辨传感器对多个弱小目标的检测与跟踪。在对高分辨传感器数据进行处理时，基于TBD技术的弱小目标检测跟踪方法存在目标个数估计明显虚多、算法复杂度和计算显著增大，以及目标出现漏检时滤波器中代表该目标的粒子群迅速退化等问题。本发明提出的高分辨传感器弱小多目标检测前跟踪方法立足于解决此类问题。本发明通过对“同源”目标进行有效划分与融合，将源于同一目标的估计值进行融合处理，并通过在主滤波器中构建漏检目标辅助搜索机制，克服了基于TBD技术的弱小目标检测跟踪方法的局限性，因此具有较强的工程应用价值和推广前景
分辨传感器弱小多目标检测跟踪方法

[发明专利]一种基于运动方程轨迹预测的多目标跟踪方法及装置-CN202310006289.7在审
发明人：张新钰;王力;李骏;李效宇;谢涛;张伟伟 -专利权人：清华大学
申请日： 2023-01-04 - 公布日： 2023-07-11 - 主分类号： G06T7/246 文献下载
摘要：本申请提供了一种基于运动方程轨迹预测的多目标跟踪方法及装置，涉及多目标跟踪技术领域，所述方法包括：获取检测器输出的当前图像帧中的所有运动目标的检测框；利用上一图像帧中所有轨迹的状态向量，基于恒定角速度和恒定线加速度的运动方程，利用扩展卡尔曼滤波得到上一图像帧中所有轨迹在当前图像帧中的预测框；基于各检测框和各预测框之间的关联代价矩阵，使用匹配算法得到当前图像帧中匹配成功的检测框；使用当前图像帧中匹配成功的检测框的运动信息更新对应的预测框本申请提高了轨迹预测的精度，从而提高了多目标跟踪精度。
一种基于运动方程轨迹预测多目标跟踪方法装置

[发明专利]一种静止传感器平台的多目标联合分配与跟踪方法-CN201210581781.9有效
发明人：刘伟峰;文成林;骆光州;许大星 -专利权人：杭州电子科技大学
申请日： 2012-12-27 - 公布日： 2013-04-03 - 主分类号： G01C21/20 文献下载
摘要：本发明涉及一种静止传感器平台的多目标联合分配与跟踪方法，针对传感器组网多目标跟踪过程中存在传感器配置选择与跟踪问题，本发明提出采用以多传感器最小费用函数的目标函数为优化对象，通过引入传感器功耗来综合描述传感器量测目标距离和费用，使多传感器功耗最小化，首先完成传感器选择，其次依据传感器网络约束分配算法条件建立传感器与目标之间的关联关系并给出了多传感器MHT概率计算公式，以此为基础获取目标量测，估计目标状态。
一种静止传感器平台多目标联合分配跟踪方法

[发明专利]一种具有图像确认的多目标跟踪方法-CN201110228799.6有效
发明人：史忠科;张宇 -专利权人：西北工业大学
申请日： 2011-08-11 - 公布日： 2012-04-25 - 主分类号： G01S13/66 文献下载
摘要：本发明公开了一种具有图像确认的多目标跟踪方法，用于解决现有的多目标跟踪方法精度差的技术问题。技术方案：首先由序列图像确定所跟踪目标的回波，剔除了不是当前所跟踪目标的回波和杂波；再由所确定的回波更新所跟踪目标的测量新计算，减少了多目标跟踪的测量更新误差，提高了下一时间节拍的预测精度；再根据给出的状态估计协方差阵的计算，在图像直接确定目标时，多目标跟踪的精度达到单目标雷达跟踪的精度：方位角和高低角约为1毫弧度，距离误差小于10米；当图像去掉部分杂波时，由于杂波数目减少，多目标跟踪的精度得到了显著提高。
一种具有图像确认多目标跟踪方法

[发明专利]一种基于深度学习的无人机多目标车辆跟踪方法-CN202210239818.3在审
发明人：朱迪;袁正谦 -专利权人：北京工业大学
申请日： 2022-03-12 - 公布日： 2022-06-10 - 主分类号： G06V20/10 文献下载
摘要：本发明公开了一种基于深度学习的无人机多目标车辆跟踪方法，把深度特征融合网络引入联合模型，在小步长下采样率的网络结构中提取目标的特征图，减小量化误差并且在应用于小目标的俯瞰场景时引入了OrientedR‑CNN在网络上采样过程中引入最新的可变卷积，提高对不同尺寸目标的适应能力。以多个头部的方式并行实现目标检测和学习Re‑ID特征。在内部轨迹关联上，以交并比(IOU)匹配的方式，将车辆的Re‑ID特征指定给对应车辆轨迹，预测串联轨迹在当前视频帧中的位置以完成跟踪。算法有效改善了模型使用基于Anchor的骨干网络学习Re‑ID特征不佳而导致的ID切换、检测失效问题，提高了车辆多目标跟踪算法的鲁棒性。
一种基于深度学习无人机多目标车辆跟踪方法