买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种针对目标非线性运动场景下的多目标跟踪算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116091550B 。

龙图腾网通过国家知识产权局官网在2026-01-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310202875.9，技术领域涉及：G06T7/246；该发明授权一种针对目标非线性运动场景下的多目标跟踪算法是由王博艺;王凡;胡小鹏;吴思宁;高翔设计研发完成，并于2023-03-06向国家知识产权局提交的专利申请。

本一种针对目标非线性运动场景下的多目标跟踪算法在说明书摘要公布了：本发明属于计算机视觉与多目标跟踪领域，涉及一种针对目标非线性运动场景下的多目标跟踪算法。本发明针对现有多目标跟踪器在非线性运动场景下往往存在的目标‑轨迹匹配关联不上的问题，对现有多目标跟踪器的检测特征与目标重识别特征的提取方式进行了改进，同时为了更加契合非线性运动条件下的目标‑轨迹关联匹配的特点，在具体匹配关联阶段提出了一种新的关联策略。本发明提高计算成本的同时，改善了现有多目标跟踪器在行人非线性运动场景下难以进行目标关联的问题，提高了多目标跟踪器在行人非线性运动场景下的跟踪效果。

本发明授权一种针对目标非线性运动场景下的多目标跟踪算法在权利要求书中公布了：1.一种针对目标非线性运动场景下的多目标跟踪算法，其特征在于，具体步骤如下： 第一步，输入图片进入骨干网络，通过骨干网络提取出多层次的特征信息，之后分别将这些多层次的特征信息送入检测分支和RE-ID分支得到检测和RE-ID所需要的特征信息；具体描述为： 对于检测分支，将输入的多层次的特征信息通过特征融合机制得到一个融合了多层次特征的热图，具体的特征融合过程如下：F1、F2、F3为经过骨干网络提取出的3层特征，在低层次特征向高层次特征融合之前，先进行上采样，之后将经过上采样的特征送入空间注意力模块； 空间注意力的具体操作流程为：首先对输入的特征图，进行全局池化和平均池化，然后将全局池化和平均池化的结果按照通道拼接，最后对拼接的结果，进行卷积操作，得到特征图，接着通过激活函数处理；概括为公式则如公式1所示； 1； 其中，表示空间注意力函数即整个空间注意力的具体操作，表示所对应的每一层的检测特征，表示sigmoid激活函数，表示平均池化函数，表示最大池化函数，表示7×7的卷积函数； 对于RE-ID分支，首先将从骨干网络中得到的多层次的特征信息经过维度转换，转换成相同维度的特征，之后将这些维度的特征聚合在一起；再通过通道注意力进行选择，得到最终RE-ID所需要的特征信息； 通道注意力的具体操作步骤如公式2所示：首先对输入的特征图，进行全局池化和平均池化，然后将得到全局和平均池化的结果，送入到多层感知机MLP学习；最后将MLP输出结果，进行“加”操作，接着经过Sigmoid函数的映射处理，得到最终的通道注意力值； 2； 其中，表示具体的通道注意力函数，表示经过聚合的RE-ID特征，表示多层感知机函数； 第二步：第一步结束之后，得到了输入图片所对应的检测特征图和RE-ID特征图，需要根据检测特征图获取到图片中的目标；为了防止出现同一个目标被重复识别的情况，首先对检测特征图进行极大值抑制操作，在从中选取出检测置信分数最高的K个点作为此次的目标备选；同时从对应的RE-ID特征图中找到这些点所对应的RE-ID特征；预设两个阈值分别为高置信度阈值和低置信度阈值，分别代表着在图中较为明确的检测目标和不确定的检测目标，从这K个点中选取出检测置信分大于高置信度阈值的点，被设置为高置信度目标进行轨迹目标匹配，而检测置信度得分在两个阈值之间的点作为低置信度目标进行第三步的匹配步骤； 高置信度目标与现有轨迹匹配关联的过程如下：匹配的双方是当前帧中检测出的高置信度目标和当前处于跟踪状态下的轨迹和在M帧内处于跟丢状态下的轨迹；匹配的标准是判断目标与轨迹之间的EG距离是否小于预设的阈值； EG距离包含两个部分，具体如下： 首先计算出目标和轨迹的RE-ID特征的余弦距离，如公式3所示，其中和分别代表需要进行匹配的目标RE-ID特征和轨迹RE-ID特征： 3； 其中，公式中分子表示两个向量的点积，分母表示两个向量的L1范式的乘积； 之后计算目标和轨迹之间的GIOU距离，GIOU距离用来判断目标和轨迹的相似性，如公式4所示： 4； 其中，A和B分别代表目标和轨迹，而C代表A和B的最小包围矩阵； 在得到这两个距离之后，进行公式5的计算，得到最终匹配所用的距离，称为EG距离： 5； 其中，代表RE-ID特征余弦距离的权重系数，代表LG距离的权重系数；与分别代表上面计算出的RE-ID特征余弦距离和LG距离； 在目标和轨迹中如果EG距离小于预设的阈值则被认定为匹配成功，将二者进行关联，之后进行轨迹更新操作；没有匹配上的目标和轨迹进行第三步的处理； 第三步：将在第二步中没有匹配成功的轨迹以及在第二步中得到的低置信度的目标和在第二步中没有匹配成功的目标进行匹配，匹配方法采用KNN最近邻匹配方法，具体步骤如下： 对于本步骤中的每一个目标的RE-ID特征都要和现存的所有轨迹的所有的RE-ID特征进行匹配，计算出它们之间的余弦距离，如果满足以下两个条件则认为目标轨迹匹配成功； 与该目标的RE-ID特征余弦距离最近的N个某个轨迹的RE-ID特征属于同一轨迹； 与该目标的RE-ID特征余弦距离最近的某个轨迹的RE-ID特征小于预设阈值； 如果满足以上两个条件，则认为该目标与轨迹匹配成功；没有匹配成功的目标和轨迹进行第五步的处理； 第四步，如果在第二步或者第三步中有处于跟丢状态下的轨迹与本帧中的目标关联成功，为了防止在跟丢状态下的误差积累，建立一条虚拟的轨迹进行轨迹修复，这条虚拟轨迹的起始位置是当前轨迹最后一帧的位置，结束位置是就是当前目标的位置通过这条虚拟轨迹；具体操作如下： 假设为轨迹跟丢前最后一帧的时刻，为当前时刻，则在到时间段内，这段虚拟轨迹表示如下： 6； 其中，表示轨迹在t时刻的预测位置，，，代表轨迹在和所处的位置，表示预测位置函数； 在估算的过程中，假设用恒定速度去建立这个虚拟轨迹的，根据匀速运动模型： 7； 其中，表示在时刻轨迹的位置，表示在时刻的轨迹位置，表示轨迹的速度； 得出： 8； 其中，表示轨迹在t时刻的预测位置，，分别表示轨迹在相应时刻的位置； 代入到卡尔曼滤波得出： 9； 其中，代表时刻的状态转换矩阵，为时刻观测矩阵，代表t时刻的卡尔曼系数；为卡尔曼滤波在时刻的预测值，代表由卡尔曼滤波根据轨迹在时刻的状态推导过来的预测值，为卡尔曼滤波在时刻的预测值； 第五步，如果在第二步和第三步中还有未匹配上的目标，为这个目标进行初始化操作，即将这个目标视为一个新的轨迹，并赋予这个轨迹跟踪中的状态； 以上是当一幅图片到来时所做的操作，每当有新的一帧到来时，重复以上操作进行匹配。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。