-
公开(公告)号：CN111666871B
公开(公告)日：2024-02-09
申请号：CN202010497477.0
申请日：2020-06-03
Applicant: 南京航空航天大学
IPC: G06V10/62 , G06V20/17 , G06V10/25 , G06V10/44 , G06V10/46 , G06V10/52 , G06V10/82 , G06T7/246 , G06T7/277 , G06N3/0464 , G06N3/082
Abstract: 本发明公布了一种面向无人机的改进YOLO与SIFT相结合的多小目标检测跟踪方法，所述方法首先初始化视频序列，读取视频序列的帧数和标注框真值；其次使用自适应阈值和最小距离约束的方法改进SIFT算法进行特征点检测；接着对改进SIFT算法检测得到的特征点，采用KLT算法对特征点进行匹配和目标定位；然后采用YOLO网络剪枝后的UAV‑YOLO进行目标检测；最后，由目标的尺度信息和位置信息完成目标的数据关联，再使用KLT算法实现多目标跟踪。本发明基于KLT跟踪算法，通过对YOLO算法的网络剪枝和SIFT算法的特征点改进，有效解决了面向无人机的目标检测算法部署和多小目标跟踪问题。
-
公开(公告)号：CN110703766B
公开(公告)日：2022-01-11
申请号：CN201911084670.5
申请日：2019-11-07
Applicant: 南京航空航天大学
IPC: G05D1/02
Abstract: 本发明公布了一种基于迁移学习策略深度Q网络的无人机路径规划方法，所述方法首先利用栅格法对UAV所处的动态环境进行建模并对其进行描述，建立UAV的状态空间和动作空间模型；其次，初始化DQN的网络参数和无人机的当前状态；然后，在静态环境模型下采用基于社会力模型的回报机制对DQN进行训练，得到网络权值和最优动作值；接着，利用迁移学习将静态环境下训练得到的网络权值和最优动作值迁移到动态环境下，继续进行神经网络训练，得到UAV将要执行的动作；最后，计算当前时刻无人机的位置，实现动态环境下无人机的路径规划。本发明有效解决了无人机在动态环境下进行路径规划时，DQN训练收敛速度慢、路径规划不理想、成功率较低的问题。
-
公开(公告)号：CN113793361A
公开(公告)日：2021-12-14
申请号：CN202111089651.9
申请日：2021-09-16
Applicant: 南京航空航天大学
Abstract: 本发明公布了一种结合轻量级SSD的改进KCF目标跟踪方法，所述方法利用轻量级SSD目标检测框架对初始帧目标进行特征提取，将提取的特征依次通过预测模块、非极大值抑制模块和输出检测模块将初始帧目标信息传递给KCF进行初始化；KCF针对待跟踪目标构造循环矩阵，采用岭回归训练位置滤波器，针对尺度问题，采用二叉树尺度搜索策略，在位置滤波器确定的位置附近选择最佳尺度；针对目标跟踪中出现的遮挡问题，选用平均峰值能量作为判断指标，检测目标是否出现遮挡，根据判断结果决定是否进行模板更新。本发明有效解决了KCF目标跟踪需要手动标注跟踪目标导致的效率低下问题，在目标发生尺度变化和出现遮挡等情况下，提高了目标跟踪的精度和准确率。
-
Patent Agency Ranking
公开(公告)号：CN111563915A
公开(公告)日：2020-08-21
申请号：CN202010375269.3
申请日：2020-05-06
Applicant: 南京航空航天大学
Abstract: 本发明公布了一种融合运动信息检测和Radon变换的KCF目标跟踪方法，所述方法对输入的当前帧图像分别提取HOG特征和经Radon变换提取矩特征；采用光流法和帧间差分法相结合，预测运动目标大致的范围；输入HOG特征并训练KCF位置滤波器，预测目标区域中心点位置；输入矩特征并训练KCF尺度滤波器，预测目标的尺度；结合目标区域中心点位置和目标的尺度，确定出目标的准确位置；对模型进行自适应策略更新；重复上述步骤，直至视频帧跟踪结束，确定出待跟踪的目标。本发明将光流法、帧间差分法、Radon变换和相关滤波器相结合，解决了KCF算法在目标发生遮挡、尺度变化和环境光照发生变化时，实时性差、跟踪精度和成功率下降的问题。
-
公开(公告)号：CN116052025A
公开(公告)日：2023-05-02
申请号：CN202310048920.X
申请日：2023-01-11
Applicant: 南京航空航天大学
IPC: G06V20/17 , G06V20/40 , G06V10/82 , G06N3/048 , G06N3/0464
Abstract: 本发明提供了一种基于孪生网络的无人机视频图像小目标跟踪方法，所述方法利用改进的VGG16网络对模板区域和搜索区域进行特征提取，得到模板区域和搜索区域特征图，提高特征的表达能力；将模板区域特征图依次经过通道注意力和空间注意力通道提高有效特征比重，得到加强后的模板区域特征图；将加强后的模板区域特征图和搜索区域特征图输入至RPN网络，在分类分支和回归分支分别进行卷积操作，获取目标的分类响应图得分和回归响应图得分；最后按照得分大小生成目标在下一帧中的位置信息，实现对目标跟踪。该发明可使目标特征表征能力更强，能够适应视频图像小目标存在姿态、光照变化和相似背景干扰情况，实现对无人机视频图像小目标的有效稳定跟踪。
-
公开(公告)号：CN111666871A
公开(公告)日：2020-09-15
申请号：CN202010497477.0
申请日：2020-06-03
Applicant: 南京航空航天大学
Abstract: 本发明公布了一种面向无人机的改进YOLO与SIFT相结合的多小目标检测跟踪方法，所述方法首先初始化视频序列，读取视频序列的帧数和标注框真值；其次使用自适应阈值和最小距离约束的方法改进SIFT算法进行特征点检测；接着对改进SIFT算法检测得到的特征点，采用KLT算法对特征点进行匹配和目标定位；然后采用YOLO网络剪枝后的UAV-YOLO进行目标检测；最后，由目标的尺度信息和位置信息完成目标的数据关联，再使用KLT算法实现多目标跟踪。本发明基于KLT跟踪算法，通过对YOLO算法的网络剪枝和SIFT算法的特征点改进，有效解决了面向无人机的目标检测算法部署和多小目标跟踪问题。
-
公开(公告)号：CN111563915B
公开(公告)日：2023-04-14
申请号：CN202010375269.3
申请日：2020-05-06
Applicant: 南京航空航天大学
Abstract: 本发明公布了一种融合运动信息检测和Radon变换的KCF目标跟踪方法，所述方法对输入的当前帧图像分别提取HOG特征和经Radon变换提取矩特征；采用光流法和帧间差分法相结合，预测运动目标大致的范围；输入HOG特征并训练KCF位置滤波器，预测目标区域中心点位置；输入矩特征并训练KCF尺度滤波器，预测目标的尺度；结合目标区域中心点位置和目标的尺度，确定出目标的准确位置；对模型进行自适应策略更新；重复上述步骤，直至视频帧跟踪结束，确定出待跟踪的目标。本发明将光流法、帧间差分法、Radon变换和相关滤波器相结合，解决了KCF算法在目标发生遮挡、尺度变化和环境光照发生变化时，实时性差、跟踪精度和成功率下降的问题。
-
公开(公告)号：CN110703766A
公开(公告)日：2020-01-17
申请号：CN201911084670.5
申请日：2019-11-07
Applicant: 南京航空航天大学
IPC: G05D1/02
Abstract: 本发明公布了一种基于迁移学习策略深度Q网络的无人机路径规划方法，所述方法首先利用栅格法对UAV所处的动态环境进行建模并对其进行描述，建立UAV的状态空间和动作空间模型；其次，初始化DQN的网络参数和无人机的当前状态；然后，在静态环境模型下采用基于社会力模型的回报机制对DQN进行训练，得到网络权值和最优动作值；接着，利用迁移学习将静态环境下训练得到的网络权值和最优动作值迁移到动态环境下，继续进行神经网络训练，得到UAV将要执行的动作；最后，计算当前时刻无人机的位置，实现动态环境下无人机的路径规划。本发明有效解决了无人机在动态环境下进行路径规划时，DQN训练收敛速度慢、路径规划不理想、成功率较低的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
