-
公开(公告)号：CN110569793B
公开(公告)日：2022-06-07
申请号：CN201910846140.3
申请日：2019-09-09
Applicant: 西南交通大学
IPC: G06V20/40 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种无监督相似性判别学习的目标跟踪方法，涉及计算机视觉目标跟踪技术领域。采用t‑SNE将特征进行降维和聚类，得到图像类别伪标签及类别总数，然后将该伪标签作为图像真实标签，并将图像特征输入全连接层并进行分类，网络进行反向传播训练。训练完成后，网络具备了图像相似性判别能力。跟踪过程中，首先根据第一帧图像的目标位置，在当前输入帧对应的目标周围交并比IOU>0.8得到待搜索区域，并使用粒子滤波获取目标候选块，再通过无监督相似性特征提取层获取目标候选块的特征，最后分类层将输出每一个目标候选块的置信度，然后将具有最大置信度的目标候选块作为目标图像块完成目标定位，从而实现对目标对象的跟踪。
-
公开(公告)号：CN110660082B
公开(公告)日：2022-03-08
申请号：CN201910908419.X
申请日：2019-09-25
Applicant: 西南交通大学
IPC: G06T7/246 , G06N3/04 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于图卷积与轨迹卷积网络学习的目标跟踪方法，涉及计算机视觉，目标跟踪技术领域。该网络主要由双流特征提取层、目标候选轨迹提取层、目标定位层构成。网络将输出每一个目标候选轨迹的置信度，选取最大置信度的目标候选轨迹作为目标运动轨迹，再取目标运动轨迹的最后一帧的目标块为目标图像块，网络训练完成后则具备初始的目标定位能力。跟踪过程中，提取连续的16帧图像的目标的空间特征和目标运动轨迹特征，并联结成为双流特征，再经过LSTM结构获取遵循目标运动规律的目标候选轨迹，并且在特征提取方式上，能够针对目标更具判别部位分配更大的权重进行跟踪。
-
公开(公告)号：CN110660082A
公开(公告)日：2020-01-07
申请号：CN201910908419.X
申请日：2019-09-25
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于图卷积与轨迹卷积网络学习的目标跟踪方法，涉及计算机视觉，目标跟踪技术领域。该网络主要由双流特征提取层、目标候选轨迹提取层、目标定位层构成。网络将输出每一个目标候选轨迹的置信度，选取最大置信度的目标候选轨迹作为目标运动轨迹，再取目标运动轨迹的最后一帧的目标块为目标图像块，网络训练完成后则具备初始的目标定位能力。跟踪过程中，提取连续的16帧图像的目标的空间特征和目标运动轨迹特征，并联结成为双流特征，再经过LSTM结构获取遵循目标运动规律的目标候选轨迹，并且在特征提取方式上，能够针对目标更具判别部位分配更大的权重进行跟踪。
-
公开(公告)号：CN110569793A
公开(公告)日：2019-12-13
申请号：CN201910846140.3
申请日：2019-09-09
Applicant: 西南交通大学
Abstract: 本发明公开了一种无监督相似性判别学习的目标跟踪方法，涉及计算机视觉目标跟踪技术领域。采用t-SNE将特征进行降维和聚类，得到图像类别伪标签及类别总数，然后将该伪标签作为图像真实标签，并将图像特征输入全连接层并进行分类，网络进行反向传播训练。训练完成后，网络具备了图像相似性判别能力。跟踪过程中，首先根据第一帧图像的目标位置，在当前输入帧对应的目标周围交并比IOU>0.8得到待搜索区域，并使用粒子滤波获取目标候选块，再通过无监督相似性特征提取层获取目标候选块的特征，最后分类层将输出每一个目标候选块的置信度，然后将具有最大置信度的目标候选块作为目标图像块完成目标定位，从而实现对目标对象的跟踪。
-
-
-
Search Results
4
records
(took 0.017 seconds)
