-
公开(公告)号：CN118247305A
公开(公告)日：2024-06-25
申请号：CN202410325185.7
申请日：2024-03-21
Applicant: 北京理工大学
Abstract: 本发明提供一种抗遮挡和抗相似目标干扰的相关滤波跟踪方法，可在保证较高运行速度的前提下，在遮挡时实现更加准确的跟踪，并有效解决目标重现后相似目标干扰的问题；相对于仅仅使用Kalman滤波器预测的方法来说，本发明使用了快速NCC算法进行更大区域的检测，而不是仅仅依赖于Kalman预测的结果，因此能够在遮挡时跟踪的更加准确；同时，本发明所采用的快速NCC算法能够在实现大范围检测时保证较快的运算速度；最后，基于NCC对于相似目标具有较好分辨能力的优点，本发明引入了融合运动信息的NCC算法和KCF算法同时进行目标重现后的检测，因此相对于传统KCF结合Kalman的算法而言，能更好的解决目标重现后的相似目标干扰问题。
-
公开(公告)号：CN118172257A
公开(公告)日：2024-06-11
申请号：CN202410266182.0
申请日：2024-03-08
Applicant: 北京理工大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开的一种基于自监督对比学习的红外与可见光图像融合方法，属于图像处理领域。本发明实现方法为：构建M2CNet网络，所述M2CNet网络包括残差网络模块ResNet、稠密连接模块DenseNet、下采样模块、上采样模块和局部自适应风格转换模块。通过加入局部自适应风格转换模块，将红外模态分为显著信息和背景信息，仅仅对背景信息进行风格转换增强其细节信息。将基于对比学习的融合方法学习图像间的相似性过程等效为一个伪分类任务过程，构建用于训练M2CNet网络的双边惩罚对比损失函数。基于增加局部自适应风格转换模块的M2CNet网络结构和双边惩罚对比损失函数，训练M2CNet网络结构，根据训练好的M2CNet网络结构，实现端到端生成高质量的兼具源图像互补信息的融合图像。
-
公开(公告)号：CN114842241A
公开(公告)日：2022-08-02
申请号：CN202210368258.1
申请日：2022-04-01
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于结构重参数化的目标检测加速方法，针对卷积神经网络目标检测模型，构造一种可重参数化的检测头结构，构造出的多分支解耦检测头经过训练后，使用了通道切分实现特征对齐，也即通道切分层将输入特征切分为两部分，分别对应分类和回归任务，实验证明改进后网络训练收敛速度、精度都有提升；构造的多分支解耦检测头结构，可在实际部署推断时等价的转换为单路结构，在参数量、计算量、计算密度方面都有对于推断速度的提升；最后目标检测头通过填充卷积核实现的分组卷积融合，融合后只有一个3×3卷积层，计算密度、并行度相比现有设计具有显著优势。
-
公开(公告)号：CN114708300A
公开(公告)日：2022-07-05
申请号：CN202210246897.0
申请日：2022-03-02
Applicant: 北京理工大学
IPC: G06T7/246 , G06T7/269 , G06T7/277 , G06V10/50 , G06V10/56 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种可抗遮挡的自适应目标跟踪方法及系统，在训练位置相关滤波器的同时训练一个尺度相关滤波器，可以实现尺度自适应变换，如果没有这个变换，目标框在训练过程中大小不变，与刚开始手动确定的矩形框大小相同，但是加上尺度变换后，目标框的大小可以随着目标的远近而自动改变大小，当目标运动离摄像头越来越远时目标框变小，当运动越近时目标框就会变大，从而提高了整套算法的精确度和鲁棒性。采用自适应模型更新策略，通过计算PSR的值来进行异常检测目标是否发生遮挡或者丢失，从而扩大搜索区域，解决了传统目标跟踪方法，一旦因目标运动等原因造成目标发生遮挡或者丢失时就无法继续跟踪的问题，提高了目标跟踪的持续性和可靠性。
-
公开(公告)号：CN113673540A
公开(公告)日：2021-11-19
申请号：CN202110960804.6
申请日：2021-08-20
Applicant: 北京理工大学
Abstract: 本发明提供一种基于定位信息引导的目标检测方法，将以交并比为代表的定位信息嵌入分类任务中作为训练的标签，并且层级化交并比函数将连续的交并比离散化更好地适应分类任务；一方面，相比离散的交并比而言，在分类任务中学习连续的交并比并不会带来很大的性能增益，反而使得优化过程更慢，甚至不收敛；另一方面，对和物体重合度不高的锚框，学习其交并比无意义；因此，本发明通过改进分类分支的真实标签，采用和检测框定位准确度一致的交并比指标来指导分类任务，同时还采用层级化交并比函数对交并比向量进行层级化处理，能够保持分类和回归任务的统一性，并有效提高检测精度。
-
Patent Agency Ranking
-
-
公开(公告)号：CN102722697B
公开(公告)日：2015-06-03
申请号：CN201210152444.8
申请日：2012-05-16
Applicant: 北京理工大学
Abstract: 本发明公开了一种无人飞行器视觉自主导引着陆的目标跟踪方法，首先将目标在连续两帧图像间的运动幅值按照“coarse-to-fine”的顺序划分为多个分辨率等级，通过离线训练的方式模拟不同等级下的先验运动并计算其对应的先验误差Jacobian矩阵，同时，由于每一层Jacobian矩阵的求取结合了训练时的先验知识，可以保证算法在迭代搜索目标的过程中能够有效地跳出局部极值，避免跟踪失败；采用模板图像目标区域的稀疏特征即FAST角点处的灰度值描述目标，相较于传统Lucas-Kanade算法在计算中常常用目标区域的所有像素点稠密的表达目标，运算复杂度大大降低。
-
公开(公告)号：CN118071802A
公开(公告)日：2024-05-24
申请号：CN202410358365.5
申请日：2024-03-27
Applicant: 北京理工大学
Abstract: 本发明公开了融合目标检测与目标运动信息的目标跟踪重定位方法，涉及计算机视觉目标跟踪技术领域，能够基于传统KCF目标跟踪算法，融合yolov5s目标检测与目标运动信息来进行丢失目标的重定位，实现了目标的精确重定位。方案为：首先采用KCF跟踪器进行目标跟踪，卡尔曼滤波器预测目标位置；若目标跟踪不成功，则判定为目标丢失，执行重定位流程，采用yolov5s对全图进行目标检测利用运动信息建立二维高斯概率分布图，融合候选目标和高斯概率得到目标位置置信度，利用目标位置置信度判断目标是否跟踪成功；若目标跟踪成功，则更新KCF模板校正卡尔曼滤波器，判断是否已执行至最后一帧图像，若是则重定位结束，否则重复本方法直至重定位结束。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.031 seconds)
