-
公开(公告)号：CN115375737A
公开(公告)日：2022-11-22
申请号：CN202211308115.8
申请日：2022-10-25
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于自适应时间与序列化时空特征的目标跟踪方法与系统，首先在双分支跟踪网络框架下，基于深度卷积神经网络和自适应时间模块，构建得到特征提取网络；在提取目标特征的基础上，目标模板分支特征通过序列化时空特征模块得到增强的目标模板特征信息；将该特征信息输入到模型预测器，通过模型预测器得到适应性卷积核；搜索区域分支特征经过特征提取网络与卷积核进行卷积，得到融合之后的得分图，即进一步实现目标跟踪。在本发明中，通过重构基于自适应时间特征表示与序列化时空特征模块进行特征融合，从而提高了给定的目标图像和搜索区域图像的特征融合的性能，最终实现更加精确的目标跟踪。
-
公开(公告)号：CN113256685A
公开(公告)日：2021-08-13
申请号：CN202110707429.4
申请日：2021-06-25
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于卷积神经网络字典对学习的目标跟踪方法及系统，该方法包括：在第一帧目标图像进行采样处理以生成正候选样本，根据正候选样本训练得到边界框回归模型；在后续帧目标框内的目标图像的邻域内重新进行采样以生成正负候选样本，对卷积神经网络模型的全连接参数进行微调；基于空间距离机制以及卷积神经网络模型获得训练样本的深度特征，基于训练样本的深度特征进行字典对模型学习以获得初始字典对；基于训练样本的特征并进行联合字典对模型学习；通过联合字典对中的原子的线性组合表示候选目标图像样本，以实现目标图像定位跟踪。本发明提出的目标跟踪方法，具有很好的鲁棒性与精确度，可以更好地处理目标外观变化，实现目标跟踪。
-
公开(公告)号：CN112532932A
公开(公告)日：2021-03-19
申请号：CN202011316439.7
申请日：2020-11-20
Applicant: 南昌工程学院
Abstract: 本发明公开了一种具有目标跟踪功能的监控装置，包括：安装座，其上滑动设置有滑架，滑架上设置有角度调节机构；人脸识别模块，设置在安装座上，人脸识别模块上设置有用于面像目标文件输入的输入端，面像目标文件输入后保存在人脸识别模块上的CPU内，还包括用于对图片进行图像处理的图像处理模块以及用于控制角度调节机构动作的模糊控制器，CPU、图像处理模块以及模糊控制器依次连接；伺服控制器，设置在安装座上，伺服控制器分别与角度调节机构和模糊控制器连接；还有摄像头，设置在安装座上，用于全方位的对目标对象进行视频采集，摄像头的输出端与图像处理模块连接，摄像还与所述伺服控制器连接；本发明提供了一种具有目标追踪功能的监控装置。
-
公开(公告)号：CN111230857A
公开(公告)日：2020-06-05
申请号：CN201910165083.2
申请日：2019-03-05
Applicant: 南昌工程学院
IPC: B25J9/16 , B25J13/08 , B25J19/02 , G06K9/00 , G06T7/55 , G06T7/73 , G06T7/80 , H04N5/247 , H04N5/235
Abstract: 本发明公开了基于机器视觉和深度学习的目标定位与抓取，属于机器视觉领域，基于机器视觉和深度学习的目标定位与抓取，包括摄像机组、机械臂和安装架，摄像机组包括左摄像机和右摄像机，左摄像机和右摄像机均连接于安装架上端，安装架上端中心处连接有安装筒，安装筒内侧设有辅助角锥，辅助角锥配合有辅助水平测定仪本方案利用光学自准直成像原理，通过LED发光元件和线阵CCD成像技术设计来辅助摄像机组初始状态的的水平调节，确保摄像机组的初始水平度，以便为后续摄像机组的角度调节提供调整精确的参照，基本上消除因摄像机组初始水平度误差对标定精度的影响，同时可进一步提高相关算法的有效性。
-
公开(公告)号：CN119478563B
公开(公告)日：2025-04-01
申请号：CN202510056801.8
申请日：2025-01-14
Applicant: 南昌工程学院
IPC: G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464
Abstract: 本发明提出基于多频率聚合块特征融合网络的目标跟踪方法，该方法包括：对输入图像的浅层特征进行提取，得到浅层特征图；通过低频全局分支得到低频全局信息；通过高频局部分支得到高频局部信息；基于低频全局信息与低频全局信息进行得到多频率聚合注意力特征图；基于多频率聚合注意力特征图得到多频率聚合块处理的特征图；基于多频率聚合块处理的特征图得到经过融合注意力处理的特征图；对模型进行训练，得到训练后的模型；基于训练后的模型得到分类结果并对目标进行跟踪。本发明通过多频率聚合块高效提取不同频率的信息，特征融合网络浅层中的多频率聚合块提高了模型对低频全局特征和高频局部特征的关注度，实现了高、低频信息的平衡。
-
Patent Agency Ranking
公开(公告)号：CN118691852B
公开(公告)日：2024-11-05
申请号：CN202411192503.3
申请日：2024-08-28
Applicant: 南昌工程学院
IPC: G06V10/62 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/75 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/048
Abstract: 本发明提出一种基于双softmax注意力的单流单阶段目标跟踪方法与系统，该方法基于ViT模型，将ViT模型中的编码器替换为基于双softmax注意力的编码器，得到目标跟踪模型，并将模板和搜索区域的图像输入目标跟踪模型，通过双softmax注意力的编码器，对模板图像及搜索区域图像进行统一特征学习，以在模板和搜索区域之间建立自由信息流，得到具有目标导向性的特征信息；并将结果送入预测头分别进行分类和回归操作，以获取目标跟踪结果。本发明融合了线性注意力机制和softmax注意力机制的特性，同时具有较低的计算复杂度和较高的模型表达能力，使跟踪器在降低计算成本的同时实现良好的跟踪性能。
-
公开(公告)号：CN118781155A
公开(公告)日：2024-10-15
申请号：CN202411273428.3
申请日：2024-09-12
Applicant: 南昌工程学院
Abstract: 本发明提出基于递归扩张注意力的孪生网络的目标跟踪方法与系统，该方法包括：基于Transformer网络和递归扩张注意力模块构建特目标跟踪模型；基于模板和搜索图像，利用双分支特征提取网络得到模板和搜索特征；将模板与搜索特征进行拼接，得到拼接后的特征；基于拼接后的特征，结合预测头进行计算，获取分类回归结果，根据分类归回结果对目标进行预测；结合大规模数据集采用迭代的方式对目标跟踪模型进行训练，得到训练后的目标跟踪模型，利用训练后的目标跟踪模型对目标进行精确的目标跟踪。本发明优化了特征提取过程，为图像识别和搜索任务提供了一种更为高效和精确的解决方案。
-
公开(公告)号：CN118429389A
公开(公告)日：2024-08-02
申请号：CN202410877555.8
申请日：2024-07-02
Applicant: 南昌工程学院
Abstract: 本发明提出基于多尺度聚合注意力特征提取网络的目标跟踪方法与系统，该方法包括：在Transformer的网络结构下，构建多尺度特征提取网络；使用多种数据集对构建的多尺度特征提取网络进行训练；基于训练后的多尺度特征提取网络模型对模板图像和搜索图像进行特征提取，再经过交叉注意力计算并输出，获取最终特征图；将最终特征图输入到由三个卷积分支组成的预测头内，根据三个分支的预测结果，以确定最终的边界框。本发明通过将多尺度聚合注意力放在特征提取网络浅层中，可提高模型对局部特征的关注度，实现局部信息和全局信息之间一个更好的平衡，从而在面对背景干扰与快速移动等影响时实现鲁棒性更强的跟踪。
-
公开(公告)号：CN118096836B
公开(公告)日：2024-06-21
申请号：CN202410513674.5
申请日：2024-04-26
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于旋转等变网络与三重注意力机制目标跟踪方法与系统，该方法在特征提取过程中通过三重注意力机制模块通过捕获三个分支之间的跨维相互作用信息，在进行多头自注意力计算，以增强给定的目标图像和搜索区域目标图像的全局上下文相关信息，再将所得特征图，通过旋转等变网络对进行旋转操作和剩余转换构建维间依赖关系，得到具有完全旋转不变性的特征图，再利用具有完全旋转不变性的特征图进行后续分类回归操作。本发明可提高目标图像和搜索区域目标图像的全局匹配的准确性，实现更准确的跟踪。
-
公开(公告)号：CN117710663A
公开(公告)日：2024-03-15
申请号：CN202410162830.8
申请日：2024-02-05
Applicant: 南昌工程学院
IPC: G06V10/25 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于特征增强与级联融合注意力的目标跟踪方法与系统，该方法包括，在孪生双分支网络目标跟踪框架下，基于特征表示增强模块构建得到特征提取网络，基于级联融合注意力构建得到特征融合网络，利用训练后的特征提取网络提取目标模板图像以及搜索区域图像的深层特征并进行增强，获得模板特征和搜索特征，将模板特征输入到编码器中获得编码特征，将编码特征输入训练后的特征融合网络中进行级联融合注意力操作，得到增强的目标模板中间特征，将搜索特征与增强的目标模板中间特征输入至解码器，以得到用于定位目标的分数预测图以实现目标跟踪。本发明利用分组级联的设计方式，充分利用全局上下文信息，实现更加鲁棒和精确的跟踪。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.025 seconds)
