申请/专利权人:武汉理工大学
申请日:2024-01-15
公开(公告)日:2024-04-19
公开(公告)号:CN117576165B
主分类号:G06T7/246
分类号:G06T7/246;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08;G06V10/44;G06V10/75;G06V10/80
优先权:
专利状态码:有效-授权
法律状态:2024.04.19#授权;2024.03.08#实质审查的生效;2024.02.20#公开
摘要:本发明提供一种船舶多目标追踪方法、装置、电子设备及存储介质,该方法包括:构建船舶多目标跟踪数据集;将船舶多目标跟踪数据集输入至预设的YOLOX‑S模型,以对YOLOX‑S模型进行训练,得到船舶多目标跟踪模型;获取待检测的船舶图像,将待检测的船舶图像输入至船舶多目标跟踪模型,得到多个船舶检测目标;确定相邻两帧船舶图像对应的相似度关系损失矩阵;基于相似度关系损失矩阵,将多个船舶检测目标对应的所有轨迹与当前帧船舶图像的高分边界框进行匹配,得到第一匹配轨迹;基于第一匹配轨迹确定船舶跟踪轨迹;YOLOX‑S模型包括依次连接的主干特征网络、RFB模块以及检测头。本发明可以实现满足实时性要求并且能在复杂场景下准确跟踪船舶的目的。
主权项:1.一种船舶多目标追踪方法,其特征在于,包括:构建船舶多目标跟踪数据集;将所述船舶多目标跟踪数据集输入至预设的YOLOX-S模型,以对所述YOLOX-S模型进行训练,得到船舶多目标跟踪模型;获取待检测的船舶图像,将所述待检测的船舶图像输入至所述船舶多目标跟踪模型,得到多个船舶检测目标;确定相邻两帧船舶图像对应的相似度关系损失矩阵;基于所述相似度关系损失矩阵,将所述多个船舶检测目标对应的所有轨迹与当前帧船舶图像的高分边界框进行匹配,得到第一匹配轨迹;基于所述第一匹配轨迹确定船舶跟踪轨迹;其中,所述YOLOX-S模型,包括依次连接的主干特征网络、RFB模块以及检测头;所述主干特征网络,包括多层串联的特征提取层;每一特征提取层均包括基础层、第一常规卷积层、第二常规卷积层、第一重参数化卷积模块、第二重参数化卷积模块和转化层,所述第一重参数化卷积模块和所述第二重参数化卷积模块均包括多层重参数化卷积层;所述第一常规卷积层和所述第二常规卷积层的输入均与所述基础层的输出连接,所述第一常规卷积层和所述第二常规卷积层的输出均与所述转化层连接,所述第一重参数化卷积模块的输入与所述第二常规卷积层的输出连接,所述第一重参数化卷积模块的输出与所述转化层连接,所述第二重参数化卷积模块的输入与所述第一重参数化卷积模块的输出连接,所述第二重参数化卷积模块的输出与所述转化层连接;所述确定相邻两帧船舶图像对应的相似度关系损失矩阵,包括:确定相邻两帧图像对应的高分边界框之间的交并比,以及重识别特征相似度;基于所述交并比以及所述重识别特征相似度,确定相邻两帧船舶图像对应的相似度关系损失矩阵。
全文数据:
权利要求:
百度查询: 武汉理工大学 船舶多目标追踪方法、装置、电子设备及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。