申请/专利权人：中国科学院长春光学精密机械与物理研究所

申请日：2024-01-31

公开（公告）日：2024-04-26

公开（公告）号：CN117670940B

主分类号：G06T7/246

分类号：G06T7/246;G06T7/277;G06V10/75;G06V10/74;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明涉及目标跟踪技术领域，尤其涉及一种基于相关性峰值距离分析的单流卫星视频目标跟踪方法。包括：S1：获取目标模板和搜索区域；S2：将目标模板和搜索区域输入至基于联合特征建模的单流跟踪网络，获得跟踪结果及相关性建模响应图；S3：计算欧氏距离；S4：利用卡尔曼跟踪模型获得卡尔曼滤波的跟踪结果；S5：根据判断结果将卡尔曼滤波的跟踪结果或单流跟踪网络的跟踪结果作为目标跟踪结果；S6：令m=m+1，重复步骤S1‑S5完成目标跟踪。本发明提出的相关性峰值距离判扰方法提高了目标跟踪的准确率和成功率。

主权项：1.一种基于相关性峰值距离分析的单流卫星视频目标跟踪方法，其特征在于，具体包括如下步骤：S1：对包含跟踪目标的视频帧中的第1帧图像进行处理，获得目标模板，以所述视频帧中的第m-1帧图像的跟踪目标所在的跟踪框为基准，对第m帧图像进行处理，获得搜索区域；S2：将所述目标模板和所述搜索区域输入至基于联合特征建模的单流跟踪网络，获得跟踪结果及所述目标模板和所述搜索区域的相关性建模响应图；具体包括如下步骤：S21：将所述目标模板和所述搜索区域均进行分块处理，对应获得目标模板分块图像和搜索区域分块图像，将所述目标模板分块图像和所述搜索区域分块图像进行拼贴操作，获得拼贴图像；S22：将所述拼贴图像输入至自注意力模块，分别获得Q向量、K向量和V向量，通过下式对所述Q向量、所述K向量进行交叉注意力操作，获得注意力图T： 13；其中，Q为Q向量，K为K向量；S23：在所述注意力图中划分出所述目标模板与所述搜索区域的相关性建模响应图，所述相关性建模响应图与所述搜索区域的尺寸相同，对所述相关性建模响应图进行两次掩码操作，获得聚焦目标的相关性建模响应图；S24：通过下式对所述相关性建模响应图进行自注意力操作，获得全局注意力图： （14）；其中，V为V向量，为常数，防止值过大，为激活函数；S25：将所述全局注意力图和所述拼贴图像相加后所得到的特征图进行处理，获得与所述搜索区域分块图像尺寸相同的搜索目标图像；S26：将所述搜索目标图像输入至预测头模块进行处理，获得所述单流跟踪网络的跟踪结果；S3：重复步骤S1-S2，获得第m-1帧图像的搜索区域，并计算所述第m帧图像和所述第m-1帧图像的搜索区域与所述目标模板的相关性建模响应图的最大值坐标的欧氏距离；S4：建立卡尔曼跟踪模型，并利用所述卡尔曼跟踪模型获得卡尔曼滤波的跟踪结果；S5：根据所述欧氏距离判定所述跟踪目标是否受相似物体的干扰，并根据判断结果将卡尔曼滤波的跟踪结果或所述单流跟踪网络的跟踪结果作为目标跟踪结果；S6：令m=m+1，重复所述步骤S1-S5持续对所述跟踪目标进行跟踪，直至m为所述视频帧的最后一帧响应图，完成对所述视频帧的目标跟踪；所述基于联合特征建模的单流跟踪网络包括自注意力模块和预测头模块，其中，所述自注意力模块包括批归一化层和线性层，所述预测头模块包括2d卷积层、批归一化层和Relu激活函数，所述目标模板分块图像与所述搜索区域分块图像相加后，获得拼贴图像，将所述拼贴图像输入至所述自注意力模块，获得所述Q向量、所述K向量和所述V向量，将所述Q向量和所述K向量相乘后，再与所述V向量相乘，获得全局注意力图A，所述全局注意力图A与所述拼贴图相加后经所述批归一化层进行归一化处理后，获得特征图A1，所述特征图A1经所述线性层进行线性层操作，获得特征图A2，所述特征图A1和所述特征图A2相加后进行归一化操作，获得搜索目标图像，所述搜索目标图像输入至所述预测头模块经所述2d卷积层进行卷积及相应的归一化和Relu激活操作后，获得所述单流跟踪网络的跟踪结果以及所述目标模板和所述搜索区域的相关性建模响应图。

全文数据：

权利要求：

百度查询： 中国科学院长春光学精密机械与物理研究所 基于相关性峰值距离分析的单流卫星视频目标跟踪方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD