买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国计量大学;浙江同济科技职业学院申请的专利一种基于无人机与DeepSORT算法的涌潮传播速度计算方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116630372B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310653813.X，技术领域涉及：G06T7/246；该发明授权一种基于无人机与DeepSORT算法的涌潮传播速度计算方法是由张秀娟;姜合;丁涛;沈泽栋;占光洁设计研发完成，并于2023-06-05向国家知识产权局提交的专利申请。

本一种基于无人机与DeepSORT算法的涌潮传播速度计算方法在说明书摘要公布了：本发明创新性地将DeepSORT算法与无人机单目测距原理相结合，提出一种基于无人机与DeepSORT算法的涌潮传播速度计算方法。相对于传统的涌潮观测平台，本发明以无人机作为涌潮观测平台，具有机动灵活和观测范围广的特点。针对动力强劲和破坏力极强的涌潮，本发明可实现对大范围涌潮传播过程的观测。相对于传统图像处理算法在涌潮观测领域的应用，本发明借助DeepSORT算法可实现对涌潮传播过程的连续识别与跟踪，以及在图像画面中实时绘制出涌潮运动轨迹并计算出涌潮目标在图像坐标系中的像素移动速度，结合无人机单目测距原理，将像素移动速度转换为涌潮实际传播速度。本发明可为涌潮传播机理的研究提供重要的数据支撑。

本发明授权一种基于无人机与DeepSORT算法的涌潮传播速度计算方法在权利要求书中公布了：1.一种基于无人机与DeepSORT算法的涌潮传播速度计算方法，其特征在于，包括以下步骤： 步骤1：使用遥控器控制无人机飞行至江面上方悬停，通过无人机搭载的云台相机获取实时图像，将获取到的实时图像发送至PC端； 步骤2：利用DeepSORT算法中检测器中训练得到的涌潮目标检测模型，对输入的实时图像进行目标检测，识别出图像中的涌潮目标； 步骤3：根据连续帧的目标检测结果，利用DeepSORT算法中跟踪器中的目标跟踪模型，锁定目标检测结果中需要跟踪的涌潮目标，并为其发分配目标ID，实现涌潮目标跟踪； 步骤4：根据目标跟踪的结果，实时记录每一帧图像画面中涌潮目标的图像坐标，并绘制每个涌潮目标在图像画面中的运动轨迹； 步骤5：计算每个涌潮目标的传播速度； 步骤6：完成指定江段涌潮传播速度测量任务，将结果保存于数据库，无人机返回出发点； 其中，步骤3中所述涌潮目标跟踪，包括以下步骤： 步骤3.1：对输入帧进行目标检测后，针对每个涌潮目标通过特征提取网络对其目标区域进行特征提取，将其转化为高维的特征向量，这些特征向量能够描述目标物体的外观、运动和语义信息； 步骤3.2：在每一帧中，利用目标之间的外观和运动特征进行目标关联，通过计算特征向量之间的相似性度量来评估目标之间的相似度，进而确定不同帧中同一目标的对应关系； 步骤3.3：使用卡尔曼滤波对涌潮目标的状态进行估计和预测，包括其位置、速度和加速度，卡尔曼滤波可以通过对状态的预测和更新来融合先验信息和观测信息，从而实现对目标状态的估计和预测，它能够在测量噪声和系统模型误差存在的情况下，有效地估计目标的状态，并提供对未来状态的预测能力，使得目标跟踪模型能够对目标进行连续的跟踪； 步骤3.4：使用匈牙利算法将当前帧中的目标检测结果与之前跟踪的目标进行关联，为新检测到的目标分配新的ID，而为已跟踪的目标保留其已有的ID，以确保检测到的每个涌潮目标都有一个唯一的ID，并进行持续的跟踪； 进一步的，涌潮目标跟踪步骤3.2中所述的相似性度量，通过马氏距离与余弦距离两种度量方式的线性加权计算得到，马氏距离计算公式： 其中，dj表示第j个检测框的位置，yi表示第i个追踪器对目标的预测位置，Si表示检测框和预测框之间的协方差矩阵； 余弦距离计算公式： 其中，rj表示第j个检测框提取出的特征向量，表示第i个预测轨迹中最近匹配成果的第k个向量； 最终的相似性度量公式为： ci,j＝λd1i,j+1-λd2i,j 其中，λ为权重系数，d1i,j为第i个跟踪器与第j个检测器之间的马氏距离，d2i,j为第i个跟踪器的所有相关联的特征向量和第j个检测结果的特征向量之间的最小余弦距离； 进一步的，涌潮目标跟踪步骤3.3中所述的卡尔曼滤波通过预测阶段与更新阶段实现对目标状态的估计与预测，预测阶段： xk-＝Fxk-1 Pk-＝FPk-1FT+Q 其中，F为状态转移矩阵，xk-1为上一时刻的后验估计值，xk-为当前时刻k的先验估计值，Pk-1为上一时刻的后验估计均方差矩阵，Pk-为当前时刻k的先验估计均方差矩阵，Q为噪声矩阵； 更新阶段： K＝Pk-HTHPk-HT+R-1 y＝zk-Hxk- xk＝xk-+Ky Pk＝I-KHPk- 其中，P为先验估计协方差矩阵，H为观测矩阵，R为测量状态协方差矩阵，为卡尔马增益矩阵，xk-为先验估计值，zk为测量值，y为先验估计值xk-通过观测矩阵H投影到测量空间后与测量值zk计算得到的残差，xk为更新后的后验估计值，Pk为更新后的后验估计协方差矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国计量大学;浙江同济科技职业学院，其通讯地址为：310018 浙江省杭州市下沙高教园区学源街258号中国计量大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。