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！

龙图腾网获悉西安邮电大学申请的专利基于双分支特征增强和多级轨迹关联的多目标跟踪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：CN117274308B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202311226983.6，技术领域涉及：G06T7/246；该发明授权基于双分支特征增强和多级轨迹关联的多目标跟踪方法是由马素刚;段帅鹏;杨小宝;侯志强;蒲磊;余旺盛设计研发完成，并于2023-09-21向国家知识产权局提交的专利申请。

本基于双分支特征增强和多级轨迹关联的多目标跟踪方法在说明书摘要公布了：本公开揭示了一种基于双分支特征增强和多级轨迹关联的多目标跟踪方法，包括：S100：获取含有多个待跟踪目标的输入图像；S200：构建多目标跟踪模型并进行训练，以获得训练好的多目标跟踪模型；S300：将输入图像输入训练好的多目标跟踪模型中，以实现对输入图像中的多个待跟踪目标进行同时跟踪。本公开还揭示了一种基于双分支特征增强和多级轨迹关联的多目标跟踪装置、存储介质以及电子设备。本公开能够解决目标遮挡、模糊等复杂场景下目标跟踪失败的问题，从而能够提高在复杂场景下对多个待跟踪目标的跟踪性能。

本发明授权基于双分支特征增强和多级轨迹关联的多目标跟踪方法在权利要求书中公布了：1.一种基于双分支特征增强和多级轨迹关联的多目标跟踪方法，其特征在于，所述方法包括以下步骤： S100：获取含有多个待跟踪目标的输入图像； S200：构建多目标跟踪模型并进行训练，以获得训练好的多目标跟踪模型； 其中，所述多目标跟踪模型通过利用双分支特征学习网络以缓解检测与跟踪两种任务的过渡竞争，以及通过引入关联矩阵AM预测获得更准确的偏移向量以减少输入图像中待跟踪目标的身份切换次数； 所述多目标跟踪模型包括：输入层、特征提取层、特征增强层、并行的检测层和跟踪层、关联层以及输出层； 所述特征增强层采用双分支特征学习网络DFL，DFL网络首先从主干网络中得到共享特征，为了减少特征图矩阵运算带来的计算量，首先需要对共享特征进行池化操作，并且对不同的任务需要采用不同的池化方式，其中，平均池化得到的特征对背景信息更加敏感，用于检测层检测特征的学习；最大池化得到的特征对纹理信息更加敏感，用于跟踪层跟踪特征的学习；共享特征经池化后，得到包含局部信息的两种特征，检测特征和跟踪特征；其次，将、分别通过3×3卷积层进行编码，生成用于检测和跟踪的特征图和，并且重塑成尺寸为的二维张量和；然后，对和及其对应的转置张量和进行矩阵乘法，并通过softmax函数进行归一化，计算出每个任务的特殊性响应图，计算方式如下所示： ， 其中，·表示两个向量的点积运算，、和分别表示的第、和行，为上位置的值，表示特征图中第个通道和第个通道之间的相关关系，C表示特征通道数，且C=64； 接下来，将和，和分别进行矩阵乘法，其中，表示转置运算，以学习不同任务之间的相关性，并经过归一化得到任务之间的相关性响应图，计算方式如下所示： ， 其中，表示任务1的第个通道对任务2的第个通道的相关关系，表示任务2的第个通道对任务1的第个通道的相关关系，k，h表示不同张量组合，1,2表示张量M1与M2；值越大，表示该通道的特征信息被两个任务共同关注程度越大； 最后，通过一个可训练参数来融合特殊性响应图和相关性响应图，得到特征增强响应图，计算方式如下所示： ， 其中，表示可训练参数，表示响应图的可训练参数，表示响应图的可训练参数； 将不同任务对应的特征增强响应图和与重塑后的输入特征进行矩阵相乘，获得每个任务的增强特征，该增强特征被重塑为与输入特征相同形状的三维张量，并与进行融合，以防止信息的丢失，最终得到用于检测分支和跟踪分支输入的两种特征； 在跟踪层中引入了AM矩阵，AM矩阵利用提取的特征构建两帧之间的相似关系，以此预测得到更为准确的偏移向量，进而能够减少输入图像中待跟踪目标的身份切换次数；AM矩阵表示为，通过和对应的转置张量进行矩阵乘法得到矩阵，表示图像和之间的相似度，其中，矩阵计算方式如下所示： ， 其中，为转置符号，表示第帧图像目标点与第帧图像目标点之间特征相似度，对于第帧目标的中心点，从矩阵中得到其对应的二维关联矩阵，表示目标和第帧图像上所有点之间的特征相似度； 接下来，通过求偏移向量，分别以水平和垂直两个方向的最大池化作用于，池化核分别为和，得到两个方向的矩阵和，将和经过softmax函数进行归一化，得到两个向量和，其中，和分别表示目标出现在第帧上的水平方向位置和垂直方向位置的概率；根据输出图像分辨率的大小定义两个方向的偏移模板，分别为和，表示目标实际出现在其他位置的偏移值，计算方式如下所示： ， ， 其中，表示下采样倍率，设置为4，和分别表示目标在第帧上出现在位置和位置的偏移量；最终的跟踪偏移是由实际目标位置的偏移值与它在其对应位置上的偏移概率的点积得到： ， 水平位置与垂直位置的偏移分别通过两个通道学习，最终得到跟踪的偏移为，用于后续的轨迹关联； S300：将输入图像输入训练好的多目标跟踪模型中，以实现对输入图像中的多个待跟踪目标同时进行跟踪。

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西安邮电大学，其通讯地址为：710061 陕西省西安市长安南路563号；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。