買(mǎi)專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉哈爾濱工程大學(xué)申請(qǐng)的專利一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115424182B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211130499.9，技術(shù)領(lǐng)域涉及：G06V20/40；該發(fā)明授權(quán)一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法是由鄭麗穎;張鈺渤設(shè)計(jì)研發(fā)完成，并于2022-09-16向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法在說(shuō)明書(shū)摘要公布了：本發(fā)明提供一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法，將目標(biāo)外觀特征、目標(biāo)運(yùn)動(dòng)特征和交互特征用于跟蹤過(guò)程。采用的方案是：首先，構(gòu)建由重識(shí)別Re?identification，ReID模塊、外觀GCN、運(yùn)動(dòng)GCN、外觀融合模塊、位置融合模塊、邊權(quán)重融合模塊和特征相似度融合模塊構(gòu)成的跟蹤模型。然后，將目標(biāo)外觀信息和位置信息作為模型輸入，利用跟蹤模型中的多種融合模塊實(shí)現(xiàn)目標(biāo)外觀信息和運(yùn)動(dòng)信息的多層次融合。接下來(lái)，利用Adam優(yōu)化器和二元交叉熵?fù)p失函數(shù)訓(xùn)練上述目標(biāo)跟蹤模型。然后，將檢測(cè)器獲得檢測(cè)結(jié)果輸入訓(xùn)練好的跟蹤模型，得到關(guān)聯(lián)矩陣，并利用匈牙利算法得到初步匹配結(jié)果。最后，使用線性插值算法得到多目標(biāo)跟蹤結(jié)果。

本發(fā)明授權(quán)一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法在權(quán)利要求書(shū)中公布了：1.一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤方法，其特征在于，步驟如下： 步驟1：跟蹤網(wǎng)絡(luò)構(gòu)建，跟蹤網(wǎng)絡(luò)主要包括7個(gè)模塊：ReID模塊、外觀GCN、運(yùn)動(dòng)GCN、外觀融合模塊、位置融合模塊、邊權(quán)重融合模塊和特征相似度融合模塊； 步驟1.1：構(gòu)建外觀GCN：外觀GCN由2個(gè)圖卷積層和1個(gè)批量歸一化層組成，并在第一個(gè)圖卷積層后使用ReLU激活函數(shù)；外觀GCN用于編碼外觀交互信息； 步驟1.2：構(gòu)建運(yùn)動(dòng)GCN：運(yùn)動(dòng)GCN也由2個(gè)圖卷積層和1個(gè)批量歸一化層組成，并在第一個(gè)圖卷積層后使用ReLU激活函數(shù)；運(yùn)動(dòng)GCN用于編碼運(yùn)動(dòng)交互信息 步驟1.3：構(gòu)建外觀融合模塊、位置融合模塊、邊權(quán)重融合模塊和特征相似度融合模塊；每個(gè)融合模塊由1個(gè)線性層組成，激活函數(shù)為ReLU； 步驟2：跟蹤網(wǎng)絡(luò)訓(xùn)練：令輸入為視頻圖像及其MOT17-Trackor的目標(biāo)檢測(cè)結(jié)果，設(shè)每個(gè)目標(biāo)的檢測(cè)結(jié)果由t,x,y,w,h表示，其中x，y分別表示目標(biāo)框左上角的橫、縱坐標(biāo)，w，h分別表示目標(biāo)框的寬度和高度，t表示時(shí)間戳； 步驟2.1：利用MOT17-Trackor的目標(biāo)檢測(cè)結(jié)果在輸入視頻中裁剪出各個(gè)目標(biāo)對(duì)應(yīng)的圖像塊，將各圖像塊輸入ReID模塊，得到各目標(biāo)的外觀特征，并將軌跡中對(duì)象的平均特征作為軌跡外觀特征； 步驟2.2：對(duì)于t-1幀中的任意1個(gè)對(duì)象和t幀任意1個(gè)對(duì)象，如果它們之間距離小于距離閾值，則將外觀特征連接后輸入外觀融合模塊中，得到外觀相似度；將位置坐標(biāo)連接后輸入位置融合模塊中，得到位置相似度；將外觀相似度和位置相似度連接后輸入邊權(quán)重融合模塊，得到邊權(quán)重； 步驟2.3：構(gòu)建運(yùn)動(dòng)GCN的輸入和初始邊權(quán)重：當(dāng)前幀和上一幀對(duì)象的位置坐標(biāo)作為運(yùn)動(dòng)GCN的輸入特征，并將步驟2.2的計(jì)算結(jié)果作為初始邊權(quán)重； 步驟2.4：構(gòu)建外觀GCN的輸入和初始邊權(quán)重：當(dāng)前幀的外觀特征和軌跡中對(duì)象的平均特征作為外觀GCN的輸入特征，步驟2.2的中計(jì)算結(jié)果作為初始邊權(quán)重； 步驟2.5：計(jì)算外觀交互特征余弦相似度、運(yùn)動(dòng)交互特征余弦相似度、外觀特征余弦相似度和邊界框重疊度，并輸入到特征相似度融合模塊； 步驟2.6：構(gòu)造M+1×N+1維關(guān)聯(lián)矩陣S＝[sm,n]：其中M表示軌跡中對(duì)象數(shù)，N表示當(dāng)前幀檢測(cè)對(duì)象數(shù)，sm,n為步驟2.5的特征相似度融合模塊的輸出結(jié)果，m＝1…M表示第m個(gè)軌跡對(duì)象，n＝1…N表示第n個(gè)檢測(cè)對(duì)象，S的最后一行和一列均元素為1； 步驟2.7：利用公式1和公式2所示的最優(yōu)傳輸算法——Sinkhorn更新矩陣S； 步驟2.8：利用Adam優(yōu)化器和加權(quán)二元交叉熵?fù)p失函數(shù)訓(xùn)練上述模型，得到訓(xùn)練好的多目標(biāo)跟蹤模型； 步驟3：多目標(biāo)跟蹤： 步驟3.1：輸入待跟蹤視頻，利用MOT17-Trackor檢測(cè)器獲得檢測(cè)結(jié)果； 步驟3.2：利用步驟2訓(xùn)練好的跟蹤模型得到關(guān)聯(lián)矩陣S； 步驟3.3：將關(guān)聯(lián)矩陣S輸入到匈牙利算法中，得到初步匹配結(jié)果； 步驟3.4：按照初步匹配結(jié)果更新各目標(biāo)的軌跡； 步驟3.5：重復(fù)步驟3.1-3.4直至視頻最后一幀，得到所有視頻幀目標(biāo)的初步匹配結(jié)果； 步驟3.6：利用線性插值算法處理所有視頻幀目標(biāo)的初步匹配結(jié)果，得到最終多目標(biāo)跟蹤結(jié)果。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人哈爾濱工程大學(xué)，其通訊地址為：150001 黑龍江省哈爾濱市南崗區(qū)南通大街145號(hào)哈爾濱工程大學(xué)科技處知識(shí)產(chǎn)權(quán)辦公室；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。