[发明专利]一种基于持续学习的长时视觉目标跟踪方法在审
| 申请号： | 201910956780.X | 申请日： | 2019-10-10 |
| 公开（公告）号： | CN110728694A | 公开（公告）日： | 2020-01-24 |
| 发明（设计）人： | 张辉;朱牧;张菁;卓力;齐天卉;张磊 | 申请（专利权）人： | 北京工业大学 |
| 主分类号： | G06T7/20 | 分类号： | G06T7/20;G06N3/08;G06N3/04 |
| 代理公司： | 11203 北京思海天达知识产权代理有限公司 | 代理人： | 刘萍 |
| 地址： | 100124 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于持续学习的长时视觉目标跟踪方法，该方法包括网络模型设计、模型初始化、在线跟踪和模型更新。针对长时视觉目标跟踪设计了深度神经网络结构，经过模型初始化获得初始化网络模型，然后利用初始化网络模型进行在线跟踪，在跟踪过程中利用持续学习的方法进行长时或短时模型更新，适应目标在跟踪过程中的各种变化。本发明把传统视觉目标跟踪的模型在线更新过程转换为持续学习的过程，从视频的所有历史数据整体建立目标的完整外观描述，有效提升了长时视觉跟踪的鲁棒性。本发明所述的方法可为智能视频监控、人机交互、视觉导航等应用需求提供长时视觉目标跟踪的有效解决方案。 | ||
| 搜索关键词： | 视觉目标 长时 跟踪 网络模型 模型初始化 在线跟踪 初始化 神经网络结构 智能视频监控 短时模型 过程转换 历史数据 模型更新 人机交互 适应目标 视觉导航 视觉跟踪 外观描述 应用需求 有效解决 在线更新 鲁棒性 学习 视频 更新 | ||
【主权项】：
1.一种基于持续学习的长时视觉目标跟踪方法，其特征在于：包括网络模型设计、模型初始化、在线跟踪和模型更新四部分；/n网络模型设计：针对长时视觉目标跟踪设计的深度神经网络结构；/n模型初始化：包括3个步骤：初始帧分割图像获取；模型初始化训练样本库生成；模型初始化训练及模型获取；其中，模型初始化训练及模型获取阶段包括损失函数、梯度下降法的选取；/n在线跟踪：包括3个步骤：生成候选样本；获取最佳候选样本；使用目标框回归定位目标区域；/n模型更新：包括3个步骤：更新方式选择；模型更新样本库的生成与更新；持续学习方式模型训练及模型获取；其中，样本库生成中包括在线样本集和记忆感知样本集获取；样本库更新中包括在线样本集和记忆感知样本集更新；持续学习方式模型训练及模型获取阶段包括损失函数、梯度下降法的选取。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910956780.X/，转载请声明来源钻瓜专利网。
