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！

龙图腾网获悉重庆邮电大学申请的专利一种层次特征融合的抗背景干扰孪生网络单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：CN118134963B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202410046446.1，技术领域涉及：G06T7/246；该发明授权一种层次特征融合的抗背景干扰孪生网络单目标跟踪方法是由周丽芳;代静;李伟生设计研发完成，并于2024-01-12向国家知识产权局提交的专利申请。

本一种层次特征融合的抗背景干扰孪生网络单目标跟踪方法在说明书摘要公布了：本发明请求保护一种层次特征融合的抗背景干扰孪生网络单目标跟踪方法BASNet，包括以下步骤：首先，针对现有特征提取网络未能充分利用图像特征的问题，提出了一个双特征融合模块，将骨干网提取的第二层低级特征和第五层高级特征充分融合，该模块能够增强模型利用有效特征信息处理相似背景干扰的能力；其次，设计了注意力焦点模块来计算特征之间的相似性，并生成适当的权重来调整特征的重要性；最后，针对现有损失函数在回归过程中无法获得准确的位置信息的问题，本发明在回归分支中使用了新的损失函数SIOU，在训练过程中优化了模型的收敛性，并且能够更好地预测边界框和实际边界框之间的空间相关性，进一步提升了跟踪的准确性。

本发明授权一种层次特征融合的抗背景干扰孪生网络单目标跟踪方法在权利要求书中公布了：1.一种层次特征融合的抗背景干扰孪生网络单目标跟踪方法，其特征在于，包括以下步骤： 步骤1、生成训练数据：对多个数据集进行放缩处理，获得像素为127×127的模板图像和像素为255×255的搜索图像； 步骤2、生成图像特征：生成的模板图像和搜索图像经过特征提取网络AlexNet，将网络输出的第二层低级特征和最后一层高级特征通过双特征融合模块进行融合，得到多尺度特征，并通过注意力焦点模块模块消除不同层特征融合引入的噪声； 步骤3、生成训练标签：将搜索特征与模板特征经过互相关运算后得到17*17的特征响应图，分类分支根据IOU阈值确定标签值，回归分支根据锚框坐标偏移量生成标签值，通过生成的标签模型学习目标的位置、尺度和类别信息，并根据这些信息进行预测和推理； 步骤4、损失函数优化：将预处理好的模板特征与搜索特征输入到回归分支和搜索分支中；以模板特征为卷积核，在搜索区域上做互相关操作得到各自的特征图，分类分支相似度图上的前景背景得分与目标的分类标签采用二值交叉熵函数计算损失，回归分支利用回归偏移量与目标的回归标签通过新的SIOU函数计算损失；最后，通过随机梯度下降算法最小化损失从而实现模型优化，若干轮迭代之后，从中选取最好的跟踪模型； 所述步骤3中生成训练标签，具体步骤如下： D1、将步骤C2得到的特征维度分别输入到分类头和回归头中，经过一个卷积分别得到4*4*256和20*20*256，这个操作将模板特征转化为适合于分类器的低维表示； D2、输入分类分支和回归分支的模板图像通过一个卷积核进行升维，由4*4*256到4*4*2k*256和4*4*4k*256，这种升维操作用于区分不同目标的特征模式；搜索特征不进行升维； D3、将模板图像特征作为卷积核与搜索图像特征进行互相关操作，分类分支得到的相似度图为17*17*2k，回归分支得到的相似度图为17*17*4k，k指锚框个数； D4、对17*17的特征图的每一个像素点生成五个长宽比不同的anchor，尺度分配为{3,2,1,0.5,0.33}，总共17*17*5个anchor，并将anchor与groundtruebox之间的IOU进行计算，产生正样本和负样本，生成分类标签，判断规则如下： 其中yi表示第i个样本的标签值，当值为1时为正样本，值为0时为负样本，值为-1时忽略此锚框； D5、对正样本生成回归标签，用于预测目标的边界框位置，其标签计算方式如下所示： 其中δ[i]表示基于锚框四个方向的坐标偏移量，Tx，Ty表示目标矩形框中心点坐标，Tw，Th表示目标矩形框宽高，Ax，Ay表示预定义锚框的中心点坐标，Aw，Ah表示预定义锚框的宽高； 所述步骤4中损失函数优化具体包括如下步骤： E1、在分类头中，得到的2k维分数图与分类标签通过二值交叉熵损失函数计算损失，公式如下： Lclspi,yi＝-yilogpi-1-yilog1-pi#10 yi表示第i个样本的标签值，pi表示网络预测的第i个样本属于目标还是背景的分类概率值； E2、在回归头中，得到的4k维坐标偏移量与回归标签通过SIOU损失函数计算损失，公式如下： 其中△表示预测框与真实框之间的距离成本，Ω表示预测框与真实框之间的形状成本，两者的具体表达式如下： E3、通过步骤E1和E2得到分类损失和回归损失后，模型总损失如下公式所示： L＝WboxLbox+WclsLcls#14 最后通过随机梯度下降优化算法不断对模型进行优化，在经过50轮迭代训练后便得到最终的跟踪模型。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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”。