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！

龙图腾网获悉中国科学院西安光学精密机械研究所申请的专利一种基于畸变抑制和低秩约束的长时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：CN119399250B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202510007978.9，技术领域涉及：G06T7/246；该发明授权一种基于畸变抑制和低秩约束的长时目标跟踪方法是由苏银强;赵惠;樊学武;戴宏设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本一种基于畸变抑制和低秩约束的长时目标跟踪方法在说明书摘要公布了：本发明公开了一种基于畸变抑制和低秩约束的长时目标跟踪方法，解决了有技术中目标伴随不利因素出现时，过多背景信息的引入使得目标外观在短时间内急剧变化，极易发生模型漂移甚至跟踪失败的问题，本发明提供的一种基于畸变抑制和低秩约束的长时目标跟踪方法，在构建滤波器模型的过程中，融合了目标本身及其周围的背景信息，有效地缓解了边界效应，同时增大了搜索区域，提高了在快速运动、遮挡或背景杂乱场景中鉴别能力。

本发明授权一种基于畸变抑制和低秩约束的长时目标跟踪方法在权利要求书中公布了：1.一种基于畸变抑制和低秩约束的长时目标跟踪方法，其特征在于，包括以下步骤： 步骤1、选出影像序列中所有跟踪状态持续不可靠的多组连续多帧图像，则每一组连续多帧图像的前一帧图像It-1的状态及性质均已知，对于每组连续多帧图像，根据其前一帧图像It-1的目标状态St-1＝[xt-1,yt-1,vt-1,ht-1]提取当前帧图像It的目标特征x0及其上下文块特征xi；所述当前帧图像It为对应的连续多帧图像中靠近前一帧图像It-1的图像； 其中，i∈[1,k]，k为正整数，t为当前帧时刻，xt-1,yt-1表示前一帧图像It-1中目标的中心位置，vt-1,ht-1表示前一帧图像It-1中目标的宽度和高度； 步骤2、基于目标特征x0以及上下文块特征xi，构建当前帧图像It的滤波器wt； 步骤3、采用滑动平均方法，按预设帧间隔更新滤波器wt，得到加权平均滤波器 其中，α∈[0,1]表示学习率； 步骤4、基于前一帧图像It-1的目标状态St-1＝[xt-1,yt-1,vt-1,ht-1]，在当前帧图像It中目标的中心点周围裁剪感兴趣区域ROI，并提取感兴趣区域ROI的感兴趣特征xt,ROI； 步骤5、对感兴趣特征xt,ROI与加权平均滤波器执行卷积操作，得到当前帧图像It的响应图Rt； 步骤6、获取重捕获标志位flagRe； 步骤7、根据重捕获标志位flagRe获取当前帧图像It的目标状态； 如果重捕获标志位flagRe＝1，通过重捕获方法获取当前帧图像It的目标状态St＝[xt,yt,vt,ht]； 如果重捕获标志位flagRe＝0，根据响应图Rt的峰值获取当前帧图像It的目标状态St＝[xt,yt,vt,ht]； 其中，xt,yt表示当前帧图像It中目标的中心位置，vt,ht表示当前帧图像It中目标的宽度和高度； 所述通过重捕获方法获取当前帧图像It的目标状态St＝[xt,yt,vt,ht]，具体包括以下步骤： 7.1、构建混合高斯背景模型，并通过Bt＝αBt-1+1-αBt-1对混合高斯背景模型进行更新，得到背景模型Bt； 7.2、提取背景模型Bt和当前帧图像It的ORB特征； 7.3、构建背景模型Bt与当前帧图像It的运动模型P； 7.4、通过ORB特征解算所述运动模型P；具体如下： 7.4.1、分别获取当前帧图像It及背景模型Bt； 7.4.2、分别提取当前帧图像It及背景模型Bt的ORB特征点集合并构建运动矢量场，其中K表示提取的最大特征点对数； 7.4.3、基于随机抽样一致性算法筛选运动矢量场并计算运动模型P； 7.5、基于所述运动模型P，将背景模型Bt与当前帧图像It对齐，得到对齐背景模型 7.6、将对齐背景模型和当前帧图像It进行差分，得到粗粒度二值差分图Dcorse； 7.7、对粗粒度二值差分图Dcorse进行形态学滤波，得到细粒度二值差分图Dfine； 7.8、从细粒度二值差分图Dfine中提取粗粒度候选区域集其中，xn,yn表示粗粒度候选区域集中第n个候选区域的中心位置，vn,hn表示粗粒度候选区域集中第n个候选区域的宽度和高度，M表示粗粒度候选区域集包含的候选区域总个数； 7.9、结合前一帧图像It-1中目标的尺度与位置先验信息，从粗粒度候选区域集中筛选出细粒度候选区域集其中，bn＝xn,yn,vn,hn表示细粒度候选区域集中第n个细粒度候选区域的状态，xn,yn表示细粒度候选区域集中第n个细粒度候选区域的中心位置，vn,hn表示细粒度候选区域集中第n个细粒度候选区域的宽度和高度，A表示细粒度候选区域集包含的候选区域总个数； 7.10、计算细粒度候选区域集Bfine中每个候选区域的状态置信度： 其中，δ为常数； 计算细粒度候选区域集Bfine中每个细粒度候选区域的响应置信度： 其中，和分别表示和bn的离散傅里叶变换； 7.11、融合状态置信度和响应置信度获得细粒度候选区域的综合置信度集Q： 其中，θ为常数； 7.12、获取综合置信度集Q中最大置信度值Qmax，通过最大置信度值Qmax索引到最优候选区域bopt＝[xopt,yopt,vopt,hopt]； 其中，xopt,yopt表示最优候选区域的中心位置，vopt,hopt表示最优候选区域的宽度和高度； 7.13、根据最优候选区域bopt＝[xopt,yopt,vopt,hopt]，获取当前帧图像It中目标中心位置xt,yt＝xopt,yopt，目标尺度不变，则vt,ht＝vt-1,ht-1，得到目标状态为St＝[xt,yt,vt,ht]； 步骤8、对影像序列中所有跟踪状态持续不可靠的各组连续多帧图像中各帧图像，按帧序分别依次执行步骤1至步骤7，得到所有连续多帧图像中各帧图像的目标状态，与跟踪状态可靠的各帧图像目标状态结合，完成长时目标跟踪。

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中国科学院西安光学精密机械研究所，其通讯地址为：710119 陕西省西安市高新区新型工业园信息大道17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。