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！

龙图腾网获悉刘通申请的专利一种针对动态目标物体精确引导的方法、装置与设备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：CN116433724B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310263688.1，技术领域涉及：G06T7/246；该发明授权一种针对动态目标物体精确引导的方法、装置与设备是由刘通设计研发完成，并于2023-03-10向国家知识产权局提交的专利申请。

本一种针对动态目标物体精确引导的方法、装置与设备在说明书摘要公布了：本发明属于图像处理技术领域，尤其为一种针对动态目标物体精确引导的方法、装置与设备，该方法在含有目标物体的初始模板帧中确定初始目标物体图样，并获取动态目标物体图样，然后基于初始目标物体图样和动态目标物体图样，在图像序列对应的图像帧中识别目标物体，这样，在对图像序列的各图像帧中识别并定位目标物体时，具有比较准确的参照模板，有利于准确识别目标物体，解决了跟踪过程中目标物体的尺度、视角发生变化导致的模板图样与待跟踪图像帧中目标物体的表观特征相关性变弱的问题，且该方法使用的孪生网络跟踪模型提出了一种多尺度特征双融合机制，通过融合多尺度特征，提高该模型对多尺度目标物体的表征能力。

本发明授权一种针对动态目标物体精确引导的方法、装置与设备在权利要求书中公布了：1.一种针对动态目标物体精确引导的方法，其特征在于，包括： 获取目标物体的初始模板帧，先以预先拍摄的图像作为初始模板帧，初始模板帧中包含有目标物体的图像； 获取动态目标物体的图像序列； 在所述初始模板帧中确定初始目标物体图样； 获取动态目标物体图样，其中，在对所述图像序列进行跟踪的初始阶段，使用所述初始目标物体图样作为所述动态目标物体图样，在之后的跟踪阶段，使用所述图像序列中上一时刻的图像帧中识别的目标物体作为所述动态目标物体图样； 基于所述初始目标物体图样和动态目标物体图样，在所述图像序列对应的图像帧中识别目标物体； 所述在所述图像序列对应的图像帧中识别目标物体包括： 通过孪生网络跟踪模型在所述图像序列的各图像帧中识别目标物体； 所述孪生网络跟踪模型包括第一多尺度特征融合子网络、第二多尺度特征融合子网络和目标跟踪子网络，所述第一多尺度特征融合子网络与所述第二多尺度特征融合子网络权重共享； 使用Z0表示所述初始目标物体图样，使用ZD表示所述动态目标物体图样，使用Xt表示所述图像序列中t时刻的待跟踪图像帧； 所述通过孪生网络跟踪模型在所述图像序列的各图像帧中识别目标物体包括： 通过所述第一多尺度特征融合子网络对所述初始目标物体图样Z0进行多尺度的提取和融合得到图像特征f0，通过所述第一多尺度特征融合子网络对所述动态目标物体图样ZD进行多尺度的提取和融合得到图像特征fD； 通过所述第二多尺度特征融合子网络对所述图像帧Xt进行多尺度的提取和融合得到图像特征fX； 基于所述图像特征f0、图像特征fD、图像特征fX，通过所述目标跟踪子网络识别所述图像帧Xt中目标物体所在位置； 所述通过所述目标跟踪子网络识别所述图像帧Xt中目标物体所在位置包括： 通过所述目标跟踪子网络分别计算所述图像特征f0、图像特征fD、图像特征fX的相关性： Corf0,fX＝f0*fX；CorfD,fX＝fD*fX，其中*表示点对点的相关性计算； 将所述图像特征f0、图像特征fX，及所述图像特征fD、图像特征fX之间的两个相关性张量进行融合并使用一个1x1的卷积操作进行特征降维： f＝Conv1×1[Corf0,fX；CorfD,fX]，其中[]表示张量在特征通道上进行拼接得到图像特征f； 以图像特征f为输入，使用分类头与回归头预测图像帧Xt中x,y位置处目标物体的置信度，并回归目标物体在图像帧Xt中的具体尺寸； 所述通过所述目标跟踪子网络识别所述图像帧Xt中目标物体所在位置还包括：根据所述目标跟踪子网络的预测结果，得到图像帧Xt中置信度最高的目标物体的位置，以该位置框取的区域更新目前的动态目标物体图样ZD，并作为下一时刻的图像帧跟踪阶段的动态目标物体图样； 所述通过所述第一多尺度特征融合子网络对所述初始目标物体图样Z0进行多尺度的提取和融合得到图像特征f0包括： 使用多组轻量级模型和多尺度特征融合模块A进行图像特征提取和融合，得到多个不同尺度的特征图，其中，下一组轻量级模型和多尺度特征融合模块A的输入为上一组轻量级模型和多尺度特征融合模块A得到的特征图； 使用多尺度特征融合模块B基于跨尺度特征融合策略对不同尺度的特征图进行融合，融合过程中，通过将大尺度特征图上采样，与小尺度特征图进行融合，以能够在小尺度特征图中识别小尺寸物体，在大尺度特征图中识别大尺度物体； 所述多尺度特征融合模块A基于深度可分离分组卷积策略对相应的轻量级模型提取的图像特征进行融合，具体包括： 将输入的图像特征分为n组，并经过n组不同深度的可分离卷积核，学习n个尺度的图像特征，然后通过张量拼接方式恢复特征维度，再使用一个n*n的卷积核将n组多尺度特征进行融合，并输入给下一级网络； 所述使用多尺度特征融合模块B基于跨尺度特征融合策略对不同尺度的特征图进行融合包括： 由m个所述多尺度特征融合模块A输出m张特征图，分别为特征图1、特征图2、特征图3…特征图m，通过将除特征图1之外的特征图使用上采样的方式恢复到与特征图1尺寸一致的特征图，对于特征图1则采用1x1卷积核对特征通道进行变换，然后通过特征拼接的方式融合经卷积变换后的m个特征图，得到最终用于目标跟踪的特征图。

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刘通，其通讯地址为：100000 北京市朝阳区北苑一号院502号楼2单元4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。