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！

龙图腾网获悉南京大学申请的专利一种基于位置不确定性估计的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：CN115393388B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202110566900.2，技术领域涉及：G06T7/246；该发明授权一种基于位置不确定性估计的单目标跟踪方法是由武港山;徐梦强;王利民设计研发完成，并于2021-05-24向国家知识产权局提交的专利申请。

本一种基于位置不确定性估计的单目标跟踪方法在说明书摘要公布了：一种基于目标变换回归网络的精确目标跟踪方法，包括以下步骤：1生成训练样例阶段；2网络主体训练阶段；3元分类器离线训练阶段；4在线跟踪阶段；本发明设计的位置不确定性估计模块能够预测网络输出位置坐标的置信度信息，在后续阶段使用位置投票机制生成最终的预测框，从而能够给出精确的回归边界框。此外，本发明提出了一种基于元学习的在线更新策略，使得跟踪器能够适应目标外形与尺度变化，从而提高追踪器的鲁棒性。相比现有的单目标跟踪方法，本发明的跟踪方法能对跟踪过程中的物体变形有更好的适应能力，有效地提升目标回归的精度。

本发明授权一种基于位置不确定性估计的单目标跟踪方法在权利要求书中公布了：1.一种基于位置不确定性估计的单目标跟踪方法,其特征是首先离线训练好目标跟踪网络的网络参数，然后在跟踪过程中挑选部分先前已预测结果的视频帧，作为目标跟踪网络分类分支的在线训练样本，对基于元学习的分类器进行网络参数更新，提高跟踪的鲁棒性，同时在目标跟踪的候选框筛选阶段使用位置投票机制提高跟踪的准确性；目标跟踪网络采用全卷积孪生网络，生成目标分类和目标回归模板，来指导分类和回归任务以及在线更新分类和回归模板的策略，实现目标追踪任务； 所述方法包括生成训练样本、主体网络离线训练、元分类器离线训练和在线跟踪： 1生成训练样例，首先对离线训练数据集中每个视频的每一帧图像进行目标区域增强处理，然后裁剪出增强处理后的目标搜索区域并缩放至固定大小，从每个裁剪后的视频帧序列按照一定的间隔抽取两帧生成正样本对，从两个不同视频序列各自随机抽取一帧生成负样本对，每个样本对中的一个作为模板帧，另一个作为搜索帧，对于正样本对，根据搜索帧及其目标标注框来生成分类分支标签和回归分支标签，对于负样本对，根据搜索帧及其目标标注框只生成分类分支标签； 2主体网络离线训练，包括网络主体部分训练和元分类器的训练；对于网络主体部分的训练，先将模板帧和搜索帧图片输入孪生网络，提取出各自的分类特征图和回归特征图，将模板帧的分类特征图作为分类分支的卷积核fcls，作用于搜索帧的分类特征图，经过卷积操作之后生成类别得分置信图Mcls，将模板帧的回归特征图作为回归分支的卷积核freg，作用于搜索帧的回归特征图，经过卷积操作之后，生成中心点到目标边界距离回归图Mreg和其所对应的距离置信度图Muncert，分别表示目标的中心点距离物体的四个边界的距离以及该预测的距离的置信度值；然后根据类别置信图Mcls找到得分最高点，在Mreg上找到该点以及周围临近点对应的偏置距离，再根据这些偏置距离对应的置信度进行投票得到最终的预测目标框； 训练时，对于分类分支使用RetinaNet中的FocalLoss作为损失函数，对于回归分支使用DIoU损失函数，不确定性估计模块使用负对数似然损失函数NPLL，结合搜索帧得到的标签，使用SGD优化器，通过反向传播算法来更新整个网络参数，不断随机抽取正负样本重复上述过程直至达到迭代次数； 3元分类器离线训练，在推理阶段元分类器的输入是搜索帧的分类特征图，输出是类别置信图M'cls，此时将此类别置信图与步骤2中的类别置信图Mcls加权求和得到最终的类别置信图Mcls←α·Mcls+1-α·M'cls，其中α是权重因子；在训练阶段，采用MAML算法对元分类器进行训练，找到一组初始化参数，使得分类器在该状态下，仅仅需要使用少量样本经过数次梯度更新即可快速学习到目标的信息； 4在线跟踪，首先裁剪出待跟踪视频的第一帧图像中的目标框搜索区域作为模板，然后将模板帧扩充为一个包含5帧图像的在线训练数据集，经过5次梯度下降更新网络参数，使得元分类器能够对当前跟踪目标进行分类任务，在跟踪过程中，从已经跟踪完的帧序列中每10帧挑选出一个分类得分最高的帧和已经跟踪得到的目标框作为标签添加到在线训练数据集中，用于更新元分类器。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。