CN115239763B 一种基于中心点检测和图匹配的平面目标跟踪方法 （北京交通大学）

matchingnetworksforpla一种基于中心点检测和图匹配的平面目标本发明提供了一种基于中心点检测和图匹和所述目标区域建模为一个由两个子图组成的度图匹配网络预测模板图像和所述目标区域的匹配对中估计目标从模板图像到当前图像的几2使用中心定位网络预测当前帧中跟踪目标的中心点，并将模板图像和所述目标区域建模为一个由两个子图组成的完整的图使用RANSAC算法从由匹配矩阵标识的匹配对中估计目标从模板图像到当前图像的几所述的使用深度图匹配网络预测模板图像和所述目标区域步骤二：根据Delaunay三角剖分算法将模板图像P和搜索数,把每个节点相连的边的信息进行聚合得到邻居信息，再把邻居信息和原有的节点的信其中，分别表示边v→w在第t次传递时源节点和目的节点的特3所述的将模板图像和所述目标区域建模为一个由两个子图组成的完整使用SuperPoint网络对所述目标区域提取特征点，用Delauna的特征维度为256，使用不可学习的正弦余弦编码对特征图中每个位置的元素进行位置编步骤三：将两部分特征向量展平并沿空间维度拼接在一起，得到特征向量解码后的信息为ret-f,特征向量f,x通过维度变换变为并被送到一个4x跟踪时，首先用上一帧跟踪到的运动参数对当前读取的图像作一根据所述匹配矩阵得到模板图像和目标区域中特征点的匹配对，使用R5人应用及相关领域中应用广泛，如视觉SLAM(SimultaneousLocalizationandMapping，即时定位与地图创建)和增强现实，它通过对二维图像分析得出的几何变换为三维物体的关键点的方法通常将模板和搜索区域建模为两组关键点，然后建立它们之间的对应关系，也有一些方法致力于构建对几何变换鲁棒的描述子来提高跟踪的准确性，如GIFT算子、6[0012]使用RANSAC算法从由匹配矩阵标识的匹配对中估计目标从模板图像到当前图像22]＝[3维后的特征维度为256，使用不可学习的正弦余弦编码对特征图中每个位置的元素进行位[0016]步骤三：将两部分特征向量展平并沿空间维度拼接在一起，得到特征向量位置的能力，经过Encoder编码后的搜索区域的特征向量和查询向量qRee),特征向量f’x通过维度变换变为rex华并被送预测的概率图在网格坐标空间下计算概率图分布的期望值来获得预测的目标中y)分别表示预测的目标中心点和真实的目标中心点标签，采用7xy)为中心裁剪出一个大小和模板一样的区域作为定位到的初始目标区域。像中的关键点(v,)及其描述子(v,)、搜索图像中的关键点(v)及其描述子(v,)、模板图像新函数,把每个节点相连的边的信息进行聚合得到邻居信息，再把邻居信息和原有的节点8E表示边更新函数，把每条边的源节点和目的节点的信息进行聚合得到邻居[0048]图1为本发明实施例提供的一种基于中心点检测和图匹配的平面目标跟踪方法的9供的一种基于中心点检测和图匹配的平面目标跟踪方法的处语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该[0058]本发明实施例的基于中心点检测和图匹配的平面目标跟踪方法的实现原理如图1[0059]本发明实施例提供的一种对中心定位网络进行训练的过程如图2所示，包括如下为[C1[0062]步骤三：将两部分特征向量展平并沿空间维度拼接在一起，得到特征向量在空间位置的能力。经过Encoder编码[0064]这里，解码后的信息然后，特征向量f’x会通过维度变换变为到一个中心点位置预测的概率图我们在网格坐标空间下计算概率图分布的期和ci=(ex,cy)分别表示预测的目标中心点和真实的目标中心点标签。采用[0068]本发明实施例提供的一种对深度图匹配网络进行训练的过程如图3所示，包括如图像中的关键点(v,)及其描述子搜索图像中的关键点(vn)及其描述子(,)、模板图[0082]本发明实施例提供的一种中心定位网络的训练流程图如图4所示，本发明实施例提供的一种图匹配网络的训练流程图如图5所示，为本发明实施例提供的一种基于中心点当前帧图像上根据上一帧跟踪到的位置确定搜索区域输入到中心定位网络中并执行后续[0088]在公开数据集POT_210上对所提出的基于中心点检测和图匹配的平面目标跟踪方[0091]综上所述，本发明实施例提出了一种对目标运动状态更鲁棒的平面目标跟踪方[0093]本发明提出的中心定位网络可以在跟踪目标发生较大位置偏移的情况下首先定不同运动状态更鲁棒的跟踪效果，尤其在大尺度运动和无约束场景下获得了更佳的表现。任何熟悉本技术领域的技术人员在本发明揭露的技术范