(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211157466.3 (22)申请日 2022.09.22 (71)申请人 成都思晗科技股份有限公司 地址 610041 四川省成 都市高新区益州大 道722号复地·复城国际T1F1907 (72)发明人 唐静远　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 专利代理师 李玉兴 (51)Int.Cl. G06T 7/277(2017.01) G06T 7/246(2017.01) G06T 7/73(2017.01) (54)发明名称 一种用于变电站复杂场景下的多目标跟踪 方法 (57)摘要 本发明属于目标跟踪识别技术领域， 尤其涉 及一种用于变电站复杂场景下的多目标跟踪方 法。 本发明解决问题的技术方案是： (1)结合 RepVGG骨干网络设计 快速特征金字塔 结构， 提出 一种基于 无锚框的多类别多目标 实时跟踪网络。 (2)通过引入重识别改进方法， 对目标识别预测 头的特征向量进行优化， 提升识别的精确度。 (3) 在结构重参数化RepVGG主干网络中引入机制压 缩‑激励(SE)模块， 增强对重要目标的特征提取。 本发明创新的无锚框网络结构保证精度的同时 降低参数量和推理时间， 简化跟踪流程， 且满足 变电站应用场景 下的鲁棒 性和实时性要求。 权利要求书2页 说明书7页 附图2页 CN 115546259 A 2022.12.30 CN 115546259 A 1.一种用于变电站复杂场景 下的多目标跟踪方法， 其特 征在于， 包括： 构建跟踪网络， 包括特征提取模块和检测与识别模块， 所述特征提取模块采用RepVGG 作为骨干网， 并引入注 意力机制和快速FPN， 具体为： RepVGG特征提取网络包括五个阶段， 分 别在第一阶段和 第二阶段之 间嵌入第一注意力机制模块、 在第五阶段之后添加 第二注意力 机制模块； 快速FPN包括第一FFPN模块和第二FFPN模块， 其中第一FFPN模块的输入为第三阶 段的输出和第二FFPN模块的输出， 第二FFPN模块的输入为第四阶段的输出和第二注意力机 制模块的输出， 第一F FPN模块的输出作为特 征提取模块的输出； 所述检测与识别模块为预测头部， 包括四路并行的预测头， 分别为： 目标类别预测头、 目标中心定位补偿预测头、 目标边框尺寸预测头、 目标识别预测头； 在变电站复杂场景下采集图像作为训练数据， 对所构建的跟踪网络进行训练后， 将得 到的推理模型进行部署用于多目标的跟踪。 2.根据权利要求1所述的一种用于变电站复杂场景下的多目标跟踪方法， 其特征在于， 所述注意力机制模块的嵌入用于使得模型关注信息量大的通道特征， 并抑制不重要的通道 特征， 所述第二注 意力机制模块的嵌入用于使 特征提取网络能够在ImageNet预训练的模 型 参数基础上进行初始化 参数， 从而加快训练速度。 3.根据权利要求1所述的一种用于变电站复杂场景下的多目标跟踪方法， 其特征在于， 所述FFPN模块采用一个3 ×3大小的卷积核对输入的深层特征进 行提取， 并经过线 上采样后 与输入的浅层特 征融合得到融合特 征。 4.根据权利要求1所述的一种用于变电站复杂场景下的多目标跟踪方法， 其特征在于， 对于目标识别预测头采用含有标签平 滑的交叉熵损失： 其中， ID为输入目标特征向量， N为目标种类总数， i为样本， y为实际标签， pi为全连接层 关于识别真值标签qi的预测值， ε为 一个常数。 5.根据权利要求4所述的一种用于变电站复杂场景下的多目标跟踪方法， 其特征在于， 所述检测与识别模块的检测任务包括检测类别损失、 目标中心定位补偿损失、 目标边框尺 寸预测损失， 其中， 检测类别损失使用含有焦点损失的像素逻辑回归， 其表达式如下： 其中 ， 为目 标 关 键 点 在图 像 坐 标 (x ， y) 中的 真 值 ， 为目标中心点下采样后的位置， σp为标准差， 为类型检测预测头输出 特征图， α， β 为焦点损失系数， N 为当前图像中的目标 数量， C为当前目标类别； 目标中心定位补偿损失使用一维欧式距离损失， 具体公式为：权　利　要　求　书 1/2 页 2 CN 115546259 A 2其中， 为目标中心定位补偿真值， 为目标中心定位补偿预测头 输出特征图； 目标边框尺寸预测损失 公式同样使用一维欧式距离损失， 具体公式为： 其中， Si＝(wi， hi)为目标边框尺寸真值， 为目标边框尺寸预测头 输出特征图； 检测任务损失函数为： LDET＝ λheatLheat+λoffLoff+λsizeLsize λheat， λoff， λsize分别为不同部分的损失权 重。 6.根据权利要求5所述的一种用于变电站复杂场景下的多目标跟踪方法， 其特征在于， 对跟踪网络进 行训练为采用多任务联合学习损失函数对检测和识别任务进 行训练， 其中识 别任务的损失函数为： LID＝ λLSCELLSCE+λTriLTri+λCenLCen 其中， LTri为三元组损失， LCen为中心损失， λLSCE， λTri， λCen分别为不同部分的损失权 重； 则总损失函数为： 其中， w1和w2为可学习常数参数， 用于平衡分类任务与检测任务的权 重。权　利　要　求　书 2/2 页 3 CN 115546259 A 3