[发明专利]一种目标特征提取方法及其设备

说明书

本发明公开了一种目标特征提取方法及其设备，用于根据目标区域中图像块之间的相关性进行特征重构，使得目标区域中的每个图像块特征中都包含同组图像块的相关信息，增强目标区域特征的鲁棒性。该方法包括：将帧图像中跟踪目标的目标区域划分为多个子区域；对划分后的所述多个子区域进行特征提取，确定每个子区域的特征向量；根据每两个不同子区域的特征向量之间的相关程度，对所述目标区域的特征矩阵进行修正，其中所述特征矩阵是通过对所述目标区域进行特征提取确定的；将修正后的特征矩阵确定为所述目标区域提取的特征。

技术领域

本发明涉及目标跟踪技术领域，特别涉及一种目标特征提取方法及其设备。

背景技术

目标跟踪是计算机视觉中的基础任务之一，在诸多领域的技术方案中均被使用，如安防监控、无人机、自动驾驶等。目标跟踪任务通常给定目标的初始位置，通过特征模型在后续视频帧中找到目标的位置。当前目标跟踪主要分为两大类：生成式方法和判别式方法。其中生成式和判别式方法区别在于：更新目标位置时，前者采用相似性匹配操作，后者采用分类操作。在目标跟踪过程中，无论是采用相似性匹配操作还是分类操作，都需要提取视频帧不同区域的特征，特征鲁棒性直接影响分类模型的判别能力或者滤波模板的匹配性能。

目前的目标跟踪方法通过对目标区域全局采样提取样本特征，提取的特征鲁棒性不高。

发明内容

本发明提供一种目标特征提取方法及其设备，用于根据目标区域中图像块之间的相关性进行特征重构，使得目标区域中的每个图像块特征中都包含同组图像块的相关信息，增强目标区域特征的鲁棒性。

第一方面，本发明实施例提供的一种目标特征提取方法，包括：

将帧图像中跟踪目标的目标区域划分为多个子区域；

对划分后的所述多个子区域进行特征提取，确定每个子区域的特征向量；

根据每两个不同子区域的特征向量之间的相关程度，对所述目标区域的特征矩阵进行修正，其中所述特征矩阵是通过对所述目标区域进行特征提取确定的；

将修正后的特征矩阵确定为所述目标区域提取的特征。

本发明实施例将目标区域中的每个图像块特征之间相关性作为一个参考因素，利用每个图像块和周围图像块之间的相关程度对目标区域提取的全局特征进行修正，提高了特征提取的鲁棒性。本发明实施例在进行目标特征提取时，并不直接使用目标区域的全局特征，而是结合了目标区域中的局部相关信息，增加局部位置相关信息后，目标区域中不同位置的特征可以受其他位置的特征影响，通过这种局部信息强化全局特征的表达，提升目标跟踪过程中所提取特征的鲁棒性，增强特征表达力。

作为一种可选的实施方式，所述根据每两个不同子区域的特征向量之间的相关程度，对所述目标区域的特征矩阵进行修正，包括：

根据每两个不同子区域的特征向量之间的相关程度和所述两个不同子区域的特征向量之间的距离，对所述目标区域的特征矩阵进行修正。

本实施例不仅可以利用不同子区域的特征向量之间的相关程度，融合相关性信息，还可以基于特征向量之间的距离，强化相关性强的子区域的边界，更进一步地加强局部区域特征之间的相关性。

作为一种可选的实施方式，所述根据每两个不同子区域的特征向量之间的相关程度和所述两个不同子区域的特征向量之间的距离，对所述目标区域的特征矩阵进行修正，包括：

根据所述每两个不同子区域的特征向量之间的距离以及所述每两个不同子区域在所述目标区域中的位置，确定邻接矩阵，其中所述邻接矩阵用于将所述距离小于阈值的子区域划分为同组区域；

根据所述每两个不同子区域的特征向量之间的相关程度以及所述每两个不同子区域在所述目标区域中的位置，确定相关系数矩阵；

根据所述邻接矩阵和所述相关系数矩阵，对所述目标区域的特征矩阵进行修正。