CN113192104B - 一种目标特征提取方法及其设备 - Google Patents

一种目标特征提取方法及其设备 Download PDF

Info

Publication number
CN113192104B
CN113192104B CN202110399595.2A CN202110399595A CN113192104B CN 113192104 B CN113192104 B CN 113192104B CN 202110399595 A CN202110399595 A CN 202110399595A CN 113192104 B CN113192104 B CN 113192104B
Authority
CN
China
Prior art keywords
matrix
target area
feature
determining
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110399595.2A
Other languages
English (en)
Other versions
CN113192104A (zh
Inventor
郑少飞
唐邦杰
潘华东
殷俊
张兴明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110399595.2A priority Critical patent/CN113192104B/zh
Publication of CN113192104A publication Critical patent/CN113192104A/zh
Application granted granted Critical
Publication of CN113192104B publication Critical patent/CN113192104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种目标特征提取方法及其设备
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。
作为一种可选的实施方式，所述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，包括：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
作为一种可选的实施方式，所述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，包括：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
作为一种可选的实施方式，所述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，包括：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
作为一种可选的实施方式，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，还包括：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
本实施例中的拼接目标区域是指利用历史帧图像的信息，将历史帧图像中的历史目标区域的特征和当前帧图像中的目标区域的特征进行拼接得到的拼接目标区域，该拼接目标区域中包含了历史帧图像的信息，考虑了历史帧的时序特征，增强了特征的表达力。
作为一种可选的实施方式，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，还包括：
将所述历史目标区域和所述目标区域缩放到相同大小。
第二方面，本发明实施例提供的一种目标特征提取设备，包括：处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
作为一种可选的实施方式，所述处理器具体被配置为执行：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
作为一种可选的实施方式，所述处理器具体被配置为执行：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
作为一种可选的实施方式，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，所述处理器还被配置为执行：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
作为一种可选的实施方式，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，所述处理器具体还被配置为执行：
将所述历史目标区域和所述目标区域缩放到相同大小。
第三方面，本发明实施例还提供一种目标特征提取装置，包括：
划分单元，用于将帧图像中跟踪目标的目标区域划分为多个子区域；
提取单元，用于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；
修正单元，用于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；
确定单元，用于将修正后的特征矩阵确定为所述目标区域提取的特征。
作为一种可选的实施方式，所述修正单元具体用于：
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。
作为一种可选的实施方式，所述修正单元具体用于：
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。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
作为一种可选的实施方式，所述修正单元具体用于：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
作为一种可选的实施方式，所述修正单元具体用于：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
作为一种可选的实施方式，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，所述划分单元还用于：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
作为一种可选的实施方式，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，所述划分单元还用于：
将所述历史目标区域和所述目标区域缩放到相同大小。
第四方面，本发明实施例还提供计算机存储介质，其上存储有计算机程序，该程序被处理器执行时用于实现上述第一方面所述方法的步骤。
本申请的这些方面或其他方面在以下的实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于生成式方法的目标跟踪示意图；
图2为本发明实施例提供的一种基于相关滤波的目标跟踪示意图；
图3为本发明实施例提供的一种目标特征提取方法的实施流程图；
图4为本发明实施例提供的一种增强特征表达力的实施方式流程图；
图5为本发明实施例提供的一种特征拼接示意图；
图6为本发明实施例提供的一种融合历史帧信息和局部区域相关信息的目标特征提取方法实施流程图；
图7为本发明实施例提供的一种目标特征提取设备示意图；
图8为本发明实施例提供的一种目标特征提取装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
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。
生成式方法的实施过程如下所示：
步骤(1)对目标区域进行分类建模；
具体过程包括：提取初始帧给定的目标区域的特征，作为正样本；然后在目标区域按照预先设定好的采样策略进行采样，提取样本特征，作为负样本；
步骤(2)根据正样本和负样本的特征，训练分类器；
步骤(3)在第二帧中按照初始帧的目标位置采样，并在该位置周围按照预先设定好的策略进行采样，并提取样本特征；然后根据分类器找到正样本的特征，该正样本所在区域即为第二帧中的目标位置。
步骤(4)按照上述步骤(1)所述的方法，对第二帧的目标进行建模，更新分类器，继续执行步骤(2)～步骤(3)。
重复上述步骤直至跟踪完成，整个跟踪过程如图1所示。
判别式方法的实施过程如下所示：
可将目标跟踪问题理解为每帧中的目标匹配任务，使用初始目标的特征训练一个模板，然后再后续帧中使用该模板对采样区域进行匹配查询，得到匹配度最高的区域，即为目标位置。如图2所示，一种基于相关滤波的目标跟踪，根据初始帧的目标位置，计算滤波模板，然后在后续帧中选取若干目标候选框，提取候选框的特征，基于前一帧的滤波模板，找到当前目标框，更新滤波模板，用于后续帧的目标跟踪。
产生式方法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，无论是更新分类模型或滤波模板，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。
当前的目标跟踪方法在特征提取方面仍有不足，通常仅在当前帧进行区域采样，仅使用区域的全局信息，未考虑到区域内部不同位置的特征相关性。
实施例1、
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，考虑这种局部信息可以强化特征的表达，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。
如图3所示，本实施例提供的一种目标特征提取方法的实施流程如下所示：
步骤300、将帧图像中跟踪目标的目标区域划分为多个子区域；
本实施例为了融合目标区域不同位置的局部特征的相关性信息，增强特征的表达能力，将目标区域划分为多个子区域。
本实施例中的跟踪目标可以是人或物，本实施例不作过多限定。本实施例中的目标区域为进行目标跟踪时确定的跟踪目标所在帧图像中的区域。
可选的，可通过如下方式将目标区域划分为多个子区域：
方式1)按预设规则将目标区域划分为多个大小相同的子区域；
方式2)按设定行，设定列，将目标区域划分为多个大小相同的子区域。
其中，大小相同具体可以是子区域的长、宽相同。
步骤301、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；
本实施例将目标区域划分为多个子区域之后，对每个子区域都进行特征提取，从而能得到多个子区域的特征向量。
步骤302、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；特征矩阵用于表征所述目标区域的全局特征。
步骤303、将修正后的特征矩阵确定为所述目标区域提取的特征。
本实施例通过子区域的特征向量之间的相关程度对目标区域的全局特征进行修正，融合了不同局部区域的特征之间的相关性，增强了目标区域特征的表达能力。
作为一种可选的实施方式，本发明实施例还提供一种结合历史帧信息来进一步增强目标区域特征的表达能力的实施方式，具体实施步骤如下所示：
步骤1)获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
需要说明的是，本实施例中的历史帧图像和所述帧图像之间具有相邻关系。
步骤2)将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
需要说明的是，本实施例中的图像通道包括但不限于单通道、3通道、8通道等，具体根据帧图像自身的图像通道的数量确定，本实施例不作过多限定。本实施例中的图像通道的类型具体是指多通道中的第几个通道，例如RGB通道(3通道)中的R通道或G通道或B通道。图像通道的类型可以表征相同颜色范围的图像通道，或相同模式的图像通道，或相同编号的图像通道，对此本实施例不作过多限定。
实施中，将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，还包括：
将所述历史目标区域和所述目标区域缩放到相同大小，从而更好的进行特征拼接。
步骤3)根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
步骤4)将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
需要说明的是，本实施例中的拼接目标区域是指利用历史帧图像的信息，将历史帧图像中的历史目标区域的特征和当前帧图像中的目标区域的特征进行拼接得到的拼接目标区域，该拼接目标区域中包含了历史帧图像的信息，考虑了历史帧的时序特征，增强了特征的表达力。
如图4所示，本实施例提供了一种增强特征表达力的实施方式，该方式的具体实施流程如下所示：
步骤400、获取帧图像中跟踪目标的目标区域，以及所述帧图像的至少一个历史帧图像中跟踪目标的历史目标区域；
其中，所述历史帧图像和所述帧图像之间具有相邻关系。
步骤401、将所述历史目标区域和所述目标区域缩放到相同大小；
步骤402、将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
步骤403、根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
其中，可以理解为将所述历史目标区域和所述目标区域在通道维度上的特征进行拼接。如图5所示，以2帧历史帧为例，将历史帧个数记为n，每帧目标区域缩放到同样大小，高记为H，宽记为W，加上当前帧，共有n+1帧的图像在通道维度上进行拼接，将每帧图像的通道数记为C，则拼接之后的拼接目标区域的维度为(n+1)×C×H×W。
步骤404、将所述拼接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；
实施中，可以将拼接目标区域划分为l行y列个大小相等的子区域，针对已拼接的目标区域，提取第i行第j列子区域的特征向量，记为fij∈dk。其中，i为大于等于零且小于l的整数，j为大于等于零且小于y的整数。
根据提取的每个拼接后的子区域的特征向量，可以构成l*y行k列的特征矩阵Ftime＝(f00；f01；...；fij；...；fly)，其中，fij表征第i行第j列子区域的特征向量，且该特征向量中的特征为k个。
步骤405、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；
步骤406、将修正后的特征矩阵确定为所述目标区域提取的特征。
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，本实施例通过如下步骤，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：
步骤1)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；
容易理解的是，本实施例将特征变化平缓的子区域划分为一组，同组之间有边连接，不同组之间无边连接，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。其中所述同组中所有的子区域之间具有连通性且同组中每个子区域的特征向量与相邻组中任一子区域的特征向量之间的距离小于阈值η。
可选的，本实施例通过如下方式确定邻接矩阵：
方式10)针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
方式11)若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
方式12)根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
实施中，以子区域(i,j)和子区域(i,j+1)为例，这两个子区域是连通的，fi,j与fi,j+1之间的距离
Figure BDA0003019622390000141
若该距离小于预先设定的阈值η，则这两个子区域属于同组区域。依据此定义，划分组的伪代码如下所示，最终通过伪代码中的flag记录同组区域的信息(分组信息)：
Figure BDA0003019622390000142
Figure BDA0003019622390000151
构建邻接矩阵D的方式为：若子区域(i,j)和子区域(r,p)是同组区域，即flag[i,j]＝＝flag[r,p]，则Diy+j,ry+p＝1，否则Diy+j,ry+p＝0。
实施中，可以先根据两个子区域的位置，确定邻接矩阵D中的位置，若这个子区域的特征向量之间的距离小于阈值，则该位置上的矩阵元素为1，否则为0。
步骤2)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；
可选的，通过如下方式确定相关系数矩阵：
方式20)针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
方式21)将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
方式22)根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
实施中，计算所有子区域的特征矩阵Ftime＝(f00；f01；...；fij；...；fly)的相关系数矩阵G∈dly×ly，其中，
Figure BDA0003019622390000161
其中，cov(fi,j,fr,p)＝E[(fi,j-E[fr,p])(fr,p-E[fr,p])]表示两个向量fi,j和fr,p的协方差，var(fi,j)＝cov(fi,j,fi,j)。其中，r为大于等于零且小于l的整数，p为大于等于零且小于y的整数，i不等于r，j不等于p。
步骤3)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。
可选的，可通过如下方式对目标区域的特征矩阵进行修正：
方式30)根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
实施中，根据邻接矩阵和相关系数矩阵重构特征，得到初次特征矩阵：
Figure BDA0003019622390000162
其中，Fcurrent∈dly×ly表示目标区域进行特征提取确定的特征矩阵，G[j,i]表示相关系数矩阵，D[j,i]表示邻接矩阵。
方式31)根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
实施中，再次修正得到的目标区域的特征是F＝αFnew+(1-α)Fcurrent。其中，α表示权重。
如图5所示，本实施例提供一种融合相关性进行目标区域特征提取的方式，该方式的实施流程如下所示：
步骤500、将帧图像中跟踪目标的目标区域划分为多个子区域；
步骤501、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；
步骤502、针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
步骤503、若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
步骤504、根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
步骤505、针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
步骤506、将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
步骤507、根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
步骤508、根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
步骤509、根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
步骤510、将再次修正后的特征矩阵确定为所述目标区域提取的特征。
如图6所示，本发明实施例提供一种融合历史帧信息和局部区域相关信息的目标特征提取方法，该方法的实施流程如下所示：
步骤600、获取帧图像中跟踪目标的目标区域，以及所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
步骤601、将所述历史目标区域和所述目标区域缩放到相同大小；
步骤602、将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
步骤603、根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
步骤604、将所述拼接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；
步骤605、针对每两个不同子区域，根据两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
步骤606、若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
步骤607、根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵；
步骤608、针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
步骤609、将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
步骤610、根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵；
步骤611、根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
步骤612、根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正；
步骤613、将再次修正后的特征矩阵确定为所述目标区域提取的特征。
实施例2、
基于相同的发明构思，本发明实施例还提供了一种目标特征提取设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图7所示，该设备包括处理器700和存储器701，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
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。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
作为一种可选的实施方式，所述处理器具体被配置为执行：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
作为一种可选的实施方式，所述处理器具体被配置为执行：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
作为一种可选的实施方式，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，所述处理器还被配置为执行：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
作为一种可选的实施方式，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，所述处理器具体还被配置为执行：
将所述历史目标区域和所述目标区域缩放到相同大小。
实施例3、
基于相同的发明构思，本发明实施例还提供了一种目标特征提取装置，由于该装置即是本发明实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图8所示，该装置包括：
划分单元800，用于将帧图像中跟踪目标的目标区域划分为多个子区域；
提取单元801，用于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；
修正单元802，用于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；
确定单元803，用于将修正后的特征矩阵确定为所述目标区域提取的特征。
作为一种可选的实施方式，所述修正单元具体用于：
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。
作为一种可选的实施方式，所述修正单元具体用于：
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。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
作为一种可选的实施方式，所述修正单元具体用于：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
作为一种可选的实施方式，所述修正单元具体用于：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
作为一种可选的实施方式，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，所述划分单元还用于：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
作为一种可选的实施方式，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，所述划分单元还用于：
将所述历史目标区域和所述目标区域缩放到相同大小。
基于相同的发明构思，本发明实施例还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
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。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种目标特征提取方法，其特征在于，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；
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；
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。
2.根据权利要求1所述的方法，其特征在于，所述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，包括：
根据所述邻接矩阵和所述相关系数矩阵的乘积值，对所述特征矩阵进行初次修正，确定初次特征矩阵；
根据与所述初次特征矩阵和所述特征矩阵分别对应的预设权重，以及所述初次特征矩阵，对所述目标区域的特征矩阵进行再次修正。
3.根据权利要求1所述的方法，其特征在于，所述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，包括：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定邻接矩阵中与所述两个不同子区域对应的矩阵元素的位置；
若所述两个不同子区域的特征向量之间的距离小于阈值，则将第一预设值确定为所述位置上的矩阵元素，否则将第二预设值确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定邻接矩阵。
4.根据权利要求1所述的方法，其特征在于，所述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，包括：
针对每两个不同子区域，根据所述两个不同子区域在所述目标区域中的位置，确定相关系数矩阵中与所述两个不同子区域对应的矩阵元素的位置；
将所述每两个不同子区域的特征向量之间的相关系数，确定为所述位置上的矩阵元素；
根据所述矩阵元素的位置以及所述位置上的矩阵元素确定相关系数矩阵。
5.根据权利要求1～4任一所述的方法，其特征在于，所述将帧图像中跟踪目标的目标区域划分为多个子区域之前，还包括：
获取所述帧图像的至少一个历史帧图像中所述跟踪目标的历史目标区域；
将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接，得到各个类型的图像通道的拼接特征；
根据所述各个类型的图像通道的拼接特征，确定拼接目标区域；
将所述拼接目标区域确定为所述帧图像中跟踪目标的目标区域。
6.根据权利要求5所述的方法，其特征在于，所述将所述历史目标区域和所述目标区域中具有相同类型的图像通道的特征进行拼接之前，还包括：
将所述历史目标区域和所述目标区域缩放到相同大小。
7.一种目标特征提取设备，其特征在于，该设备包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行权利要求1～6任一所述方法的步骤。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6任一所述方法的步骤。
CN202110399595.2A 2021-04-14 2021-04-14 一种目标特征提取方法及其设备 Active CN113192104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110399595.2A CN113192104B (zh) 2021-04-14 2021-04-14 一种目标特征提取方法及其设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110399595.2A CN113192104B (zh) 2021-04-14 2021-04-14 一种目标特征提取方法及其设备

Publications (2)

Publication Number Publication Date
CN113192104A CN113192104A (zh) 2021-07-30
CN113192104B true CN113192104B (zh) 2023-04-28

Family

ID=76975775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110399595.2A Active CN113192104B (zh) 2021-04-14 2021-04-14 一种目标特征提取方法及其设备

Country Status (1)

Country Link
CN (1) CN113192104B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997597A (zh) * 2017-03-22 2017-08-01 南京大学 一种基于有监督显著性检测的目标跟踪方法
CN109741364A (zh) * 2018-11-19 2019-05-10 北京陌上花科技有限公司 目标跟踪方法及装置
WO2020145180A1 (ja) * 2019-01-10 2020-07-16 日本電信電話株式会社 物体検出認識装置、方法、及びプログラム
CN111695460A (zh) * 2020-05-29 2020-09-22 天津师范大学 一种基于局部图卷积网络的行人再识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997597A (zh) * 2017-03-22 2017-08-01 南京大学 一种基于有监督显著性检测的目标跟踪方法
CN109741364A (zh) * 2018-11-19 2019-05-10 北京陌上花科技有限公司 目标跟踪方法及装置
WO2020145180A1 (ja) * 2019-01-10 2020-07-16 日本電信電話株式会社 物体検出認識装置、方法、及びプログラム
CN111695460A (zh) * 2020-05-29 2020-09-22 天津师范大学 一种基于局部图卷积网络的行人再识别方法

Also Published As

Publication number Publication date
CN113192104A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN111768432B (zh) 基于孪生深度神经网络的动目标分割方法及系统
Melekhov et al. Dgc-net: Dense geometric correspondence network
US11455515B2 (en) Efficient black box adversarial attacks exploiting input data structure
CN108229490B (zh) 关键点检测方法、神经网络训练方法、装置和电子设备
CN111723813B (zh) 基于类内判别器的弱监督图像语义分割方法、系统、装置
US9530071B2 (en) Hierarchical interlinked multi-scale convolutional network for image parsing
CN110852349B (zh) 一种图像处理方法、检测方法、相关设备及存储介质
CN108389224B (zh) 图像处理方法及装置、电子设备和存储介质
US20120321134A1 (en) Face tracking method and device
CN109214403B (zh) 图像识别方法、装置及设备、可读介质
CN111696110B (zh) 场景分割方法及系统
CN110598788A (zh) 目标检测方法、装置、电子设备及存储介质
CN106997478B (zh) 基于显著中心先验的rgb-d图像显著目标检测方法
CN111738036B (zh) 图像处理方法、装置、设备及存储介质
CN113240039B (zh) 基于空间位置特征重加权的小样本目标检测方法及系统
CN111027347A (zh) 一种视频识别方法、装置和计算机设备
CN111583282B (zh) 图像分割方法、装置、设备及存储介质
CN106778634B (zh) 一种基于区域融合的显著性人体区域检测方法
CN109919149A (zh) 基于物体检测模型的物体标注方法及相关设备
CN111931603A (zh) 基于竞合网络的双流卷积网络的人体动作识别系统及方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN115760870A (zh) 一种图像重点区域的分割方法、装置、设备及存储介质
EP3043315B1 (en) Method and apparatus for generating superpixels for multi-view images
CN113744280A (zh) 图像处理方法、装置、设备及介质
CN113192104B (zh) 一种目标特征提取方法及其设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant