(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 202210412826.3 (22)申请日 2022.04.19 (71)申请人 武汉华中天经通视科技有限公司 地址 430223 湖北省武汉市江夏区庙山 开 发区江夏大道特1号 (72)发明人 范强　邹尔博　孙钢波　徐寅　 何亦舟　 (74)专利代理 机构 武汉凌达知识产权事务所 (特殊普通 合伙) 42221 专利代理师 刘念涛 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/66(2017.01) G06T 7/12(2017.01) G06T 5/00(2006.01)G06T 5/40(2006.01) G06V 10/46(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种目标跟踪中初始帧图像目标的自动提 取方法 (57)摘要 本发明公开了一种目标跟踪中初始帧图像 目标的自动提取方法， 对输入的图像依次进行手 动选定坐标、 图像增强、 显著性检测和形态学处 理后， 计算修正后坐标； 与其他基于深度学习的 方法相比， 本发明的快速自动提取方法计算量 小， 计算延时低， 过程自适应可控制， 非常适合算 力限制的嵌入式平台进行部署应用。 权利要求书1页 说明书4页 附图1页 CN 114782491 A 2022.07.22 CN 114782491 A 1.一种目标跟踪中初始帧图像目标的自动提取 方法， 其特 征在于： 步骤为 S1， 对于输入的初始帧图像， 手动选中图像的目标中心； S2， 使用Gamma变换对灰度过高或者过低的图像进行修正以增强对比度： 通过变换公式 I′＝cIγ对图像中的每个像素进行乘积运算， 式中I为图像中原始像素值， I ′为经过变换后 图像的新像素值， c为常数 因子， γ为尺度缩放因子， γ＞1时拉伸图像中灰度级较高的区域 而压缩灰度级较低部分， γ＜1时拉伸灰度级较低部分而压缩灰度级较高部分； S3， 采用显著性检测方法进一 步提取图像的真实目标： S31， 对图像进行5 *5的高斯平 滑处理以去除噪声干扰； S32， 判断图像通道数： 如果是三通道图像则将初始帧图像从RGB颜色空间转换为 CIELAB颜色空间； 如果是单通道图像则将初始帧图像拼接为三通道图像， 等价为已经做了 转换的Lab颜色空间图像； S33， 计算整幅图像的L、 a、 b的平均值， 其中L表示亮度， a和b表示颜色对立维度； S34， 通过公式S＝||Iu‑ILab||计算Lab颜色空间图像中每个像 素L、 a、 b值， 分别与整幅图 像L、 a、 b的均值， 计算欧氏距离； S35， 用图像中每 个像素的显著值除以最大的显著值得到最终的显著性图像； S4， 对显著性图像进行边 缘检测分割， 勾勒明确的目标外轮廓： S41， 对一般平 滑物体的轮廓开 运算， 断开较窄的狭颈并消除细的突出物； S42， 通过公式fclose＝(fdilate)erode对膨胀后的图像进行闭运算得到腐蚀后的图像， 其中 fdilate为图像的膨胀， 将图像的高亮区域 或白色部 分进行扩张， 使得运行结果图比原图的高 亮区域更大， ferode为图像的腐蚀， 将图像中的高亮区域或白色部分进行缩减细化， 使得运 行 结果图比原图的高亮区域更小； S5， 计算图像中的质心坐标得到修正后的目标的坐标， 完成对手动选定目标的坐标重 新定位修正： 式中M00＝∑x∑yf(x， y)为图像的像素总和， Cx表示新坐标位置x坐标轴值， Cy表示新坐 标位置y坐标轴值。 2.根据权利要求1所述的一种目标跟踪中初始帧图像目标的自动提取方法， 其特征在 于， 所述的步骤S2中， 如果初始帧图像是在可见光的暗弱光照条件， 或者 温差与背 景区别不 大的红外图像， 采用非线性图像增强方法对初始帧图像进行 预处理。 3.根据权利要求1所述的一种目标跟踪中初始帧图像目标的自动提取方法， 其特征在 于， 所述的步骤S2中根据输入初始帧图像的对比度， 通过 公式C＝∑δδ(i， j)2Pδ(i， j)计算得 到自适应的控制参数， 其中δ(i， j)＝|i ‑j|， Pδ(i， j)为相邻像素的灰度差为δ 的像素分布概 率， |i‑j|为相邻像素的灰度值差 。权　利　要　求　书 1/1 页 2 CN 114782491 A 2一种目标跟踪 中初始帧图像目标的 自动提取方 法 技术领域 [0001]本发明属于图像处理技术领域， 特别涉及 一种用于目标跟踪中初始帧图像目标的 快速自动提取 方法。 背景技术 [0002]目标跟踪是视觉任务中非常常见且重要的应用。 对于输入的图像序列或者视频， 快速确定需要跟踪的目标， 是能否 完成目标持续跟踪的重要步骤。 [0003]在复杂场景下或者跟踪的目标不明确的情况下， 手动选定目标是最可靠的方法， 但是手动选定目标往往会产生偏差。 对特定感兴趣目标的快速实时跟踪定位， 在很多视觉 场景中广泛使用， 成为了 重要的功能。 [0004]对初始帧图像中需要跟踪的目标， 在很多情况下难以理想化的选定， 这导致后续 跟踪器会以含有背景或其他干扰因素为基准模板进行 处理， 很容易导致目标跟踪任务的失 败。 [0005]现阶段通常采用手动框定或基于卷积神经网络等目标检测算法来对初始 帧图像 中的目标进行选 定。 [0006]手动选定时如果以画框 的方式选中目标， 需要快速完成绘制， 否则目标已经发生 了运动会使得目标在后续帧中像素位置发生偏差， 如果以点击目标中心的方式选中目标， 则往往难以完全选中目标的中心。 [0007]基于神经网络模型的检测方法检测准确率高， 自动化程度 高， 只需要预先训练好 网络模型就可以无人干预的完成。 但是这些算法模 型需要布署算力较好的平台， 如GPU或者 AI芯片， 而对算力限制的硬件平台来说是很难 满足实时性需求的。 [0008]对于特定 的应用场景， 需要跟踪的目标是明确的， 通过对场景数据的采集可以训 练效果较好的网络模型算法。 但是有些跟踪应用需要跟踪的目标是不确定的， 这时候缺 乏 神经网络训练使用数据， 神经网络检测模型往 往难以取得较好的检测结果。 发明内容 [0009]本专利提出一种计算延时小的快速目标跟踪中初始帧图像目标的快速自动提取 方法， 以改善手动选 定不准确的问题， 且不增 加过多的计算延时， 满足更多的使用场景。 [0010]本发明解决其技术问题所采用的技术方案是： 一种目标跟踪中初始帧图像目标的 自动提取 方法， 步骤为： [0011]S1， 对于输入的初始帧图像， 采用手动的方式选中图像的目标中心， 这时候往往会 有一定偏差， 因此需要 进入下一 步； [0012]S2， 对初始帧图像进行增强预处理： 在红外小目标或者暗弱目标的情况下， 直方图 中背景与真实目标区分度不大， 往往难以有较好的效果， 因此使用Gamma变换对灰度过高或 者过低的图像进行修正以增强对比度， 这种方法计算简单， 延时少： 通过变换公式I ′＝cIγ 对图像中的每个像素进 行乘积运算， 式中I为图像中原始像素值， I ′为经过变换后图像的新说　明　书 1/4 页 3 CN 114782491 A 3