红外目标检测方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及一种红外目标检测方法，包括：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。采用不同视角的训练学习模型，去除待检测灰度图像中的各种干扰目标，能够有效提高针对远距离弱小目标的检测准确率。

Infrared Target Detection Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
红外目标检测方法、装置、计算机设备和存储介质
本专利技术涉及图像处理领域，特别是涉及一种红外目标检测方法、装置、计算机设备和存储介质。
技术介绍
红外目标检测是红外信号处理的核心技术，其应用于红外搜索与跟踪(Infraredsearchandtrack，IRST)系统、精确制导系统、目标监视系统、卫星遥感系统等多个领域。近年来，基于视觉注意机制的智能信息处理方法成为一大研究热点红外运动目标传统的检测方法有背景差分、光流法、帧差法等方法，但对于远距离弱小红外目标，容易受气流、云等噪声干扰，传统方法难以有效检测，准确性较低。
技术实现思路
本专利技术的目的在于提供一种红外目标检测方法、装置、计算机设备和可读存储介质，可以有效提高针对远距离弱小目标的检测准确率。本专利技术的目的通过如下技术方案实现：一种红外目标检测方法，所述方法包括：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。在一个实施例中，所述至少两种视角的学习模型包括训练压缩感知学习模型、训练子空间学习模型和训练注意力学习模型。在一个实施例中，所述将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像的步骤之前，还包括：获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型。在一个实施例中，所述获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型的步骤，包括：获取多个样本灰度图像；将所述多个样本灰度图像分别输入预设压缩感知学习模型、预设子空间学习模型和预设注意力学习模型进行训练，得到训练后的所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型。在一个实施例中，所述将所述至少两种对应的预处理图像进行融合，得到融合图像的步骤，包括：分别获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型的权重系数；根据各所述权重系数将对应的各所述预处理图像进行相加融合，得到所述融合图像。在一个实施例中，所述从所述融合图像中提取待检测目标的步骤，包括：将所述融合图像输入训练隐向量学习模型，得到再处理图像；从所述再处理图像中提取待检测目标。在一个实施例中，所述从所述融合图像中提取待检测目标的步骤之前，还包括：获取多个样本预处理图像；将所述多个样本预处理图像输入预设隐向量学习模型，得到所述训练隐向量学习模型。一种红外目标检测装置，所述装置包括：待检测图像获取模块，用于获取待检测灰度图像；预处理模块，用于将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；融合模块，用于将所述至少两种对应的预处理图像进行融合，得到融合图像；目标提取模块，用于从所述融合图像中提取待检测目标。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时如下步骤：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。本专利技术提供的红外目标检测方法，其获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。采用不同视角的训练学习模型，去除待检测灰度图像中的各种干扰目标，能够有效提高针对远距离弱小目标的检测准确率。附图说明图1为一个实施例中红外目标检测方法的应用环境图；图2为一个实施例中红外目标检测方法的流程示意图；图3为另一个实施例中红外目标检测方法的流程示意图；图4为另一个实施例中红外目标检测装置的结构框图；图5为一个实施例中计算机设备的内部结构图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。本申请提供的红外目标检测方法可以应用于如图1所示的应用环境中。该应用环境包括服务器104和红外摄像装置102，服务器104从红外摄像装置102中获取待检测灰度图像；服务器104将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；服务器104将所述至少两种对应的预处理图像进行融合，得到融合图像；服务器104从所述融合图像中提取待检测目标。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现；摄像装置可以采用摄像头、相机、手机等等具有摄像功能的装置实现。在一个实施例中，如图2所示，提供了一种红外目标检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：步骤S202，获取待检测灰度图像。在本步骤中，通过红外拍摄设备得到待检测灰度图像，当检测距离远且复杂环境时，待检测目标会被复杂的、高水平的未知类型噪声干扰。步骤S204，将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像。在一个实施例中，所述至少两种视角的学习模型包括训练压缩感知学习模型、训练子空间学习模型和训练注意力学习模型，因为物体在对应的参考坐标系下的位置不以观察者的视角不同而发生变化，因此可以采用多种不同视角的学习模型对待检测灰度图像进行处理。在一个实施例中，步骤S204的将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像的步骤之前，还包括：获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型。具体的，输入的单帧图像主要由背景、目标以及噪声组成，可以用数学表示为：F(x,y,t)＝B(x,y,t)+T(x,y,t)+N(x,y,t)(1)其中：F(x,y,t)—探测器在时间t时刻的输出图像B(x,y,t)—t时刻的背景信号T(x,y,t)—t时刻的目标信号N(x,y,t)—t时刻的观测噪声x,y—空间坐标，笛卡尔坐标系t—时间分量，对应视频帧数由于目标是一像素面积很小的点目标，而视频背景的变化比较缓慢。因此，目标信息在当前空间维度中是一个非常稀疏的向量，而背景则可以用一个低维度的信号进行表达，可以表述为：B＝AZ(2)||T||＝k(3)其中：A—为背景B的字典，用于表述其子空间变换线性张量k—稀疏系数，用于表征目标信号T的稀疏程度对于稠密信号，一般可以需要通过寻找一个合适的字典D进行域变换(比如，傅里叶域，小波域等)，得到其变换域的稀疏张量，其转换过程可以用数学表述为：T＝DS(4)其中：D—变换域字典，用于目标信号的时空变换S—变换域内的数字信号表征由于探测距离远，目标在探测面或者探测系统的视场内本文档来自技高网...

【技术保护点】
1.一种红外目标检测方法，其特征在于，所述方法包括：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。

【技术特征摘要】
1.一种红外目标检测方法，其特征在于，所述方法包括：获取待检测灰度图像；将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像；将所述至少两种对应的预处理图像进行融合，得到融合图像；从所述融合图像中提取待检测目标。2.根据权利要求1所述的方法，其特征在于，所述至少两种视角的学习模型包括训练压缩感知学习模型、训练子空间学习模型和训练注意力学习模型。3.根据权利要求2所述的方法，其特征在于，所述将所述待检测灰度图像分别输入至少两种视角的训练学习模型，得到至少两种对应的预处理图像的步骤之前，还包括：获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型。4.根据权利要求3所述的方法，其特征在于，所述获取所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型的步骤，包括：获取多个样本灰度图像；将所述多个样本灰度图像分别输入预设压缩感知学习模型、预设子空间学习模型和预设注意力学习模型进行训练，得到训练后的所述训练压缩感知学习模型、所述训练子空间学习模型和所述训练注意力学习模型。5.根据权利要求2所述的方法，其特征在于，所述将所述至少两种对应的预处理图像进行融合，得到融合图像的步骤，包括：分别获取所述训练压缩感知学习模型、所述训...

【专利技术属性】
技术研发人员：陈洛洋，刘铮，毛红霞，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：北京,11