【技术实现步骤摘要】
基于卷积神经网络的红外弱小目标检测跟踪方法
本专利技术属于图像目标检测及跟踪领域,更具体地,涉及一种基于卷积神经网络的红外弱小目标检测跟踪方法。
技术介绍
红外目标检测及跟踪在视频监控、态势感知、自主车辆导航、军事作战及航天遥感等有广泛的应用,是与许多现实应用相关的重要问题。而目红外成像相比较可见光成像具有分辨率低、轮廓模糊及特征不明显等特点。同时在目标运动过程中由于部分遮挡、快速和突然的运动、照明变化以及视点和姿态的变化等各种干扰因素,导致目标检测与跟踪仍然是一个具有挑战性的问题。特别是大多红外图像应用场景都是复杂背景,距离远时,目标大多为点状弱小目标,易淹没在背景中而无法有效检测与跟踪。现有的对红外目标的检测与跟踪大多基于传统图像处理的方法,首先对背景噪声进行抑制,再使用阈值对输入图像进行分割提取准目标,接着使用诸如形态学滤波等手段进行精细检测,确定跟踪门。采用光流法、相关滤波、质心法及卷积神经网络等方法或其改进方法对目标进行跟踪。但是阈值法对场景以及环境变换敏感,使得检测能力在复杂场景下或背景剧烈变化下大大降低。常见的卷积神经网络方法网络层数多,且大多存在池化层,对弱小目标的跟踪效果不佳。因此,解决红外弱小目标的快速准确检测以及稳定的跟踪显得尤为重要。
技术实现思路
针对现有技术的以上缺陷或改进需求,本专利技术提出了一种基于卷积神经网络的红外弱小目标检测跟踪方法,由此解决现有在红外弱小目标的检测及跟踪上存在一定局限性的技术问题。为实现上述目的,本专利技术提供了一种基于卷积神经 ...
【技术保护点】
1.一种基于卷积神经网络的红外弱小目标检测跟踪方法,其特征在于,包括:包括:/n(1)基于目标的亮度特征提取红外图像中的目标;/n(2)采用全卷积非对称孪生网络的目标网络跟踪器,提取所述目标的不同层次特征,并结合相关滤波作为判据,对所述目标进行跟踪;/n(3)利用预设的跟踪置信度参数判断所述目标是否被遮挡或丢失;/n(4)若所述目标被遮挡或丢失,则更新运动轨迹方程,预测所述目标的位置,并执行步骤(3),直至所述目标未被遮挡或未丢失。/n
【技术特征摘要】
1.一种基于卷积神经网络的红外弱小目标检测跟踪方法,其特征在于,包括:包括:
(1)基于目标的亮度特征提取红外图像中的目标;
(2)采用全卷积非对称孪生网络的目标网络跟踪器,提取所述目标的不同层次特征,并结合相关滤波作为判据,对所述目标进行跟踪;
(3)利用预设的跟踪置信度参数判断所述目标是否被遮挡或丢失;
(4)若所述目标被遮挡或丢失,则更新运动轨迹方程,预测所述目标的位置,并执行步骤(3),直至所述目标未被遮挡或未丢失。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
(1.1)使用高斯滤波对红外图像进行线性加权得到高斯滤波后图像,求得所述高斯滤波后图像的均值;
(1.2)将所述高斯滤波后图像减去所述均值后,求得与所述红外图像之间的欧式距离,得到显著图;
(1.3)求取所述显著图中的最大值,用所述红外图像中的每个像素点除以所述最大值,以凸显目标;
(1.4)使用最大类间方差法求得动态阈值,以所述动态阈值对所述显著图进行阈值分割,并对分割后的图像做图像膨胀的开运算,以使分散的块状区域连通,得到所述目标。
3.根据权利要求2所述的方法,其特征在于,由t=w1*(μ-μ1)2+w2*(μ-μ2)2确定所述动态阈值,其中,w1+w2=1,w1表示所述显著图中像素值大于预设值的比重,w2表示所述显著图中像素值小于所述预设值的比重,μ1表示所述显著图中像素值大于预设值的所有像素的均值,μ2表示所述显著图中像素值小于所述预设值的所有像素的均值。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述全卷积非对称孪生网络的目标网络跟踪器为将对称的全卷积孪生网络中的其中一个分支的最后一层增加了可微分层,构成了全卷积非对称孪生网络结构,其中,所述可微分层用于实现相关滤波及裁剪,所述对称的全卷积孪生网络中的两个卷积神经网络结构均由卷积层、归一化层和非线性激活层构成。
5.根据权利要求4所述的方法,其特征在于,步骤(2)包括:
(2.1)选择相邻两帧红外图像作为所述目标网络跟踪器的输入,其中,第一帧图像为模板图片,以所述目标在所述模板图片中所处的位置范围作为目标区域,下一帧图像为搜索图片,以所述目标在所述搜索图片中所处的位置范围扩大若干倍作为搜索区域;
(2.2)由所述目标网络跟踪器中非对称的两个卷积神经网络分别对所述目标区域及所述搜索区域进行处理,得到与所述目标区域对...
【专利技术属性】
技术研发人员:范强,张智杰,雷波,谭海,王洪,
申请(专利权)人:华中光电技术研究所中国船舶重工集团有限公司第七一七研究所,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。