【技术实现步骤摘要】
基于改进YOLOv3的红外图像弱小目标检测方法
本专利技术涉及图像目标技术检测领域，尤其涉及基于改进YOLOv3的红外图像弱小目标检测方法。
技术介绍
红外成像是基于目标对红外光的反射和目标自身的热辐射进行成像，受光照强度条件的影响很小，不但在白天可以很好工作，也可以实现夜间目标检测。但是红外图像对比度较低、纹理特征弱、干扰大，检测目标在强噪声和相似背景的影响下，成为弱小目标，一般的目标识别算法很难适用。深度学习的出现，使得红外图像弱小目标检测有了突破性进展。尤其是基于回归的YOLOv3目标检测算法只需要对图片作一次卷积操作，然后直接在原始图像上通过回归的方法预测出目标的分类、位置和置信度，速度快、精度较高，获得了广泛应用。西安电子科技大学拥有的在其专利技术申请“一种红外目标检测方法”(专利申请号：2018109063127，公开号：CN110826554A)中公开了一种基于迭代量化-局部敏感哈希的多尺度的红外目标检测方法。该方法引入局部敏感哈希和迭代量化编码方法，通过压缩图像的不同窗口滑动、连续数据二进制编码、候选...
【技术保护点】
1.基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于，包括以下步骤：/n步骤1：构建基于改进YOLO v3的红外图像弱小目标检测模型，搭建轻量级特征提取网络；/n步骤2：定义损失函数Loss，具体的：/n用边界框的重叠程度和两个边界框的中心距离，以及预测框的长宽比和真实框的长宽比即CIoU(Complete-IoU)作为边界框的损失函数Loss
【技术特征摘要】
1.基于改进YOLOv3的红外图像弱小目标检测方法，其特征在于，包括以下步骤：
步骤1：构建基于改进YOLOv3的红外图像弱小目标检测模型，搭建轻量级特征提取网络；
步骤2：定义损失函数Loss，具体的：
用边界框的重叠程度和两个边界框的中心距离，以及预测框的长宽比和真实框的长宽比即CIoU(Complete-IoU)作为边界框的损失函数LossCIoU，结合物体类别预测误差损失Lossobj和预测置信度损失Lossconf，则训练回归的损失函数Loss为：
其中，Loss表示训练回归的损失函数，表示两个边界框中心的距离损失，α表示权重函数，ν表示预测框的长宽比和真实框的长宽比的相似性，c表示两个边界框所组成的最小矩形的对角线距离，ρ2(b,bgt)表示两个边界框中心点的距离；表示第i个网格中第j个边界框中是否存在目标，若存在目标，则的值为1，计算两个边界框的中心坐标之间的差值；若不存在目标，则的值为0，不计算损失；γnoobj表示单元格中没有目标的置信度同样进行了加权操作，但会有较低的预测置信度做惩罚，本发明中γnoobj取值0.5；S2表示输入图像被分割的网格数，B表示每个网格生成的包围框数，ci表示预测的置信度，c′i表示真实的置信度，pi(c)表示是在网格i内目标属于c的真实概率，p′i(c)表示在网格i内目标属于c的预测概率；
步骤3：选取红外图像组建红外图像数据集，对该数据集里的红外图像进行预处理，选取70％红外图像作为训练数据集，30％红外图像作为测试数据集；
步骤4：将红外图像训练数据集输入步骤1所述的基于改进YOLOv3的红外图像弱小目标检测模型，并利用步骤2所述的损失函数训练步骤1所述的基于改进YOLOv3的红外图像弱小目标检测模型；
步骤5：将红外图像测试数据集输入步骤4中训练好的基于改进YOLOv3的红外图像弱小目标检测模型，输出红外图像测试数据集目标预测边界框；
步骤6：对于输出的多个目标预测边界框，以GIoU和边界框中心点距离的值作为筛选候选框的阈值，并使用高斯模型降低周围边界框的置信度，进行非极大值抑制，输出目标框，如下式所示:
这里bi表示每个类别的预测边界框，Si表示当前框的得分，M是具有最大分数的边界框,Nt表示筛选两个重叠框的阈值，这里取0.3,表示两个边界框中心的距离损失，c表示两个边界框所组成的最小矩形的对角线距离，ρ2(b,bgt)表示两个边界框中心点的距离。
2.根据权利要求1所述的基于改进YOLOv3的红外图像弱小目标检测方法，其特征在于：所述的步骤1包括以下步骤：
步骤1.1：在轻量级特征提取网络中使用深度可分离卷积改进YOLOv3残差模块中的标准卷积操作；
步骤1.2：...
【专利技术属性】
技术研发人员：李永军，李莎莎，李鹏飞，杜浩浩，陈竞，陈立家，张东明，秦勉，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41
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。