一种基于目标边界定位的红外目标检测方法技术

本发明专利技术属于机器视觉技术领域，更具体地，涉及一种基于目标边界定位的红外目标检测方法。在算法中首先利用自适应指数变换来增强红外图像的对比度，强化图像语义细节；采用改进后的复合Resnet‑50提取图像中不同尺度下的特征图谱；采用双向特征金字塔进行特征融合，加强模型对弱小目标的检测能力；采用Focal Loss作为模型的分类损失函数，采用基于目标边界定位的损失函数作为模型的回归损失函数，对检测模型进行训练；本发明专利技术实现了对红外目标的有效检测。

【技术实现步骤摘要】
一种基于目标边界定位的红外目标检测方法
本专利技术属于机器视觉
，更具体地，涉及一种基于目标边界定位的红外目标检测方法。
技术介绍
红外目标检测技术作为计算机视觉领域的重要组成部分，其目的是通过读取红外图像所含有的信息确定图像中目标的位置与类别。相比于可见光图像，依靠红外热成像技术得到红外图像在光线不足、迷雾等环境下具有巨大的优势。因此，红外目标检测技术在视频监控、军事打击、智能驾驶等方面具有关键意义。但红外目标检测依旧面临着前景与背景过于相似、物体边缘模糊等问题。2009年，Kim等依照LOG(LaplacianOfGaussian)变换来抑制背景干扰，突出目标特征，其在目标表征明显的区域效果较好，但对于背景环境复杂的区域无法取得理想的效果。Shao等通过在以往LOG研究的基础上加入形态学滤波来对背景杂波进行消除，以便获得更好的检测效果。2014年，Chen等提出了LCM(localcontrastmeasure)来对尺度较小的目标进行增强。相较于传统方法，基于卷积神经网络的检测方法具有巨大的深度信息提取优势以及明显的精度优势。单阶段检测算法能够同时确定目标的类别信息和位置信息。YOLOV3作为典型的单阶段检测算法通过使用LeakyReLU作为激活函数增强了小尺度目标的检测能力。Retinanet是一种与FocalLoss同时提出并用来验证FocalLoss有效性的单级目标检测方法。FocalLoss可以控制正样本和负样本的之间权重，也可以控制易分类样本和难分类样本的权重。EfficientDet在消耗计算资源较小的情况下，实现了双向信息交换，保证特征融合效果。但由于红外图像缺少纹理、颜色等重要图像特征，红外目标检测仍没有能够充分利用卷积神经网络的优势。
技术实现思路
本专利技术所需要解决的技术问题是，针对红外图像轮廓信息模糊、背景环境复杂、相似度较高、易受杂波干扰和缺少纹理颜色特征等问题，根据单阶段检测算法的结构特点，解决深度学习方法由于难以准确提取红外图像语义特征而导致的红外目标检测效果不佳的问题。为了解决上述问题，本专利技术提供了一种基于目标边界定位的红外目标检测方法，在算法中采用自适应指数变换作为预处理手段来增强红外图像的对比度；采用改进后的复合残差网络提取图像中不同尺度下的特征图谱；采用双向特征金字塔进行特征融合，加强模型对弱小目标的检测能力；采用FocalLoss作为模型的分类损失函数，采用基于目标边界定位的损失函数作为模型的回归损失函数，对检测模型进行训练。实现了对红外目标的有效检测。本专利技术采用如下技术方案：一种基于目标边界定位的红外目标检测方法，包括如下步骤，S1、读取图像信息，并采用自适应的指数变换的方法对红外图像进行指数变换；S2、将步骤S1变换后的图像调整为统一尺寸，输入到基于Resnet-50网络改进的复合残差网络以获得图像中不同尺度下的特征图谱；S3、将步骤S2得到的不同尺度的特征图谱输入到特征融合网络中，特征融合网络由三个双向特征金字塔结构重复叠加构成，实现多尺度特征信息的融合，获得五个尺度下的有效特征图谱；S4、将步骤S3得到的五个的有效特征图谱输入到类别与边界框网络中，类别与边界框网络由类别子网络和边界框子网络组成，获得对于目标的类别与位置的预测结果。本技术方案进一步的优化，还包括S5、采用检测模型对红外目标进行检测。本技术方案更进一步的优化，所述将检测模型的分类损失函数为FocalLoss，将基于边界框定位的损失函数作为检测模型的回归损失函数，对检测模型进行训练，并对训练效果进行评估，利用训练得到的检测模型对红外目标进行检测。本技术方案更进一步的优化，所述FocalLoss为FL(pt)＝-βt(1-pt)γlog(pt)CE(pt)＝-log(pt)其中，y＝1代表当前检测框内含有预先设定的目标类别，即属于数据集中的正样本；p∈[0,1]代表检测框内的的分类置信度；pt∈[0,1]代表针对正负样本归一化后的置信度。本技术方案进一步的优化，基于目标边界定位的损失函数被定义为：其中w，h与wgt，hgt分别是检测框与目标框当前的宽和高，d＝ρ2(b,bgt)为目标框与检测框之间中心点的直线距离，B,Bgt分别是检测框与目标框的面积，B∩Bgt为两框间相交区域的面积，c是同时包含检测框与目标框的最小封闭矩形框的对角线距离，C是最小封闭矩形框的面积，σ为一个接近于0的正值，其作用是防止由于分母等于零而引起的数值波动。本技术方案进一步的优化，所述步骤S1中图像进行处理，输入红外图像的像素点个数num，单个像素点的灰度值g，根据图像内所有像素点的平均灰度值来确定自适应指数变换的参数值，红外图像平均灰度值如下：本技术方案进一步的优化，所述步骤S1红外图像进行的自适应指数变换，其公式如下：s＝crγ,(c,r∈[0,1])，其中，c为常数，在本算法中令c＝1，r为指数变化前图像像素点的灰度值，s为指数变化后图像像素点的灰度值，指数变化的参数由当前图像所有像素点的平均灰度值确定，计算公式如下：本技术方案进一步的优化，所述步骤S2中复合残差网络由ConvBlock和IdentityBlock两个基本的卷积块构成。本技术方案进一步的优化，所述步骤S2中复合残差网络由多个ConvBlock和IdentityBlock堆叠组成，复合残差网络在基本块内部含有小的残差边的同时，多个块之间也具有残差结构。本技术方案进一步的优化，所述步骤S4中类别子网络用来预测目标的种类，采用4次256通道的卷积和1次通道数为该特征层所拥有的先验框数与网络检测目标的类别数乘积的卷积。边界框子网络用来预测目标的边界框，采用4次256通道的卷积和1次通道数为4倍该特征层先验框的卷积，4指的是先验框的调整情况。相较于以往的检测方法，本专利技术的基于目标边界定位的红外目标检测方法，通过增加自适应指数变换的预处理步骤，改进了特征提取网络结构，重新设计了基于目标边界定位的损失函数，提升了对于红外特征的提取效果，实现了对红外目标的有效检测。附图说明图1是基于目标边界定位的红外目标检测方法结构框图；图2是特征提取网络中ConvBlock和IdentityBlock的网络结构图；图3是复合残差网络的网络结构图；图4是双向特征金字塔的结构图；图5是基于目标边界定位的回归损失函数的示意图；图6是损失函数变化图；图7是基于目标边界定位的红外目标检测方法检测效果图；图8是基于目标边界定位的红外目标检测方法的P-R曲线图。具体实施方式为详细说明技术方案的
技术实现思路
、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。本专利技术提出一种基于目标边界定位的红外目标检测方法，它包括以下步骤：本文档来自技高网...

【技术保护点】
1.一种基于目标边界定位的红外目标检测方法，其特征在于，包括如下步骤，/nS1、读取图像信息，并采用自适应的指数变换的方法对红外图像进行指数变换；/nS2、将步骤S1变换后的图像调整为统一尺寸，输入到基于Resnet-50网络改进的复合残差网络以获得图像中不同尺度下的特征图谱；/nS3、将步骤S2得到的不同尺度的特征图谱输入到特征融合网络中，特征融合网络由三个双向特征金字塔结构重复叠加构成，实现多尺度特征信息的融合，获得五个尺度下的有效特征图谱；/nS4、将步骤S3得到的五个的有效特征图谱输入到类别与边界框网络中，类别与边界框网络由类别子网络和边界框子网络组成，获得对于目标的类别与位置的预测结果。/n

【技术特征摘要】
1.一种基于目标边界定位的红外目标检测方法，其特征在于，包括如下步骤，
S1、读取图像信息，并采用自适应的指数变换的方法对红外图像进行指数变换；
S2、将步骤S1变换后的图像调整为统一尺寸，输入到基于Resnet-50网络改进的复合残差网络以获得图像中不同尺度下的特征图谱；
S3、将步骤S2得到的不同尺度的特征图谱输入到特征融合网络中，特征融合网络由三个双向特征金字塔结构重复叠加构成，实现多尺度特征信息的融合，获得五个尺度下的有效特征图谱；
S4、将步骤S3得到的五个的有效特征图谱输入到类别与边界框网络中，类别与边界框网络由类别子网络和边界框子网络组成，获得对于目标的类别与位置的预测结果。


2.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，还包括S5、采用检测模型对红外目标进行检测。


3.如权利要求2所述的基于目标边界定位的红外目标检测方法，其特征在于，所述将检测模型的分类损失函数为FocalLoss，将基于边界框定位的损失函数作为检测模型的回归损失函数，对检测模型进行训练，并对训练效果进行评估，利用训练得到的检测模型对红外目标进行检测。


4.如权利要求3所述的基于目标边界定位的红外目标检测方法，其特征在于，所述FocalLoss为
FL(pt)＝-βt(1-pt)γlog(pt)
CE(pt)＝-log(pt)



其中，y＝1代表当前检测框内含有预先设定的目标类别，即属于数据集中的正样本；p∈[0,1]代表检测框内的的分类置信度；pt∈[0,1]代表针对正负样本归一化后的置信度。


5.如权利要求3所述的基于目标边界定位的红外目标检测方法，其特征在于，基于目标边界定位的损失函数被定义为：












其中w，h与wgt，hgt分别是检测框与目标框当前的宽和高，d＝ρ2(...

【专利技术属性】
技术研发人员：董恩增，肖泽灏，佟吉钢，于航，张祖锋，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12