一种基于星载红外遥感影像的弱小目标检测方法技术

本发明专利技术公开了一种基于星载红外遥感影像的弱小目标检测方法，包括获取样本数据、构建数据集、扩增数据集、粗检目标以及精检目标共五个步骤。该方法通过粗检与精检结合检测的方式，先利用浅层粗检神经网络初步判定弱小目标所在区域，然后利用深层精检神经网络精准定位目标位置，提高了检测效率，可以实现红外遥感影像中复杂海陆背景下，弱小目标的迅速、精准检测，解决了现有的红外遥感影像目标检测算法存在的目标定位速度慢、检测效率低等问题。

【技术实现步骤摘要】
一种基于星载红外遥感影像的弱小目标检测方法
本专利技术涉及遥感影像目标检测
，更具体的说是涉及一种基于星载红外遥感影像的弱小目标检测方法。
技术介绍
目前，随着各国对海洋资源的日益重视，对海面重要目标的监测与跟踪成为近年的研究热点。不同于SAR(SyntheticApertureRadar，合成孔径雷达)与可见光遥感，红外遥感可全天时工作，不受光照影响，且作用距离远、不易被敌方发现。基于此，基于红外遥感影像实现弱小目标检测在军事和民用海洋目标侦察领域有着重要作用。传统的红外遥感影像目标检测算法一般使用滑动窗口分块探测，主要包括以下三个步骤：首先，利用不同尺寸的滑动窗口选取图像一部分作为候选区域；其次，提取候选区域相关的视觉特征，比如目标检测常用的HOG特征等；最后，利用分类器进行识别，比如常用的SVM模型。但是，上述方法在检测过程中需要产生候选框，目标定位速度慢，导致目标检测效率低，难以满足实际需求。因此，如何提供一种目标检测效率高、精确可靠的基于星载红外遥感影像的弱小目标检测方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于星载红外遥感影像的弱小目标检测方法，解决了现有的红外遥感影像目标检测算法存在的目标定位速度慢、检测效率低等问题。为了实现上述目的，本专利技术采用如下技术方案：一种基于星载红外遥感影像的弱小目标检测方法，该方法包括：获取样本数据：获取宽幅红外遥感影像，并对目标区域进行弱小目标标注，分别对所述宽幅红外遥感影像和标注后得到的标签进行切割，得到一一对应的红外图像切块和标签切块；构建数据集：基于所述红外图像切块和所述标签切块，构建粗检红外遥感数据集和精检红外遥感数据集；扩增数据集：分别对所述粗检红外遥感数据集和所述精检红外遥感数据集进行数据扩增，得到粗检红外扩增数据集和精检红外扩增数据集；粗检目标：构建浅层粗检神经网络，并通过所述粗检红外扩增数据集对所述浅层粗检神经网络进行训练，将待检测图像输入训练好的浅层粗检神经网络，得到包含待检测弱小目标的红外图像切块；精检目标：构建深层精检神经网络，并通过所述精检红外扩增数据集对所述深层精检神经网络进行训练，将所述包含待检测弱小目标的红外图像切块输入训练好的深层精检神经网络，得到待检测弱小目标的位置与类别信息。进一步地，所述获取样本数据的过程，具体包括：获取宽幅红外遥感影像，并对所述宽幅红外遥感影像进行图像拉伸，拉伸后可以将过明过暗的宽幅红外遥感图像处理为明暗分布均匀、细节清晰的红外遥感图像；通过标注工具对拉伸后的宽幅红外遥感影像进行弱小目标矩形框标注，得到对应的标签；通过滑动窗口对拉伸后的宽幅红外遥感影像和标签进行有重合区域的切割裁剪，得到红外图像切块和标签切块。更进一步地，所述有重合区域的切割剪裁，具体包括：通过预设尺寸的滑动窗口，在所述宽幅红外遥感影像中上、下、左、右四个方向重合预设长度并进行切割，得到红外图像切块；将标签中弱小目标的位置坐标减去滑动窗口左上点坐标，切割得到标签切块。进一步地，所述构建数据集的过程，具体包括：判断各个所述标签切块中是否包含待检测弱小目标；将包含待检测弱小目标的标签切块对应的红外图像切块作为正样本，将不包含待检测弱小目标的标签切块对应的红外图像切块作为负样本，构建粗检红外遥感数据集；挑选出正样本以及正样本对应的标签切块，构建精检红外遥感数据集。本专利技术提供的方法将粗检与精检红外遥感数据集通过不同角度的旋转操作进行数据扩增后，粗检红外扩增数据集与精检红外扩增数据集还分别按7:3的比例划分为训练集与测试集，训练集用于对目标神经网络进行训练，测试集用于评估目标神经网络的性能。进一步地，所述粗检目标的过程，具体包括：构建浅层粗检神经网络，并将粗检红外扩增数据集中的数据输入所述浅层粗检神经网络，进行正负样本分类预测，得到粗检预测结果；计算所述粗检预测结果与所述标签中弱小目标的真实信息之间的误差值，并根据所述误差值更新所述浅层粗检神经网络中的权重参数；直至所述误差值不再减少时，保存并加载对应的所述浅层粗检神经网络中的权重参数；将待检测图像输入权重参数加载完毕后的所述浅层粗检神经网络中，得到对应的正负样本预测结果。更进一步地，所述浅层粗检神经网络包括卷积层、最大池化层、平均池化层以及全连接层；所述卷积层用于提取红外图像特征，所述最大池化层用于通过预设步长的滑动窗口压缩所述红外图像特征，所述平均池化层用于将每张红外图像压缩为一个参数，所述全连接层用于将所述红外图像特征映射为两个参数，其中两个参数中最大值所在位置用于预测正负样本类别。更进一步地，所述粗检预测结果与所述标签中弱小目标的真实信息之间的误差值通过交叉熵损失函数计算得到，计算公式为：其中，是浅层粗检神经网络输出的粗检预测结果为正样本的概率，y是样本标签，若为正样本，取值为1，若为负样本，取值为0。进一步地，所述精检目标的过程，具体包括：构建深层精检神经网络，并将所述精检红外扩增数据集输入所述深层精检神经网络，进行弱小目标位置与类别预测，得到精检预测结果；计算所述精检预测结果与所述标签中弱小目标的真实信息之间的误差值，并根据所述误差值更新所述深层精检神经网络中的权重参数；直至所述误差值不再减少时，保存并加载对应的所述深层精检神经网络中的权重参数；将包含待检测弱小目标的红外图像切块输入训练好的深层精检神经网络中，得到待检测弱小目标的位置与类别预测结果。更进一步地，所述深层精检神经网络通过3×3卷积层和5×5卷积层提取输入的包含待检测弱小目标的红外图像切块的图像特征，并通过前端的concat层进行图像特征的融合，融合后的图像特征依次经过多层深度可分离卷积层、平均池化层与reshape层后，得到多个分支结构特征，通过末端的concat层进行多尺度特征融合，输出待检测弱小目标的位置与类别预测结果。深层精检神经网络通过减少网络下采样次数、增加输入特征图尺度信息，提高了弱小目标的检测精度，同时，深层精检神经网络利用多分支结构，融合高维细节信息与低维语义信息，提高了弱小目标的定位精度。深层精检神经网络还利用深度可分离卷积优化卷积操作，减少权重参数数量，减少网络计算量，提高了检测效率，为后续算法硬件实现顺利开展做准备。更进一步地，所述精检预测结果与所述标签中弱小目标的真实信息之间的误差值的计算公式为：其中，S表示最后一层卷积层输出特征图大小，即预测栅格个数为S×S；B表示每个珊格预测边框个数；λcoord表示为坐标误差；λobj与λnoobj分别为正样本类别误差、负样本类别误差；λclass表示置信度预测的权重系数；第i个珊格中第j个预测框为正样本时，第i个珊格中第j个预测框为负样本时，xi、yi、wi、hi、Ci和pi为预测结果本文档来自技高网...

【技术保护点】
1.一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，包括：/n获取样本数据：获取宽幅红外遥感影像，并对目标区域进行弱小目标标注，分别对所述宽幅红外遥感影像和标注后得到的标签进行切割，得到一一对应的红外图像切块和标签切块；/n构建数据集：基于所述红外图像切块和所述标签切块，构建粗检红外遥感数据集和精检红外遥感数据集；/n扩增数据集：分别对所述粗检红外遥感数据集和所述精检红外遥感数据集进行数据扩增，得到粗检红外扩增数据集和精检红外扩增数据集；/n粗检目标：构建浅层粗检神经网络，并通过所述粗检红外扩增数据集对所述浅层粗检神经网络进行训练，将待检测图像输入训练好的浅层粗检神经网络，得到包含待检测弱小目标的红外图像切块；/n精检目标：构建深层精检神经网络，并通过所述精检红外扩增数据集对所述深层精检神经网络进行训练，将所述包含待检测弱小目标的红外图像切块输入训练好的深层精检神经网络，得到待检测弱小目标的位置与类别信息。/n

【技术特征摘要】
1.一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，包括：
获取样本数据：获取宽幅红外遥感影像，并对目标区域进行弱小目标标注，分别对所述宽幅红外遥感影像和标注后得到的标签进行切割，得到一一对应的红外图像切块和标签切块；
构建数据集：基于所述红外图像切块和所述标签切块，构建粗检红外遥感数据集和精检红外遥感数据集；
扩增数据集：分别对所述粗检红外遥感数据集和所述精检红外遥感数据集进行数据扩增，得到粗检红外扩增数据集和精检红外扩增数据集；
粗检目标：构建浅层粗检神经网络，并通过所述粗检红外扩增数据集对所述浅层粗检神经网络进行训练，将待检测图像输入训练好的浅层粗检神经网络，得到包含待检测弱小目标的红外图像切块；
精检目标：构建深层精检神经网络，并通过所述精检红外扩增数据集对所述深层精检神经网络进行训练，将所述包含待检测弱小目标的红外图像切块输入训练好的深层精检神经网络，得到待检测弱小目标的位置与类别信息。


2.根据权利要求1所述的一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，所述获取样本数据的过程，具体包括：
获取宽幅红外遥感影像，并对所述宽幅红外遥感影像进行图像拉伸；
通过标注工具对拉伸后的宽幅红外遥感影像进行弱小目标矩形框标注，得到对应的标签；
通过滑动窗口对拉伸后的宽幅红外遥感影像和标签进行有重合区域的切割裁剪，得到红外图像切块和标签切块。


3.根据权利要求2所述的一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，所述有重合区域的切割剪裁，具体包括：
通过预设尺寸的滑动窗口，在所述宽幅红外遥感影像中上、下、左、右四个方向重合预设长度并进行切割，得到红外图像切块；
将标签中弱小目标的位置坐标减去滑动窗口左上点坐标，切割得到标签切块。


4.根据权利要求1所述的一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，所述构建数据集的过程，具体包括：
判断各个所述标签切块中是否包含待检测弱小目标；
将包含待检测弱小目标的标签切块对应的红外图像切块作为正样本，将不包含待检测弱小目标的标签切块对应的红外图像切块作为负样本，构建粗检红外遥感数据集；
挑选出正样本以及正样本对应的标签切块，构建精检红外遥感数据集。


5.根据权利要求4所述的一种基于星载红外遥感影像的弱小目标检测方法，其特征在于，所述粗检目标的过程，具体包括：
构建浅层粗检神经网络，并将粗检红外扩增数据集中的数据输入所述浅层粗检神经网络，进行正负样本分类预测，得到粗检预测结果；
计算所述粗检预测结果与所述标签中弱小目标的真实信息之间的误差值，并根据所述误差值更新所述浅层粗检神经网络中的权重参数；
直至所述误差值不再减少时，保存并加载对应的所述浅层粗检神经网络中的权重参数；...

【专利技术属性】
技术研发人员：韩传钊，张曼，时春雨，丁荣莉，朱子亨，
申请(专利权)人：北京市遥感信息研究所，
类型：发明
国别省市：北京;11