复杂背景下红外弱小目标检测方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种复杂背景下红外弱小目标检测方法、装置、设备及存储介质，其中方法包括：获取待处理的红外检测图像；对所述红外检测图像进行局部对比度赋值处理，得到红外目标显著图像；对所述红外检测图像进行背景边缘提取，得到背景边缘图像；将所述红外目标显著图像与所述背景边缘图像进行差分计算，得到去除背景边缘的红外目标显著图像；利用预先训练好的分类模型对所述去除背景边缘的红外目标显著图像中包含的各目标进行分类，得到最终的检测目标。本方案，能够提高复杂背景下红外弱小目标的检测准确率。目标的检测准确率。目标的检测准确率。

【技术实现步骤摘要】
[0018]其中，m
i(s)
为每个滑动窗口中除所述中心像素点之外的像素点的像素均值，I
s
为每个滑动窗口中所述中心像素点的像素值，C
s
为每个滑动窗口中的所述赋值像素值。
[0019]优选的，所述对所述红外检测图像进行背景边缘提取，得到背景边缘图像，包括：
[0020]对所述红外检测图像进行目标提取，得到红外目标图像；
[0021]对所述红外目标图像进行背景边缘估计，得到去除目标后的背景边缘图像。
[0022]优选的，所述分类模型的训练方式，包括：
[0023]获取若干个正样本图像和若干个负样本图像；所述正样本图像为包含红外目标的图像；所述负样本图像为不包含红外目标的图像；各样本图像的尺寸相同；
[0024]利用所述若干个正样本图像和若干个负样本图像对卷积神经网络进行训练，得到所述分类模型；所述卷积神经网络的最后一层卷积层为1
×
1的卷积核。
[0025]优选的，所述正样本图像中包含的红外目标为仿真目标；
[0026]所述获取若干个正样本图像，包括：按照如下公式构建正样本图像：
[0027][0028]其中，α为所述正样本图像中的最大灰度值，(x0,y0)为所述仿真目标中心所处的位置坐标，I(x,y)为所述正样本图像中位于(x,y)位置处像素的灰度值，σ
x
与σ
y
为控制仿真目标在横向与纵向分散程度的参数，σ
x
与σ
y
的取值位于设定取值范围内，用于控制构建的正样本图像中仿真目标的尺寸不大于设定尺寸；
[0029]和/或，
[0030]所述正样本图像中红外目标的中心位于对应正样本图像的中心位置处；
[0031]和/或，
[0032]所述分类模型包括三层卷积层和两层全连接层。
[0033]优选的，所述利用预先训练好的分类模型对所述去除背景边缘的红外目标显著图像中包含的各目标进行分类，包括：
[0034]针对所述去除背景边缘的红外目标显著图像中包含的每一个目标，分别截取所述去除背景边缘的红外目标显著图像的局部图像，使得每一个目标分别位于对应的局部图像中；
[0035]将每一个局部图像分别输入到所述分类模型中，根据所述分类模型的输出确定最终的检测目标。
[0036]第二方面，本专利技术实施例还提供了一种复杂背景下红外弱小目标检测装置，包括：
[0037]红外图像获取单元，用于获取待处理的红外检测图像；
[0038]局部对比度幅值单元，用于对所述红外检测图像进行局部对比度赋值处理，得到红外目标显著图像；
[0039]背景边缘提取单元，用于对所述红外检测图像进行背景边缘提取，得到背景边缘图像；
[0040]差分计算单元，用于将所述红外目标显著图像与所述背景边缘图像进行差分计算，得到去除背景边缘的红外目标显著图像；
[0041]目标分类单元，用于利用预先训练好的分类模型对所述去除背景边缘的红外目标
显著图像中包含的各目标进行分类，得到最终的检测目标。
[0042]第三方面，本专利技术实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0043]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0044]本专利技术实施例提供了一种复杂背景下红外弱小目标检测方法、装置、设备及介质，通过对红外检测图像进行局部对比度赋值处理，得到红外目标显著图像，由于此时得到的红外目标显著图像中存在背景边缘，通过对红外检测图像进行背景边缘提取，得到背景边缘图像，然后将红外目标显著图像与红外目标显著图像做差分计算，从而可以去除红外目标显著图像中存在的背景边缘，接着利用预先训练好的分类模型对去除背景边缘的红外目标显著图像中包含的各目标进行分类，从而根据分类结果可以快速得到最终的检测目标。可见，本方案首先去除了复杂背景下边缘噪声的干扰，大大提高了红外弱小目标的检测准确率，并且利用分类模型其自身强大的特征提取能力，避免了疑似目标点较多的情况，实现对红外弱小目标的检测。
附图说明
[0045]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1是本专利技术一实施例提供的一种复杂背景下红外弱小目标检测方法流程图；
[0047]图2是本专利技术一实施例提供的局部对比度赋值方法流程图；
[0048]图3是本专利技术一实施例提供的一种计算设备的硬件架构图；
[0049]图4是本专利技术一实施例提供的一种复杂背景下红外弱小目标检测装置结构图。
具体实施方式
[0050]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0051]如前所述，传统的红外弱小目标检测方法在背景复杂度较小或者目标信噪比较高时检测准确率较高，但是对于复杂背景下，传统红外弱小目标检测方法的检测准确率较低，是因为在复杂背景中存在较多的边缘噪声，这些边缘噪声的存在极大地影响了对红外弱小目标的检测，因此若需要对复杂背景下进行红外弱小目标的检测，首先需要考虑去除这些边缘噪声。可以考虑将红外目标和背景边缘分别从红外检测图像中提取出来，然后将提取的红外目标图像与背景边缘图像进行差分计算，从而可以将红外目标图像中存在的背景边缘去除，降低了边缘噪声对红外目标图像的干扰。另外，传统的红外弱小目标检测方法是针
对单帧图像进行处理的跟踪前检测算法，虽然保证了实时性，但是检测出来的结果中依然可能包含疑似目标，后续还需要通过序列图像中疑似目标的运动特性判断其是否为真实目标。因此考虑利用预先训练好的分类模型对去除背景边缘的红外目标显著图像中包含的各目标进行分类，直接得到最终的检测目标。因此，本方案不仅提高了复杂背景下红外弱小目标的检测准确率，还提高了检测速度。
[0052]下面描述以上构思的具体实现方式。
[0053]请参考图1，本专利技术实施例提供了一种复杂背景下红外弱小目标检测方法，该方法包括：
[0054]步骤100，获取待处理的红外检测图像。
[0055]步骤102，对所述红外检测图像进行局部对比度赋值处理，得到红外目标显著图像。
[0056]步骤104，对所述红外检测图像进行背景边缘提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂背景下红外弱小目标检测方法，其特征在于，包括：获取待处理的红外检测图像；对所述红外检测图像进行局部对比度赋值处理，得到红外目标显著图像；对所述红外检测图像进行背景边缘提取，得到背景边缘图像；将所述红外目标显著图像与所述背景边缘图像进行差分计算，得到去除背景边缘的红外目标显著图像；利用预先训练好的分类模型对所述去除背景边缘的红外目标显著图像中包含的各目标进行分类，得到最终的检测目标。2.根据权利要求1所述的方法，其特征在于，所述对所述红外检测图像进行局部对比度赋值处理，包括：利用设定尺寸的滑动窗口对所述红外检测图像进行逐像素遍历，针对遍历到的每一个滑动窗口，均执行：确定该滑动窗口的中心像素点的像素值；所述中心像素点是位于该滑动窗口中心位置的单个像素点；确定该滑动窗口中除所述中心像素点之外的像素点的像素均值；根据所述中心像素点的像素值和所述像素均值确定赋值像素值，并将所述赋值像素值代替所述中心像素点的像素值。3.根据权利要求2所述的方法，其特征在于，所述根据所述中心像素点的像素值和所述像素均值确定赋值像素值，包括：利用如下公式计算所述赋值像素值：C
s
＝(I
s
‑
m
i(s)
)2其中，m
i(s)
为每个滑动窗口中除所述中心像素点之外的像素点的像素均值，I
s
为每个滑动窗口中所述中心像素点的像素值，C
s
为每个滑动窗口中的所述赋值像素值。4.根据权利要求1所述的方法，其特征在于，所述对所述红外检测图像进行背景边缘提取，得到背景边缘图像，包括：对所述红外检测图像进行目标提取，得到红外目标图像；对所述红外目标图像进行背景边缘估计，得到去除目标后的背景边缘图像。5.根据权利要求1所述的方法，其特征在于，所述分类模型的训练方式，包括：获取若干个正样本图像和若干个负样本图像；所述正样本图像为包含红外目标的图像；所述负样本图像为不包含红外目标的图像；各样本图像的尺寸相同；利用所述若干个正样本图像和若干个负样本图像对卷积神经网络进行训练，得到所述分类模型；所述卷积神经网络的最后一层卷积层为1
×
1的卷积核。6.根...

【专利技术属性】
技术研发人员：万耀辉，陈良瑜，张樯，李司同，李斌，张蛟淏，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：