一种基于注意力机制的红外小目标检测方法技术

本发明专利技术属于图像处理与计算机视觉技术领域，特别涉及一种基于注意力机制的红外小目标检测方法，包括将高斯噪声图像和全零图像分别与原图进行通道堆叠；将通道堆叠图像传入注意力机制模块进行背景抑制和目标增强；将注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，得到红外小目标的检测图像；将检测图像与标签图像的差异作为损失函数反向优化红外小目标检测模块的网络参数；若损失函数降低到可接受的阈值范围，完成训练；将待检测图像与全零图像进行通道堆叠作为测试样本传入注意力机制模块，将注意机制模块的输出图像与原图进行通道堆叠使用红外小目标检测模块实现检测任务；本发明专利技术能够有效地抑制背景杂波，实现小目标检测。实现小目标检测。实现小目标检测。

【技术实现步骤摘要】
一种基于注意力机制的红外小目标检测方法


[0001]本专利技术属于图像处理与计算机视觉
，特别涉及一种基于注意力机制的红外小目标检测方法。

技术介绍

[0002]红外小目标检测在红外成像系统研究中起着重要的作用，被广泛应用于预警、远距离目标跟踪等任务中。然而，当存在云杂波或者海杂波时，小目标通常被淹没在具有低信噪比的复杂背景中。此外，由于成像距离远，小目标没有具体的形状和纹理。因此，红外小目标检测一直被认为是一个困难且具有挑战性的任务。
[0003]目前，关于红外小目标检测的方法主要分为四种：第一种是基于背景特征的红外小目标检测方法，根据背景抑制方式的不同，可分为两类：基于空域的滤波方法和基于变换域的滤波方法。基于空域的背景滤波方法的基本思想是先估计图像的背景图像，再将原图与估计得到的背景图像进行差分运算，最后在差分图像上使用阈值分割实现小目标的检测；基于变换域的滤波方法主要是使用相应的变换方法获得红外图像的变换域信息，在变换域中对背景进行滤波处理，再通过逆变换实现小目标的检测。第二种是基于目标特征的检测方法，根据目标及其背景邻域在红外图像中的特征差异，设计不同的方法来凸显小目标的特征并进行背景抑制，从而实现小目标的检测。第三种是基于红外图像成像特性的小目标检测方法，主要根据红外图像中目标的稀疏性和背景非局部相关性的成像特点，对目标图像和背景图像进行分离，从而实现对小目标的检测。第四种是基于深度学习的小目标检测方法，主要通过卷积网络自动学习特征表达，目的是更好地抑制背景杂波和传感器噪声，增强感兴趣的目标。上述的传统方法对符合一定先验知识的小目标具有不错的检测，但存在着泛化性不强的问题。而基于数据驱动的深度学习方法能够通过学习大量数据赋予神经网络模型强大的拟合能力，让网络自动学习小目标的特征分布，提升红外小目标检测的泛化性。然而受背景杂波的影响，检测结果中通常会出现大量虚警。同时红外小目标图像背景杂波信息重复度较高，导致网络容易出现过拟合的现象。

技术实现思路

[0004]为了能够有效地抑制背景杂波和增强小目标特征，本专利技术提出一种基于注意力机制的红外小目标检测方法，具体包括以下步骤：
[0005]S1、将训练样本输入网络，其中训练样本包括：高斯噪声图像与原图的通道堆叠图像和全零图像与原图的通道堆叠图像，两种训练样本以1：1的比例作为训练阶段的输入；
[0006]S2、将通道堆叠图像传入注意力机制模块进行背景抑制和目标增强；
[0007]S3、将注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，得到红外小目标的检测图像；
[0008]S4、将检测图像与标签图像的差异作为损失函数反向优化网络两模块的网络参数；若损失函数降低到可接受的阈值范围，则认为网络已达到最优，得到的检测图像即为最
终检测结果；
[0009]S5、将测试样本输入网络，测试数据为全零图像与待检测图像的通道堆叠，将测试数据传入注意力机制模块，抑制背景杂波和增强小目标特征，之后注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，实现检测任务。
[0010]本专利技术在噪声与原图通道堆叠的数据增强输入方式下，注意力机制模块能够有效地抑制背景杂波和增强小目标特征，之后使用红外小目标检测模块进行检测，以两模块交替训练的模式实现检测任务。
附图说明
[0011]图1为本专利技术基于注意力机制的红外小目标检测方法的整体流程示意图；
[0012]图2为本专利技术基于注意力机制的红外小目标检测方法整体构架示意图；
[0013]图3为本专利技术基于注意力机制模块构架示意图；
[0014]图4为本专利技术基于红外小目标检测模块的构架示意图；
[0015]图5为本专利技术实施例中一张红外小目标图像，注意力机制模块的输出图像，以及经过注意力机制模块再经过红外小目标检测模块的输出图像的示意图。
具体实施方式
[0016]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，所描述的实施例仅仅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。
[0017]本专利技术提出一种基于注意力机制的红外小目标检测方法，具体包括以下步骤：
[0018]S1、将训练样本输入网络，其中训练样本包括：高斯噪声图像与原图的通道堆叠图像和全零图像与原图的通道堆叠图像，两种训练样本以1：1的比例作为训练阶段的输入；
[0019]S2、将通道堆叠图像传入注意力机制模块进行背景抑制和目标增强；
[0020]S3、将注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，得到红外小目标的检测图像；
[0021]S4、将检测图像与标签图像的差异作为损失函数反向优化网络两模块的网络参数；若损失函数降低到可接受的阈值范围，则认为网络已达到最优，得到的检测图像即为最终检测结果；
[0022]S5、将测试样本输入网络，测试数据为全零图像与待检测图像的通道堆叠，将测试数据传入注意力机制模块，抑制背景杂波和增强小目标特征，之后注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，实现检测任务。
[0023]本专利技术提供一种具体实施方式，在本实施例中使用的该数据集包含10000张训练图像(图像大小均为128
×
128)和100张测试图像(图像大小在128
×
128左右)，包括海天，云层，建筑物等场景。
[0024]训练阶段，输入样本包含两种形式：高斯噪声与原图的通道堆叠，全零图像与原图的通道堆叠，其中全零图像与原图的通道堆叠的训练样本可以使得噪声通道适应全零图像的输入方式。传统方法中，将高斯噪声与红外小目标图像直接相加的数据增强方式，会导致
目标信息完全淹没在背景与噪声中，更加难以检测到小目标。因此，本专利技术提出一种噪声与原图通道堆叠的数据增强方式。该方法让网络自动分配不同的权值给噪声和原图，再进行相加，从而有效地保留了小目标的输入特征，增强网络的鲁棒性。
[0025]测试阶段，由于网络输入端设计的是两通道的输入方式，因此采用全零图像与原图通道堆叠的输入方式，使得测试样本只包含原图的信息。
[0026]本专利技术高斯噪声Z与红外小目标原图I以通道堆叠的方式送入网络，网络第一层中的卷积核会随机分配给Z和I不同的权重值；该层输入图像的通道数决定该层每个卷积核的通道数；该层输出图像通道数，则由当前层卷积核的个数决定，其中每个卷积核的通道数等于该层输入图像的通道数；高斯噪声与原图通道堆叠的输入方式表示输入是两通道图像，那么网络第一层卷积的每一个卷积核相应也是两通道，则高斯噪声对红外小目标图像数据的自适应增强的公式证明如下：
[0027]I
in_1
＝I
in
*ω＝ω1*Z+ω2*I,I
in
＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的红外小目标检测方法，其特征在于，具体包括以下步骤：S1、高斯噪声图像与原图的通道堆叠图像和全零图像与原图的通道堆叠图像作为训练样本，两种训练样本以1：1的比例作为训练阶段的输入；S2、将通道堆叠图像传入注意力机制模块进行背景抑制和目标增强；S3、将注意机制模块的输出图像与原图进行通道堆叠后传入红外小目标检测模块，得到红外小目标的检测图像；S4、将检测图像与标签图像的差异作为损失函数反向优化网络两模块的网络参数；若损失函数降低到可接受的阈值范围，则认为网络已达到最优，得到的检测图像即为最终检测结果；S5、将测试样本输入网络，测试数据为全零图像与待检测图像的通道堆叠，将测试数据传入注意力机制模块，注意机制模块的输出图像与原图进行通道堆叠传入红外小目标检测模块，实现检测任务。2.根据权利要求1所述的一种基于注意力机制的红外小目标检测方法，其特征在于，实时待检测的图像将全零图像与原图通道堆叠后作为输入。3.根据权利要求1所述的一种基于注意力机制的红外小目标检测方法，其特征在于，在训练过程中，采用高斯噪声与原图通道堆叠进行数据增强，数据增强过程表示为：：I
in_1
＝I
in
*ω＝ω1*Z+ω2*I,I
in
＝{Z,I}其中，I
in_1
表示经过网络第一层卷积操作后高斯噪声与原图的融合特征图，I
in
表示网络的输入，*表示卷积操作，ω表示网络第一层中的卷积核，ω1表示网络第一层中的卷积核ω随机分配给高斯噪声的权重值，ω2表示网络第一层中的卷积核ω随机分配给原图的权重值。4.根据权利要求1所述的一种基于注意力机制的红外小目标检测方法，其特征在于，注...

【专利技术属性】
技术研发人员：高陈强，董亚盼，谌放，刘芳岑，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：