基于目标检测模型的红外弱小目标实时检测方法和系统技术方案

本发明专利技术提供了一种基于目标检测模型的红外弱小目标实时检测方法和系统，构建了红外弱小飞机检测数据集，其次对提取特征主干网络进行了重新设计，使得网络能够更适应弱小目标的特征提取；再次在骨干网络后添加空间金字塔池化层，以获得不同的感受野，使得网络模型对弱小目标的定位能力增强；最后针对红外弱小目标尺寸较固定和单一，减少检测头，并通过特征金子塔将浅层信息与深层信息进行融合，使得网络具有更高的检测准确率和具有更强的鲁棒性。本发明专利技术不仅提高了在复杂背景下弱小目标检测的准确率和速度，还提高了弱小目标检测算法的鲁棒性及适应性。棒性及适应性。棒性及适应性。

【技术实现步骤摘要】
基于目标检测模型的红外弱小目标实时检测方法和系统


[0001]本专利技术涉及图像识别
，特别是涉及一种基于目标检测模型的红外弱小目标实时检测方法和系统。

技术介绍

[0002]红外弱小目标检测是目标检测领域的研究难点和重点，弱小目标检测在国防和军事上有着重要的作用。以往红外弱小目标检测主要依靠针对目标特性对感兴趣区域搜索的方式、利用红外成像物理特性的阈值分割法以及背景预测建模法等，但是这些算法存在着检测效率低，难以应对复杂多变的场景。近年来，随着深度学习的发展，基于深度学习的目标检测算法取得了长足的发展。深度学习通过网络层的非线性变化，通过反向传播算法提取图像中的抽象特征，从而准确识别目标。然而由于红外图像成像分辨率低、对比度低以及弱小目标缺少相应的纹理等问题，导致基于公共数据集而设计的目标检测算法并不适用于红外弱小目标检测。这些已有的算法大都是针对高分辨率的可见光图像而设计的，图片中含有大中小目标，这就导致算法并不适用于红外弱小目标检测，存在一定的设计冗余。因此针对红外弱小目标检测设计专用算法迫在眉睫。
[0003]现有技术中，红外弱小目标检测算法以单帧检测和多帧检测为主。多帧检测算法一般假定背景静止，耗时比单帧算法多，难以应用到红外弱小目标实时检测。申请公布号为CN113643315A,名称为“一种基于自适应峰值梯度下降滤波器的红外小目标检测方法”的专利申请，公开了一种基于自适应峰值梯度下降滤波器的红外小目标检测方法，解决了现有红外弱小目标检测方法中存在的使用矩形窗口提取红外图像局部特征导致的无法抑制不规则杂波及弱小目标检测性能低的问题，但方法仍然很难达到实时检测。
[0004]随着深度学习方法的迅速发展，目标检测领域取得了突破性发展，为红外弱小目标检测研究带来了新的方法和思路。申请公布号为CN113591968A,名称为“一种基于非对称注意力特征融合的红外弱小目标检测方法”的专利申请，公开了一种基于非对称注意力特征融合的红外弱小目标检测方法，该方法通过深度学习的方法提升了红外弱小目标的准确度，但是检测精度还提升的空间，同时较传统方法检测速度有所提升，但未达到实时检测。这些方法以基于深度学习的目标检测网络为基础，通过优化anchor box、引入注意力机制等方法优化弱小目标检测，使得改进后的网络更加关注浅层语义信息，从而提升弱小目标检测的能力。目前大多数网络仅仅关注网络的性能，不断提高网络的复杂程度来提高红外弱小目标的检测效果，然而由于红外弱小目标占有像素点少、缺乏纹理特征等，过深和过于复杂的网络反而会使红外弱小目标的特征丢失，因此针对红外弱小目标的特点设计专用网络，使其能够在资源受限的设备上实时运行具有重要意义。

技术实现思路

[0005]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于目标检测模型的红外弱小目标实时检测方法和系统，能有效减轻推理过程中需要大量计算的网络结构，提升
模型检测红外弱小目标的性能、降低网络的复杂程度，且可靠性更高。
[0006]为了达到上述目的，本专利技术所采用的具体技术方案如下：
[0007]一种基于目标检测模型的红外弱小目标实时检测方法，包括：
[0008](1)获取红外弱小目标数据集并对其进行选取和标注，得到训练集和验证集；
[0009](2)改进目标检测模型的特征提取主干网络，在特征提取网络后添加空间金字塔池化层，优化目标检测头，构建红外弱小目标检测网络；
[0010](3)利用损失函数和步骤(1)中的训练集和验证集对红外弱小目标检测网络进行训练，得到改进后的目标检测模型；
[0011](4)利用改进后的目标检测模型对红外弱小目标进行检测，得到检测结果。
[0012]优选的，步骤(1)获取红外弱小目标数据集并对其进行选取和标注，得到训练集和验证集，包括：
[0013]获取红外弱小目标数据集并从中选取一部分图像数据，每个目标对应一个位置中心点；根据位置中心点坐标以及设定框对图像数据进行标注；按照设定比例将得到的数据集进行划分，得到训练集和验证集。
[0014]优选的，步骤(2)包括以下步骤：
[0015](2a)对目标检测模型的特征提取主干网络进行改进，降低其下采样倍数；
[0016](2b)在修改后的特征提取网络后添加空间金字塔池化层；
[0017](2c)采用特征金字塔结构，融合浅层信息和深层信息，保留浅层网络的特征信息和较深网络的全局信息；
[0018](2d)减少检测头数量，减少网络的冗余结构；
[0019](2e)构建网络模型，通过重新调整网络的配置文件，得到红外弱小目标检测的基础网络模型。
[0020]优选的，步骤(2a)中由32倍下采样改为16倍下采样。
[0021]优选的，步骤(2b)中空间金字塔池化层时将输入的特征图分为4个分支，第1个分支直接向后传输，另外三个分支分别使用设定数量内核做最大池化操作，扩大感受野，然后通过通道拼接丰富特征信息。
[0022]优选的，步骤(2d)中检测头缩减为1个。
[0023]优选的，步骤(2e)中网络模型的结构为输入层
→
第一CBL层
→
第二CBL层
→
第一Resblock层
→
最大池化层
→
第二Resblock层
→
最大池化层
→
第三CBL层
→
SPP层
→
第四CBL层
→
第五CLB层
→
上采样层
→
第六CBL层
→
Conv层
→
Yolo输出层；其中第二Resblock层与上采样层联接；所述CBL是由卷积层
‑
归一化层
‑
激活层组成，CSP
‑
res是由第一CBL
‑
第二CBL
‑
第三CBL
‑
第四CBL，其中第一CBL路由到输出，第二CBL路由到第四CBL；
[0024]所述第一CBL层卷积核大小设置为3x3，卷积步长设为2，卷积核的个数设置为32；第二CBL层卷积核大小设置为3x3，卷积步长设为2，卷积核的个数设置为64；第三CBL层卷积核大小设置为3x3，卷积步长设为1，卷积核的个数设置为256；第四CBL层卷积核大小设置为1x1，卷积步长设为1，卷积核的个数设置为256；第五CBL层卷积核大小设置为1x1，卷积步长设为1，卷积核的个数设置为128；第六CBL层卷积核大小设置为3x3，卷积步长设为1，卷积核的个数设置为256；
[0025]所述Conv层卷积核大小设置为1x1,卷积步长设置为1，卷积核的个数设置为18；
[0026]所述第一Resblock层，由四个CBL层构成，卷积核大小分别为3x3、3x3、3x3、1x1,卷积步长均为1，卷积核个数分别为64、32、32、64；
...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测模型的红外弱小目标实时检测方法，其特征在于，包括：(1)获取红外弱小目标数据集并对其进行选取和标注，得到训练集和验证集；(2)改进目标检测模型的特征提取主干网络，在特征提取网络后添加空间金字塔池化层，优化目标检测头，构建红外弱小目标检测网络；(3)利用损失函数和步骤(1)中的训练集和验证集对红外弱小目标检测网络进行训练，得到改进后的目标检测模型；(4)利用改进后的目标检测模型对红外弱小目标进行检测，得到检测结果。2.根据权利要求1所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(1)获取红外弱小目标数据集并对其进行选取和标注，得到训练集和验证集，包括：获取红外弱小目标数据集并从中选取一部分图像数据，每个目标对应一个位置中心点；根据位置中心点坐标以及设定框对图像数据进行标注；按照设定比例将得到的数据集进行划分，得到训练集和验证集。3.根据权利要求1所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(2)包括以下步骤：(2a)对目标检测模型的特征提取主干网络进行改进，降低其下采样倍数；(2b)在修改后的特征提取网络后添加空间金字塔池化层；(2c)采用特征金字塔结构，融合浅层信息和深层信息，保留浅层网络的特征信息和较深网络的全局信息；(2d)减少检测头数量，减少网络的冗余结构；(2e)构建网络模型，通过重新调整网络的配置文件，得到红外弱小目标检测的基础网络模型。4.根据权利要求3所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(2a)中由32倍下采样改为16倍下采样。5.根据权利要求3所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(2b)中空间金字塔池化层时将输入的特征图分为4个分支，第1个分支直接向后传输，另外三个分支分别使用设定数量内核做最大池化操作，扩大感受野，然后通过通道拼接丰富特征信息。6.根据权利要求3所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(2d)中检测头缩减为1个。7.根据权利要求3所述的基于目标检测模型的红外弱小目标实时检测方法，其特征在于，步骤(2e)中网络模型的结构为输入层
→
第一CBL层
→
第二CBL层
→
第一Resblock层
→
最大池化层
→
第二Resblock层
→
最大池化层
→
第三CBL层
→
SPP层
→
第四CBL层
→
第五CLB层
→
上采样层
→
第六CBL层
→
...

【专利技术属性】
技术研发人员：刘晓涛，魏子翔，刘静，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：