一种红外raw数据全阶段弱小目标检测方法技术

本申请公开了一种红外raw数据全阶段弱小目标检测方法，首先构建红外弱小目标检测模型，红外弱小目标检测模型包括图像块嵌入模块、大/小目标分类模块、弱小目标检测模块、大目标检测模块；其次构建用于训练红外弱小目标检测模型的训练集；再次设计总损失函数，使得大/小目标分类模块、弱小目标检测模块、大目标检测模块快速收敛；接着利用训练集训练红外弱小目标检测模型；最后将测试图片输入训练好的模型进行检测。本方法不仅能在目标距离成像设备较远的场景下将目标很好地分割出来，而且在目标距离不断接近成像设备的场景下同样能够将目标分割出来，同时分割结果具有较低的虚警率，网络能够更好地识别红外弱小目标。网络能够更好地识别红外弱小目标。网络能够更好地识别红外弱小目标。

【技术实现步骤摘要】
一种红外raw数据全阶段弱小目标检测方法


[0001]本专利技术属于红外图像分析
，特别是涉及一种红外raw数据全阶段弱小目标检测方法。

技术介绍

[0002]红外弱小目标检测针对的目标不仅尺寸小，而且非常弱，经常被淹没在复杂的背景，导致较高的漏检率和虚检率。现有红外弱小目标检测方法在解决这一问题时，仍有技术上的缺陷，如传统的基于局部对比度的方法，当目标符合设计的显著性度量假设时，这些方法能获得较好的效果，但是背景往往也会包含一些满足其假设的区域，从而引起许多虚警。传统的方法不涉及任何特征学习，并且不能有效地处理真实场景中的复杂性；通用的目标检测深度网络模型没有充分考虑小目标的特殊特性，使得小目标的信息在深层网络丢失，因此无法有效地工作；总之，红外图像中鲁棒的弱小目标检测仍然具有挑战性。

技术实现思路

[0003]本专利技术目的在于解决现有技术中容易引起虚警，难以有效地处理真实场景中复杂性的问题。
[0004]为了实现本专利技术目的，本专利技术公开了一种红外raw数据全阶段弱小目标检测方法，包括以下步骤：
[0005]步骤1、构建红外弱小目标检测模型，红外弱小目标检测模型红外弱小目标检测模型包括图像块嵌入模块、大/小目标分类模块、弱小目标检测模块、大目标检测模块；红外弱小目标检测模型图像块嵌入模块用于对输入的原始红外图像进行特征提取，红外弱小目标检测模型大/小目标分类模块用于判断原始图像中的目标为弱小目标还是大目标，红外弱小目标检测模型弱小目标检测模块、大目标检测模块分别用于对弱小目标或大目标进行检测；
[0006]步骤2、构建用于训练红外弱小目标检测模型的训练集；
[0007]步骤3、设计总损失函数，使得大/小目标分类模块、弱小目标检测模块、大目标检测模块快速收敛；
[0008]步骤4、利用训练集训练红外弱小目标检测模型；
[0009]步骤5、将测试图片输入训练好的模型进行检测。
[0010]进一步地，红外弱小目标检测模型图像块嵌入模块包括一个中心差分卷积(Central Difference Convolution，CDC)和两个普通卷积(Conv)，这三个卷积操作的卷积核大小均为3
×
3，中心差分卷积的步长为1，普通卷积的步长为2；图像块嵌入模块将输入的红外图像依次通过一个中心差分卷积和两个普通卷积，进行初步特征提取，输出一个特征矩阵。
[0011]进一步地，红外弱小目标检测模型大/小目标分类模块包括一个自适应平均值池化层、一个全连接层(Fully Connected Layer，FC)和一个sigmoid函数；图像块嵌入模块提
取的特征矩阵首先经过通过自适应平均值池化层，进行矩阵尺寸的压缩，再通过全连接层进行特征提取，最后通过sigmoid函数将特征矩阵中的值映射到0～1之间。
[0012]进一步地，红外弱小目标检测模型弱小目标检测模块包括编码器和解码器；红外弱小目标检测模型编码器分为4个阶段，每个阶段由多个基本特征提取模块(Basic Block)组成(各阶段的Basic Block的数量分别为2、2、6、2)，提取一个尺度上的特征，各阶段之间通过一个下采样模块相连；红外弱小目标检测模型解码器由全连接层(Fully Connected Layer，FC)、池化层、层标准化(LayerNorm，LN)、激活层(GELU)和上采样(Upsample)组成，第一步，解码器采用不同比率的池化层对编码器第4阶段输出的特征矩阵进行矩阵尺寸的压缩，生成4个不同尺寸的特征矩阵；对这4个特征矩阵分别利用全连接层、层标准化和激活层进行特征映射；最后，4个不同的特征矩阵采用不同比率进行上采样后，沿着通道维度进行矩阵拼接，生成一个新的特征矩阵；第二步，解码器对第一步中生成的特征矩阵和编码器第1、2、3阶段提取的特征采用不同比率进行上采样后，沿着通道维度进行矩阵拼接，依次经过全连接层、层标准化层、激活层进行特征再提取，最后输出一个目标像素为255、背景像素为0的二值图。
[0013]进一步地，红外弱小目标检测模型大目标检测模块包括一个卷积层、批量标准化层(BatchNorm)、上采样层和sigmoid函数；首先，图像块嵌入模块提取的特征矩阵通过卷积层进行特征提取，利用批量标准化层对卷积层输出的特征矩阵进行标准化，然后将特征矩阵上采样至512
×
512，最后通过sigmoid函数将特征矩阵中的值映射到0～1之间。
[0014]进一步地，步骤2中，训练集包括真实应用场景下包含小目标的红外图像和合成仿真图像，目前公开的红外弱小目标数据集较少，而神经网络的训练需要大量的数据。为了能够在目标不断接近成像设备的场景下将目标检测出来，本申请构造了一部分合成仿真训练图像。具体步骤为：
[0015]步骤2
‑
1、准备一个数值全为0的、大小为512
×
512的矩阵，设r＝100；
[0016]步骤2
‑
2、以矩阵中心为圆心，半径为r画圆，矩阵中在圆内的数值设置为255，将矩阵保存；
[0017]步骤2
‑
3、r＝r+1；
[0018]步骤2
‑
4、如果r≤300，则执行步骤2
‑
2，否则执行步骤2
‑
5；
[0019]步骤2
‑
5、结束。
[0020]进一步地，步骤3中，总损失函数公式为分割损失SL+分类损失CL，这两个损失函数分别能够使得弱小目标检测模块、大目标检测模块和大/小目标分类模块快速收敛，
[0021]Loss＝SL+CL
[0022][0023][0024]其中，y1为0或1，表示分割的真实值，p1∈[0，1]表示检测模块的输出，x表示计算的中间结果；
[0025]分类损失采用交叉熵损失函数：
[0026]CL＝y2log2(p2)+(1
‑
y2)log2(1
‑
p2)
[0027]其中y2为0或1，表示分割的真实值，p2∈[0，1]表示大/小目标分类模块的输出。
[0028]进一步地，步骤4中，利用训练集训练红外弱小目标检测模型的具体步骤为：
[0029]步骤4
‑
1、将训练集图像统一缩放至512
×
512后分批次输入到模型中；
[0030]步骤4
‑
2、在整个训练集经过一轮迭代后，重新打乱整个数据集，进行再次训练，直至模型收敛为止；
[0031]步骤4
‑
3、训练300轮后，保存结果最好的模型参数用于测试。
[0032]进一步地，步骤5中，将测试图片输入训练好的模型进行检测具体为：加载训练完成后保存的模型参数并设定模型不再计算梯度，将测试图像缩放至512
×
512输入模型得到目标像素值为255背景像素值为0的二值图。
[0033]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外raw数据全阶段弱小目标检测方法，其特征在于，包括以下步骤：步骤1、构建红外弱小目标检测模型，所述红外弱小目标检测模型包括图像块嵌入模块、大/小目标分类模块、弱小目标检测模块、大目标检测模块；所述图像块嵌入模块用于对输入的原始红外图像进行特征提取，所述大/小目标分类模块用于判断原始图像中的目标为弱小目标还是大目标，所述弱小目标检测模块、大目标检测模块分别用于对弱小目标或大目标进行检测；步骤2、构建用于训练红外弱小目标检测模型的训练集；步骤3、设计总损失函数，使得大/小目标分类模块、弱小目标检测模块、大目标检测模块快速收敛；步骤4、利用训练集训练红外弱小目标检测模型；步骤5、将测试图片输入训练好的模型进行检测。2.根据权利要求1所述的一种红外raw数据全阶段弱小目标检测方法，其特征在于，所述图像块嵌入模块包括一个中心差分卷积CDC和两个普通卷积Conv，这三个卷积操作的卷积核大小均为3
×
3，中心差分卷积的步长为1，普通卷积的步长为2；图像块嵌入模块将输入的红外图像依次通过一个中心差分卷积和两个普通卷积，进行初步特征提取，输出一个特征矩阵。3.根据权利要求1或2所述的一种红外raw数据全阶段弱小目标检测方法，其特征在于，所述大/小目标分类模块包括一个自适应平均值池化层、一个全连接层和一个sigmoid函数；图像块嵌入模块提取的特征矩阵首先经过通过自适应平均值池化层，进行矩阵尺寸的压缩，再通过全连接层进行特征提取，最后通过sigmoid函数将特征矩阵中的值映射到0～1之间。4.根据权利要求1所述的一种红外raw数据全阶段弱小目标检测方法，其特征在于，所述弱小目标检测模块包括编码器和解码器；所述编码器分为4个阶段，每个阶段由数个基本特征提取模块组成，提取一个尺度上的特征，各阶段之间通过一个下采样模块相连；所述解码器由全连接层、池化层、层标准化、激活层和上采样组成；第一步，解码器采用不同比率的池化层对编码器第4阶段输出的特征矩阵进行矩阵尺寸的压缩，生成4个不同尺寸的特征矩阵；对这4个特征矩阵分别利用全连接层、层标准化和激活层进行特征映射；最后，4个不同的特征矩阵采用不同比率进行上采样后，沿着通道维度进行矩阵拼接，生成一个新的特征矩阵；第二步，解码器对第一步中生成的特征矩阵和编码器第1、2、3阶段提取的特征采用不同比率进行上采样后，沿着通道维度进行矩阵拼接，依次经过全连接层、层标准化层、激活层进行特征再提取，最后输出一个目标像素为255、背景像素为0的二值图。5.根据权利要求1所述的一种红外raw数据全阶段弱小目标检测方法，其特征在于，所述大目标检测模块包括一个卷积层、批量标准化层、上采样层和sigmoid函数；首先，图像块嵌入模块提取的特征矩阵通过卷积层进行特征提取，利用批量标准化层对卷积层输出的特征矩阵进行标准化，然后将特征矩阵上采样至512
×
512，最后通过sigmoid函数将特征矩阵中的值映射到0～1之间。6.根据权利要求1所述的一种红外raw数据全阶段弱小目标检测方法，其特征在于，步骤2中，训练集包括真实应用场景下包含小目标的红外图像和合成仿真图像，合成仿真图像
的步骤为：步骤2
‑
1、准备一个数值全为0的、大小为512
×

【专利技术属性】
技术研发人员：王欢，顾晓东，陶叔银，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：