基于双流增强网络的红外小目标检测方法技术

本发明专利技术公开了一种基于双流增强网络的红外小目标检测方法，主要解决现有方法检测准确率较低的问题，实现步骤为：构建训练样本集和测试样本集；构建基于双流增强网络的目标检测网络模型：包括并行排布第一分支和第二分支双流增强网络，以及与该网络级联的融合模块的红外小目标检测网络O，第一分支网络根据低级特征从行和列两个方向提取目标的特征信息以获得更精细、完整的高级特征，有助于准确定位目标，第二分支中网络能够通过多尺度特征融合细化小红外目标的特征，从而抑制背景信息并保留小目标信息；通过对红外小目标检测网络模型O进行迭代训练，本发明专利技术能够提高红外小目标检测的准确率。的准确率。的准确率。

【技术实现步骤摘要】
基于双流增强网络的红外小目标检测方法


[0001]本专利技术属于数字图像处理
，涉及一种红外图像中小目标检测的方法，具体涉及一种基于双流增强网络的红外小目标检测方法，可用于海上救援。

技术介绍

[0002]红外小目标检测是利用计算机技术从红外图像中检测出目标的技术。红外小目标检测具有广泛的应用，例如交通管理和海上救援。由于噪音、小而模糊的目标，红外小目标检测仍然具有挑战性。为了检测红外小目标，研究人员提出了几种基于图像处理和机器学习的方法，包括基于滤波、基于人类视觉系统和基于低秩表示的方法。然而，这些传统方法有一些局限性：不能抑制复杂的背景噪声，导致检测错误率高，性能不稳定。
[0003]随着深度学习在许多领域的成功，研究人员将其应用于红外小目标检测领域，取得了有效的成果。例如，重庆邮电大学在其申请的专利文献“基于生成对抗网络的红外小目标检测方法”(专利申请号：202010077283.5，申请公布号为CN111275692A)中，提出了一种基于生成对抗网络的红外小目标检测方法，该方法针对包含小目标的目标图像块重构出虚假背景图像块，将虚假背景图像块与目标图像块进行配对得到第一配对数据，用该数据对生成对抗网络进行训练，然后将图像序列块中未包含小目标的两个原始背景图像块进行配对得到第二配对数据，并使用该数据继续进行训练得到目标生成对抗网络模型，将待检测的图像块序列输入目标生成对抗网络模型得到检测序列结果，将检测序列结果按待检测的原始红外图像的尺寸进行拼接，并将拼接后的图像与待检测的原始红外图像作残差，对作残差后的图像进行滤波得到检测结果。该专利技术具有计算速度快的优点，但是网络提取的特征不够精细、完整，且缺乏对目标边缘的关注，对噪声的抑制能力有限，导致检测的准确率较低。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于双流增强网络的红外小目标检测方法，用于解决现有的基于深度学习的红外小目标检测方法检测准确率低的问题。
[0005]为实现上述目的，本专利技术采取的技术方案包括以下步骤：
[0006](1)获取训练样本集和测试样本集：
[0007]获取K幅红外图像，并对每幅红外图像中的目标进行标注，再将M幅红外图像及其对应的标签组成训练样本集R1，将剩余的K
‑
M幅红外图像及其对应的标签组成测试样本集E1，其中K≥1000，
[0008](2)构建基于双流增强网络的红外小目标检测模型O：
[0009]构建包括并行排布第一分支和第二分支双流增强网络，以及与该网络级联融合模块的红外小目标检测网络O，其中：
[0010]第一分支包括顺次连接的Stem块、多个级联的残差块、第一转置卷积层、第一空间频率注意力模块、第二转置卷积层、第二空间频率注意力模块、head网络；其中，Stem块包括多个卷积层及级联的池化层；残差块包括顺次级联的卷积层、非线性激活层、卷积层；空间频率注意力模块包括顺次级联的上下文空间注意力模块、分解频率注意力模块、卷积层；head网络包括多个卷积层；
[0011]第二分支包括顺次连接的眼球状增强模块、head网络；其中，眼球状增强模块包括顺次连接的多个级联卷积层、上采样块和高斯卷积层，眼球状增强模块的输入端还与第一分支的第一空间频率注意力模块、第二空间频率注意力模块的输出端连接；
[0012](3)对红外小目标检测模型O进行迭代训练：
[0013](3a)初始化迭代次数为s，最大迭代次数为S，S≥20000，第s次迭代的红外小目标检测模型为O
s
，O
s
中可学习的权值、偏置参数分别为w
s
、b
s
，并令s＝0，O
s
＝O；
[0014](3b)将从训练样本集R1中随机有放回选取的l个训练样本作为红外小目标检测模型O的输入，第一分支对每个训练样本进行红外目标重建，得到l个小目标；同时第二分支对每个训练样本进行红外小目标细节增强，得到l个小目标细节；融合模块通过每个小目标细节增强的结果对对应的小目标重建结果进行补充细化，得到l个训练样本的红外小目标检测结果，其中，l≥1000；
[0015](3c)利用Dice损失函数L
Dice
与交叉熵损失函数L
CE
，并通过生成的l个目标检测结果和与其对应的的l个标签计算O
s
的损失值L
DC
，再通过链式法则分别计算L
DC
对网络中的权值参数ω
s
及偏置参数b
s
的偏导和然后根据对ω
s
、b
s
进行更新，得到本次迭代的网络模型O
s
；
[0016](3d)判断s≥S是否成立，若是，得到训练好的红外小目标检测模型O*，否则，令s＝s+1，并执行步骤(3b)；
[0017](4)获取红外图像目标检测结果：
[0018]将测试样本集E1作为训练好的红外小目标检测模型O*的输入进行前向传播，得到所有测试样本对应的红外小目标检测结果。
[0019]本专利技术与现有技术相比，具有以下优点：
[0020]本专利技术所构建的基于双流增强网络模型包括并行排布的第一分支和第二分支，在对该模型进行训练以及获取红外小目标检测结果的过程中，第一分支中的空间频率注意力模块能够通过融合低、高级特征的以选择最有用的特征。根据低级特征从行和列两个方向提取目标的特征信息以获得更精细、完整的高级特征，有助于准确定位目标，第二分支中的眼球状增强模块能够通过多尺度特征融合细化小红外目标的特征，从而抑制背景信息并保留小目标信息，实验结果表明，本专利技术能够有效提高红外小目标检测的正确率。
附图说明
[0021]图1为本专利技术的实现流程图；
[0022]图2为本专利技术所构建的基于双流增强网络模型的结构示意图；
[0023]图3为本专利技术对图2具体实施例解释的结构示意图；
[0024]图4为本专利技术实施例的空间频率注意力模块的结构示意图；
[0025]图5为本专利技术实施例的眼球状增强模块的结构示意图。
具体实施方式
[0026]以下结合附图和具体实施例，对本专利技术作进一步详细描述。
[0027]参照图1，本专利技术包括如下步骤：
[0028]步骤1)获取训练样本集和测试样本集：
[0029]获取K幅红外图像，然后对每幅红外图像中的目标进行标注，再将M幅红外图像及其对应的标签组成训练样本集R1，将剩余的K
‑
M幅红外图像及其对应的标签组成测试样本集E1，其中K≥1000，
[0030]步骤2)构建基于双流增强网络的红外检测网络模型O：
[0031]构建包括并行排布第一分支和第二分支双流网络，以及与该网络级联融合模块的红外小目标检测网络O，第一分支包括顺次连接的Stem块、第一残差块、第二残差块、第三残差块、第一转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双流增强网络的红外小目标检测方法，其特征在于，包括以下步骤：(1)获取训练样本集和测试样本集：获取K幅红外图像，并对每幅红外图像中的目标进行标注，再将M幅红外图像及其对应的标签组成训练样本集R1，将剩余的K
‑
M幅红外图像及其对应的标签组成测试样本集E1，其中K≥1000，(2)构建基于双流增强网络的红外小目标检测模型O：构建包括并行排布第一分支和第二分支双流增强网络，以及与该网络级联融合模块的红外小目标检测网络O，其中：第一分支包括顺次连接的Stem块、多个级联的残差块、第一转置卷积层、第一空间频率注意力模块、第二转置卷积层、第二空间频率注意力模块、head网络；其中，Stem块包括多个卷积层及级联的池化层；残差块包括顺次级联的卷积层、非线性激活层、卷积层；空间频率注意力模块包括顺次级联的上下文空间注意力模块、分解频率注意力模块、卷积层；head网络包括多个卷积层；第二分支包括顺次连接的眼球状增强模块、head网络；其中，眼球状增强模块包括顺次连接的多个级联卷积层、上采样块和高斯卷积层，眼球状增强模块的输入端还与第一分支的第一空间频率注意力模块、第二空间频率注意力模块的输出端连接；(3)对红外小目标检测模型O进行迭代训练：(3a)初始化迭代次数为s，最大迭代次数为S，S≥20000，第s次迭代的红外小目标检测模型为O
s
，O
s
中可学习的权值、偏置参数分别为w
s
、b
s
，并令s＝0，O
s
＝O；(3b)将从训练样本集R1中随机有放回选取的l个训练样本作为红外小目标检测模型O的输入，第一分支对每个训练样本进行红外目标重建，得到l个小目标；同时第二分支对每个训练样本进行红外小目标细节增强，得到l个小目标细节；融合模块通过每个小目标细节增强的结果对对应的小目标重建结果进行补充细化，得到l个训练样本的红外小目标检测结果，其中，l≥1000；(3c)利用Dice损失函数L
Dice
与交叉熵损失函数L
CE
，并通过生成的l个目标检测结果和与其对应的的l个标签计算O
s
的损失值L
DC
，再通过链式法则分别计算L
DC
对网络中的权值参数ω
s
及偏置参数b
s
的偏导和然后根据对ω
s
、b
s
进行更新，得到本次迭代的网络模型O
s
；(3d)判断s≥S是否成立，若是，得到训练好的红外小目标检测模型O*，否则，令s＝s+1，并执行步骤(3b)；(4)获取红外图像目标检测结果：将测试样本集E1作为训练好的红外小目标检测模型O*的输入进行前向传播，得到所有测试样本对应的红外小目标检测结果。2.根据权利要求1所述的基于双流增强网络的红外小目标检测方法，其特征在于，步骤(2)中所述的基于双流增强网络模型O，其中：第一分支，其中卷积层个数为34，残差块个数为3；Stem块的具体结构包括顺次连接的第一卷积层、第二卷积层、第三卷积层、最大池化层；第一残差块的具体结构包括顺次连接
的第四卷积层、第一非线性激活层、第五卷积层；第二残差块的具体结构包括顺次连接的第六卷积层、第二非线性激活层、第七卷积层；第三残差块的具体结构包括顺次连接的第八卷积层、第三非线性激活层、第九卷积层；空间频率注意力模块的具体结构包括顺次连接的上下文空间注意力模块、分解频率注意力模块和卷积层，其中，上下文空间注意力模块包括并行排布的第一瓶颈结构、第二瓶颈结构及与其连接的第四非线性激活层、第三瓶颈结构、第五非线性激活层，其中，瓶颈结构包括多个卷积层，head网络包括并行排布的第三分支、第四分支、第五分支，第三分支包括顺次连接的第十卷积层、第十一卷积层，第四分支包括顺次连接的第十二卷积层...

【专利技术属性】
技术研发人员：张铭津，郑玲萍，张睿，彭晓琪，李云松，高新波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：