一种红外小目标检测方法、装置、计算设备及存储介质制造方法及图纸

本发明专利技术提供了一种红外小目标检测方法、装置、计算设备及存储介质，该方法包括：获取待检测目标的红外图像；将红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图；将高层特征图输入多感受野模型，得到第一特征图；其中，多感受野模型用于通过空洞卷积扩大感受野，获得语义信息丰富的第一特征图；将第一特征图和至少一个低层特征图按照预设级联规则输入融合模型，得到目标检测结果。本方案提供的红外小目标检测方法能够提高小目标的检测精度，降低虚警率。警率。警率。

【技术实现步骤摘要】
一种红外小目标检测方法、装置、计算设备及存储介质


[0001]本专利技术涉及目标检测
，特别涉及一种红外小目标检测方法、装置、计算设备及存储介质。

技术介绍

[0002]红外探测技术具有不受坏境等因素影响的优势，在军事领域和工业、医疗等民生领域都具有日益广泛的应用。红外小目标是指本身缺乏颜色纹理等特征，尺寸极小且对比度低的一类目标，因其目标可用特征少、图像信噪比低、成像环境复杂、背景相似程度高等而导致检测难度大，然而红外小目标检测作为红外图像检测中的重要分支，在目标早期预警、无人机检测、导弹制导等方面有着重要的运用。
[0003]目前常通过红外小目标分割的方法获得小目标的位置信息和几何信息。然而，当前的目标分割算法对目标背景的特征提取能力较弱，对小目标和背景的融合存在一定的误差，导致获得的小目标的位置信息和形状信息的精度仍较低。

技术实现思路

[0004]本专利技术实施例提供了一种红外小目标检测方法、装置、计算设备及存储介质，提高了小目标的检测精度，降低了虚警率。
[0005]第一方面，本专利技术实施例提供了一种红外小目标检测方法，包括：
[0006]获取待检测目标的红外图像；
[0007]将所述红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图；
[0008]将所述高层特征图输入多感受野模型，得到第一特征图；其中，所述多感受野模型用于通过空洞卷积扩大感受野，获得语义信息丰富的所述第一特征图；
[0009]将所述第一特征图和所述至少一个低层特征图按照预设级联规则输入融合模型，得到目标检测结果。
[0010]可选地，所述将所述红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图，包括：
[0011]所述基础网络结构包括第一卷积层、第二卷积层和第三卷积层；
[0012]采用所述第一卷积层对所述红外图像进行卷积操作，得到第一低层特征图；
[0013]采用所述第二卷积层对所述第一低层特征图进行卷积操作，得到第二低层特征图；
[0014]采用所述第三卷积层对所述第二低层特征图进行卷积操作，得到高层特征图。
[0015]可选地，所述多感受野模型包括并联的至少两个具有不同感受野的卷积模块；
[0016]所述卷积模块包括串联的具有不同扩张率的空洞卷积。
[0017]可选地，所述多感受野模型包括并联的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块；
[0018]所述第一卷积模块包括依次串联的扩张率分别为1、2、3、6的四个空洞卷积，且空洞卷积的卷积核均为3*3；
[0019]所述第二卷积模块包括依次串联的扩张率分别为1、2、5、7的四个空洞卷积，且空洞卷积的卷积核均为3*3；
[0020]所述第三卷积模块包括依次串联的扩张率分别为1、3、5、9的四个空洞卷积，且空洞卷积的卷积核均为3*3；
[0021]所述第四卷积模块包括依次串联的扩张率分别为1、3、7、11的四个空洞卷积，且空洞卷积的卷积核均为3*3；
[0022]所述第五卷积模块包括依次串联的扩张率分别为1、3、8、13的四个空洞卷积，且空洞卷积的卷积核均为3*3。
[0023]可选地，所述预设级联规则包括：
[0024]将所述第二低层特征图和经上采样处理的所述第一特征图输入融合模型，得到第一融合特征图；
[0025]将所述第一低层特征图和经上采样处理的所述第一融合特征图输入融合模型，得到第二融合特征图；
[0026]将所述第二融合特征图进行上采样处理，得到所述目标检测结果。
[0027]可选地，所述将所述第二低层特征图和经上采样处理的所述第一特征图输入融合模型，得到第一融合特征图，包括：
[0028]通过通道注意力机制对经上采样处理的所述第一特征图进行增强，得到第一增强特征图；
[0029]通过位置注意力机制对所述第二低层特征图进行增强，得到第二增强特征图；
[0030]将所述第一增强特征图和所述第二增强特征图进行融合，得到所述第一融合特征图；其中，所述第一融合特征图通过如下公式获得：
[0031][0032]其中，所述X
MSM
用于表征所述第一融合特征图，所述X
l
用于表征所述第二低层特征图，所述X
h
用于表征所述第一特征图，所述G
PA
(X
l
)用于表征所述第二增强特征图，所述G
CA
(X
h
)用于表征所述第一增强特征图。
[0033]可选地，所述将所述第一低层特征图和经上采样处理的所述第一融合特征图输入融合模型，得到第二融合特征图，包括；
[0034]通过通道注意力机制对经上采样处理的所述第一融合特征图进行增强，得到第三增强特征图；
[0035]通过位置注意力机制对所述第一低层特征图进行增强，得到第四增强特征图；
[0036]将所述第三增强特征图和所述第四增强特征图进行融合，得到所述第二融合特征图；其中，所述第二融合特征图通过如下公式获得：
[0037][0038]其中，所述X
′
MSM
用于表征所述第二融合特征图，所述X
′
l
用于表征所述第一低层特征图，所述X
′
h
用于表征所述第一融合特征图，所述G
′
PA
(X
′
l
)用于表征所述第四增强特征图，所述G
′
CA
(X
′
h
)用于表征所述第三增强特征图。
[0039]第二方面，本专利技术实施例还提供了一种红外小目标检测装置，包括：
[0040]获取模块，用于获取待检测目标的红外图像；
[0041]第一特征提取模块，用于将所述红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图；
[0042]第二特征提取模块，用于将所述高层特征图输入多感受野模型，得到第一特征图；其中，所述多感受野模型用于通过空洞卷积扩大感受野，获得语义信息丰富的所述第一特征图；
[0043]融合模块，用于将所述第一特征图和所述至少一个低层特征图按照预设级联规则输入融合模型，得到目标检测结果。
[0044]可选地，所述第二特征提取模块包括并联的至少两个具有不同感受野的卷积模块；所述卷积模块包括串联的具有不同扩张率的空洞卷积。
[0045]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，实现上述任一项所述的红外小目标检测方法。
[0046]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外小目标检测方法，其特征在于，包括：获取待检测目标的红外图像；将所述红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图；将所述高层特征图输入多感受野模型，得到第一特征图；其中，所述多感受野模型用于通过空洞卷积扩大感受野，获得语义信息丰富的所述第一特征图；将所述第一特征图和所述至少一个低层特征图按照预设级联规则输入融合模型，得到目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述红外图像输入预先构建的用于进行特征提取的基础网络结构，得到至少一个低层特征图和一个高层特征图，包括：所述基础网络结构包括第一卷积层、第二卷积层和第三卷积层；采用所述第一卷积层对所述红外图像进行卷积操作，得到第一低层特征图；采用所述第二卷积层对所述第一低层特征图进行卷积操作，得到第二低层特征图；采用所述第三卷积层对所述第二低层特征图进行卷积操作，得到高层特征图。3.根据权利要求1所述的方法，其特征在于，所述多感受野模型包括并联的至少两个具有不同感受野的卷积模块；所述卷积模块包括串联的具有不同扩张率的空洞卷积。4.根据权利要求1或3所述的方法，其特征在于，所述多感受野模型包括并联的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块；所述第一卷积模块包括依次串联的扩张率分别为1、2、3、6的四个空洞卷积，且空洞卷积的卷积核均为3*3；所述第二卷积模块包括依次串联的扩张率分别为1、2、5、7的四个空洞卷积，且空洞卷积的卷积核均为3*3；所述第三卷积模块包括依次串联的扩张率分别为1、3、5、9的四个空洞卷积，且空洞卷积的卷积核均为3*3；所述第四卷积模块包括依次串联的扩张率分别为1、3、7、11的四个空洞卷积，且空洞卷积的卷积核均为3*3；所述第五卷积模块包括依次串联的扩张率分别为1、3、8、13的四个空洞卷积，且空洞卷积的卷积核均为3*3。5.根据权利要求2所述的方法，其特征在于，所述预设级联规则包括：将所述第二低层特征图和经上采样处理的所述第一特征图输入融合模型，得到第一融合特征图；将所述第一低层特征图和经上采样处理的所述第一融合特征图输入融合模型，得到第二融合特征图；将所述第二融合特征图进行上采样处理，得到所述目标检测结果。6.根据权利要求5所述的方法，其特征在于，所述将所述第二低层特征图和经上采样处理的所述第一特征图输入融合模型，得到第一融合特征图，包括：通过通道注意力机制对经上采样处理的所述第一特征图进行增强，得到第一增强特征
图；通过位置注意力机制对所述第二低层特征图进行增强，得到第二增强特征图；将所述第一增强特征图和所述第二增强特征图进行融合，得到所述第一融合特征图；其中，所述第一融...

【专利技术属性】
技术研发人员：姚裔仁，张樯，石春雷，李斌，万耀辉，程宇航，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：