【技术实现步骤摘要】
一种应用于复杂环境下的红外目标检测方法
[0001]本专利技术属于红外目标检测领域,具体涉及一种应用于复杂环境下的红外目标检测方法。
技术介绍
[0002]红外图像是通过热辐射获得的,具有目标探测距离远、隐蔽性强、白天和夜间都可用等突出特点。随着距离成像范围的扩大,对红外图像中智能目标检测方法的需求也越来越迫切。传统的红外图像目标检测方法包括基于阈值化的方法和基于边缘检测的方法等,但这类方法仅适用于单一场景下的检测。由于现实环境的复杂,且红外目标特征较弱,这使得准确检测到目标变得困难,从而导致检测模型尤其对一些被障碍物所遮挡的目标难以提取到重要特征,实用性较差。而基于卷积神经网络的检测方法能够从输入数据中自动学习特征,同时对复杂环境的变化具有鲁棒性,适应能力更强。
[0003]目前,现有的红外目标检测方法包括专利申请号为CN202210207336.X的《一种复杂场景下的红外目标检测方法》,该方法包括对输入红外图像进行Mosaic数据增强;对特征提取网络CSPDarknet53结构进行优化改进,在特征提取网络中加入注意力机制ECA模块;使用Focus结构对输入图像进行切片操作,再经过多次卷积处理,然后利用优化的CSPDarknet53特征提取网络进行特征信息的提取,得到不同尺度的特征图,并在特征提取网络后加入SPP模块,解决目标尺度变化带来的精度下降的问题;将最小特征图通过特征金字塔网络结构与路径聚集网络结构,将高层的强语义特征信息与低层的强定位特征进行融合,结合两种网络结构最终得到同时具备强语义特征和强定位 ...
【技术保护点】
【技术特征摘要】
1.一种应用于复杂环境下的红外目标检测方法,其特征在于,包括:获取待检测的红外图像,对红外图像进行预处理;将预处理后的红外图像输入到训练好的红外目标检测模型中,得到检测结果;其中红外目标检测模型包括主干特征提取网络、颈部加强特征提取网络以及预测输出特征层;对红外目标检测模型进行训练的过程包括:S1:获取训练数据集,训练数据集中包括红外图像以及该红外图像所对应的类别标签;S2:对训练数据集中的红外图像进行预处理,并将预处理后的红外图像输入到红外目标检测模型中进行训练;S3:采用主干特征提取网络提取红外图像的不同尺度特征;S4:采用颈部加强特征提取网络对不同尺度的特征进行加强处理,得到融合特征图;S5:将融合特征图输入到预测输出特征层中,得到目标的检测结果;S6:根据目标检测结果计算模型的损失函数,并不断调整模型参数,采用性能评价指标确定目标检测结果的精度,当目标检测结果的精确度满足要求时,完成模型的训练。2.根据权利要求1所述的一种应用于复杂环境下的红外目标检测方法,其特征在于,主干特征提取网络包括GSeConv模块、C3Ghost模块和SPPF模块,其中GSeConv模块用于提取红外图像的浅层特征,C3Ghost模块用于减少浅层特征的冗余信息,SPPF模块用于增大网络的感受野,得到去除冗余信息后的上下文信息。3.根据权利要求2所述的一种应用于复杂环境下的红外目标检测方法,其特征在于,GSeConv模块提取红外图像的浅层特征包括:采用1
×
1大小的卷积对红外图像的通道进行压缩,其中该卷积层的卷积核个数为输入图像通道数的二分之一;采用3
×
3大小的逐层卷积对1
×
1大小的卷积输出的特征图进特征重建,得到混合特征图;将混合特征图进行通道拆分,得到两组特征图;将第一组特征图与逐点卷积生成的浓缩特征按通道方向进行特征叠加;将叠加后的特征图与第二组特征图进行拼接,得到输出结果。4.根据权利要求2所述的一种应用于复杂环境下的红外目标检测方法,其特征在于,C3Ghost模块包括残差网络分支和卷积分支,其中残差网络分支由多个残差结构组成;将输入信息分别输入到残差网络分支和卷积分支中,其中残差网络分支用于提取输入信息的深层次特征,并增加层与层之间反向传播的梯度值,卷积分支用于直接提取输入信息的特征;将两分支提取的特征图按通道方向进行叠加,得到输出特征图。5.根据权利要求1所述的一种应用于复杂环境下的红外目标检测方法,其特征在于,采用颈部加强特征提取网络EPANet对不同尺度的特征进行加强融合处理包括:将主干网络提取到的32倍下采样特征图通过SPPF模块,得到尺寸为20
×
20的输出特征图;将32倍下采样特征图经过1
×
1卷积模块和...
【专利技术属性】
技术研发人员:王慧,虞继敏,周尚波,李舜,吴涛,张鑫,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。