一种应用于复杂环境下的红外目标检测方法技术

本发明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，包括：获取待检测的红外图像，对红外图像进行预处理；采用主干特征提取网络提取红外图像的不同尺度特征；采用颈部加强特征提取网络对不同尺度的特征进行加强融合处理，得到融合特征图；将融合后的有效特征图输入到预测输出网络中，得到目标的检测结果；本发明专利技术有效的提高了红外目标检测精度，对复杂场景下易于被遮挡的红外目标的检测效果更好，同时显著降低了参数量，满足实时性检测要求。满足实时性检测要求。满足实时性检测要求。

【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特征的不同尺度的检测层；使用Varifocal Loss作为检测物体的置信度和类别概率的损失函数，实现多尺度检测，得到不同的预测框。该专利通过改进的主干特征提取网络对输入红外图像进行特征提取，结合特征金字塔网络结构与路径聚集网络结构，实现不同尺度特征信息的融合，同时优化网络的损失函数，最后对不同尺度的特征图进行预测，并使用基于Distance
‑
IoU(DIoU)的非极大值抑制提升对密集遮挡物体的检测，可广泛应用于自动驾驶、夜间安防等领域。
[0004]但是上述方法存在以下问题：1、特征提取模块CSPDarknet53在提取特征过程中参数过多，特征图冗余。2、多尺度特征融合有待加强，抗背景干扰能力弱。

技术实现思路

[0005]为解决以上现有技术存在的问题，本专利技术提出了一种应用于复杂环境下的红外目标检测方法，该方法包括：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；
[0006]对红外目标检测模型进行训练的过程包括：
[0007]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；
[0008]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；
[0009]S3：采用主干特征提取网络提取红外图像的不同尺度特征；
[0010]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融合处理，得到融合特征图；
[0011]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；
[0012]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。
[0013]优选的，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。
[0014]进一步的，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。
[0015]优选的，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卷积模块和上采样模块变换尺寸，将变换后的特征图与主干网络下采样16倍的特征图进行拼接，得到特征图A；将特征图A输入到C3GS模块和上采样模块进一步的提取特征和主干网络8倍下采样得到的特征图叠加，得到特征图B，实现自底向上的融合过程；将特征图B输入到C3GS模块和下采样模块中进行处理，得到40
×
40的融合特征图以及80
×
80的融合特征图。
[0016]优选的，颈部网络的特征提取模块C3GS模块，可以在不损失精度的情况下减少参数量。模块结构特点是经通道切分后成两个分支，一个分支不做任何操作，另一分支首先经过GSeConv模块提取特征，再利用SimAM注意力机制对相应的特征信息进行加权，从而突出图像中的有效特征细节，并对叠加后的特征图进行洗牌，促进通道之间的信息交互，增强网络的学习能力。颈部多尺度特征融合网络通过上采样和下采样特征来实现自底向上和自顶向下的EPANet增强信息融合网络。为了取得更好的融合效果，去除对网络贡献较小的节点，减少网络的深度，使颈部更轻量；然后在原始浅层网络和颈部底层输出节点之间增加了一条融合边，以融合更高层次的特征，缩短上下文信息的传输路径，从而提取到更丰富语义信息特征。
[0017]优选的，模型损失函数的表达式为：
[0018][0019][0020]其中，IOU表示预测框与真实目标框的交并比，ρ2(b,b
gt
)表示预测框与真实框中心点距离，ρ表示两框中心点之间的欧式距离，b表示预测中心点坐标，b
gt
表示真实目标框中心
点坐标，c表示同包含两边界框的最小矩形区域的对角线距离，α是用于平衡比例的参数，v用于衡量高宽比的一致性，w
gt
和h
gt
表示真实目标框的宽和高，w和h表示预测框的宽和高。
[0021]优选的，性能评价指标的计算公式为：
[0022][0023][0024]其中，precision表示精确率，tp表示预测值与真实值交并比大于0.5的检测框数量，fp表示预测值与真实值交并比小于或等于0.5的检测框数量，recall表示召回率，fn表示没有检测到真实值的数量。
[0025]有益效果：
[0026本文档来自技高网...

【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：