基于空频特征建模联合时域轨迹匹配的红外目标检测方法技术

本发明专利技术公开的基于空频特征建模联合时域轨迹匹配的红外目标检测方法，属于红外探测、目标检测识别技术领域，完成对图像中各类目标的检测与识别、用于安防监控如无人机目标的监测预警。本发明专利技术通过在空域目标检测的基础上，引入频域特征对目标的外形轮廓、目标与背景之间的特征加以补充，结合设计的轨迹关联匹配策略，通过特征多维度信息提取增强了目标特征表达，同时提高了算法模型复杂多样应用场景的适应性，降低了红外目标检测过程中噪声和干扰造成的虚警。成的虚警。成的虚警。

【技术实现步骤摘要】
基于空频特征建模联合时域轨迹匹配的红外目标检测方法


[0001]本专利技术属于红外探测、目标检测识别
，完成对图像中各类目标的检测与识别、用于安防监控如无人机目标的监测预警，尤其是涉及基于空频特征建模联合时域轨迹匹配的红外目标检测方法。

技术介绍

[0002]无人机具有极强的机动性和灵活性，能够在各类复杂背景中如城市建筑、森林、云层中任意飞行和悬停，因此对重要地区和设施的国家安防、民用安保等构成了极大威胁，在此基础上对无人机目标的检测提出了新的要求；目标检测是一种用算法判断图像中物体的分类，同时能够在图像中标记出其相应位置的技术，随着深度学习的不断完善，依赖于其强大的特征抽取和表征能力，深度卷积神经网络能够对各类复杂图像中的目标进行特征挖掘和层次化的表达，从而对复杂背景下的目标有着良好的辨别能力。
[0003]现有的本专利技术公开了一种基于时空域特征融合的红外弱小目标的检测方法，专利号为(CN115035378A)，包括步骤：将时域、空域特征信息结合起来检测弱小目标；其中将时域、空域特征信息结合起来具体包括：在时域上提取运动特征得到候选目标区域，在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，再减去背景估计图像得到空域目标显著图，再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，从最终的目标显著图中分割出弱小目标，实现获得更高的目标检测率、更低的虚警率以及更远的无人机探测距离，并且该方法简洁高效、复杂度低，易于硬件实现，满足高实时性的应用需求。
[0004]在实际应用中，由于无人机目标的热辐射特性在红外探测器中可以较为容易凸显，因而采用红外成像探测系统识别低空无人机目标具有广阔的发展前景；但是，当目标位于与自身红外辐射强度相近的背景中或者出现飞鸟等干扰物体时，在红外图像中则会表现出目标的外形轮廓模糊、目标与背景对比度不足、目标与干扰物体区分度不足等问题，使得常规目标检测算法无法实现高性能的检测任务。
[0005]因此，本专利技术提供基于空频特征建模联合时域轨迹匹配的红外目标检测方法，以解决现有技术中存在的在红外图像中则会表现出目标的外形轮廓模糊、目标与背景对比度不足、目标与干扰物体区分度不足等问题，使得常规目标检测算法无法实现高性能的检测任务的问题。

技术实现思路

[0006]本专利技术的目的在于提供基于空频特征建模联合时域轨迹匹配的红外目标检测方法，在空域目标检测的基础上，引入频域特征对目标的外形轮廓、目标与背景之间的特征加以补充，并结合设计的轨迹关联匹配策略，通过特征多维度信息提取增强了目标特征表达，提高算法模型复杂多样应用场景的适应性，降低了红外目标检测过程中噪声和干扰造成的虚警。
[0007]为了解决上述技术问题，本专利技术采用的技术方案是：基于空频特征建模联合时域轨迹匹配的红外目标检测方法，包括步骤：提取红外图像序列的空域特征和频域特征；将提取到的空域特征和时域特征进行张量拼接并得到空频域目标检测概率热图；通过图匹配方法将相邻帧间的无人机目标关联成轨迹；利用光流法获得无人机目标运动信息，将其与轨迹融合，输出检测结果。
[0008]所述提取红外图像序列的空域特征采用密集连接的卷积神经网络与多区域通道模块相结合提取空域特征，所述多区域通道模块用于自动捕获不同通道之间的关键特征信息。
[0009]所述提取红外图像序列的频域特征从红外图像中提取空域特征易受图像中斑点噪声的影响，并通过引入频域信息作为网络分支之一，并采用基于离散余弦变换的频率特征提取与选择策略和空间下采样方法相结合实现对图像频域特征的补充抑制噪声干扰。
[0010]所述将提取到的空域特征和时域特征进行张量拼接并得到空频域目标检测概率热图，通过空间、频率特征信息的张量拼接操作直接合并，在将特征表示映射到样本空间后，通过最后一个完全卷积层使用sigmoid函数来获得预测的概率，得到当前像素x作为目标的概率p(t|Nx，xij∈Nx)，其中Nx表示像素x的邻域，从而生成目标检测概率热图。
[0011]所述图匹配方法将相邻帧间的无人机目标关联成轨迹，并采用相邻帧中可疑目标之间的局部轨迹关联来进一步消除虚警。
[0012]所述利用光流法获得无人机目标运动信息将其与轨迹融合，输出检测结果包括目标运动与地面固定物体或飞鸟虚警之间的差异性，并采用光流法来进一步消除由其引起的虚假轨迹。
[0013]本专利技术与现有技术相比具有以下优点：
[0014]本专利技术在空域特征的提取上采用深度学习方法，同时在最后进行分类的时候利用全卷积层只得到目标的概率热图，提升深度学习模型的效率，引入频域的特征对目标带来的运动模糊以及红外图像自身的噪声干扰达到一个抑制的效果。
[0015]本专利技术采用目标关联建模成加权二分图匹配的模型，通过求解最大匹配来确认目标关联轨迹，然后引入光流法来获取目标的运动信息，通过轨迹匹配来剔除虚警，一方面消除随机噪声产生的虚假目标，另一方面通过运动的差异性剔除飞鸟等的虚警。
[0016]本专利技术通过在空域目标检测的基础上，引入频域特征对目标的外形轮廓、目标与背景之间的特征加以补充，结合设计的轨迹关联匹配策略，通过特征多维度信息提取增强了目标特征表达，同时提高了算法模型复杂多样应用场景的适应性，降低了红外目标检测过程中噪声和干扰造成的虚警。
附图说明
[0017]图1为本专利技术的方法流程框图；
[0018]图2为本专利技术实例的整体流程图；
[0019]图3为本专利技术采用的空域特征提取网络结构示意图；
[0020]图4为本专利技术的频域特征提取流程示意图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0022]如图1和图2所示，基于空频特征建模联合时域轨迹匹配的红外目标检测方法，包括步骤：提取红外图像序列的空域特征和频域特征；将提取到的空域特征和时域特征进行张量拼接后得到空频域目标检测概率热图；通过图匹配方法将相邻帧间的无人机目标关联成轨迹；利用光流法获得无人机目标运动信息，将其与轨迹融合，输出检测结果；在空域目标检测的基础上，引入频域特征对目标的外形轮廓、目标与背景之间的特征加以补充，结合设计的轨迹关联匹配策略，通过特征多维度信息提取增强了目标特征表达，同时提高了算法模型复杂多样应用场景的适应性，降低了红外目标检测过程中噪声和干扰造成的虚警，实现高性能的完成检测任务。
[0023]如图2
‑
图4所示，本实施例中，采用在空域特征的提取上用的是深度学习方法，同时在最后进行分类的时候是利用全卷积层只得到目标的概率热图，提升深度学习模型的效率；然后另一个是引入了频域的特征，来对目标带来的运动模糊以及红外图像自身的噪声干扰达到一个抑制的效果；时域的特征采用的是将目标关联建模成加权二分图匹配的模型，通过求解最大匹配来确认目标关联轨迹，然后还引入了光流法来获取目标的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空频特征建模联合时域轨迹匹配的红外目标检测方法，其特征在于，包括步骤：提取红外图像序列的空域特征和频域特征；将提取到的空域特征和时域特征进行张量拼接并得到空频域目标检测概率热图；通过图匹配方法将相邻帧间的无人机目标关联成轨迹；利用光流法获得无人机目标运动信息，将其与轨迹融合，输出检测结果。2.根据权利要求1所述的基于空频特征建模联合时域轨迹匹配的红外目标检测方法，其特征在于：所述提取红外图像序列的空域特征采用密集连接的卷积神经网络与多区域通道模块相结合提取空域特征，所述多区域通道模块用于自动捕获不同通道之间的关键特征信息。3.根据权利要求1所述的基于空频特征建模联合时域轨迹匹配的红外目标检测方法，其特征在于：所述提取红外图像序列的频域特征从红外图像中提取空域特征易受图像中斑点噪声的影响，并通过引入频域信息作为网络分支之一，并采用基于离散余弦变换的频率特征提取与选择策略和空间下采样方法相结合实现对图像频域特征的补充抑制噪声干扰。4.根据...

【专利技术属性】
技术研发人员：段程鹏，胡炳樑，刘伟，王鹏，宋洁，
申请(专利权)人：西安中科立德红外科技有限公司，
类型：发明
国别省市：