一种基于多帧差分的红外小目标智能检测方法技术

本申请公开了一种基于多帧差分的红外小目标智能检测方法，涉及序列图像检测技术领域，包括：确定出红外序列图像中待检测的当前帧图像，并从所述红外序列图像中筛选出若干与所述当前帧图像满足预设帧间隔的图像帧以得到图像帧集合；基于所述当前帧图像对所述图像帧集合中的所有图像帧进行配准以得到若干帧配准图，并将所述当前帧图像分别与每一所述配准图进行帧差操作，以得到若干个帧差图像；按照序列顺序将若干个所述帧差图像进行叠加以得到所述当前帧图像的差分图像，并将所述差分图像输入至预先构建的语义分割网络中，以输出小目标检测结果。本申请能够提高红外序列图像小目标检测的检测性能和准确度。小目标检测的检测性能和准确度。小目标检测的检测性能和准确度。

【技术实现步骤摘要】
一种基于多帧差分的红外小目标智能检测方法


[0001]本专利技术涉及序列图像检测
，特别涉及一种基于多帧差分的红外小目标智能检测方法。

技术介绍

[0002]随着红外成像技术的发展，红外小目标检测技术可用于无人机和舰船的检测，也可用于自动驾驶领域及行人检测，故该技术具有广泛的应用范围。红外序列图像由若干个时域连续的单帧图像组成，对于红外序列图像而言，除了单帧图像中的空域信息外，目标在时域剖面上的运动特征也是目标检测中被判决的重要依据。
[0003]传统目标检测已经很成熟，一般经历背景抑制、阈值分割、目标检测三个步骤，传统序列小目标检测处理方法有基于时域和空域的滤波，其中空域滤波针对不同的背景特征性能差异较大，不易于处理复杂背景，泛化能力弱，往往需要针对不同的目标和背景手动调参；时域滤波主要采用帧差法原理，检测结果会出现背景错位、重复计算、误差较大等问题。
[0004]相较于传统方法，目前深度学习方法在目标检测领域应用更为广泛。深度学习能通过神经网络学习图像的特征对网络参数进行主动优化，随着深度学习发展，基于深度学习的目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多帧差分的红外小目标智能检测方法，其特征在于，包括：确定出红外序列图像中待检测的当前帧图像，并从所述红外序列图像中筛选出若干与所述当前帧图像满足预设帧间隔的图像帧以得到图像帧集合；基于所述当前帧图像对所述图像帧集合中的所有图像帧进行配准以得到若干帧配准图，并将所述当前帧图像分别与每一所述配准图进行帧差操作，以得到若干个帧差图像；按照序列顺序将若干个所述帧差图像进行叠加以得到所述当前帧图像的差分图像，并将所述差分图像输入至预先构建的语义分割网络中，以输出小目标检测结果。2.根据权利要求1所述的基于多帧差分的红外小目标智能检测方法，其特征在于，所述基于所述当前帧图像对所述图像帧集合中的所有图像帧进行配准以得到若干帧配准图，包括：将所述当前帧图像作为配准操作的参考图像；利用尺度不变特征变换算法将所述图像帧集合中的所有图像帧基于所述参考图像进行配准，以得到若干帧配准图。3.根据权利要求1所述的基于多帧差分的红外小目标智能检测方法，其特征在于，所述将所述当前帧图像分别与每一所述配准图进行帧差操作，以得到若干个帧差图像的过程中，还包括：确定帧差操作中所述当前帧图像与所述配准图的帧差结果为负值的目标区域，并将所述目标区域的灰度值设置为零。4.根据权利要求1所述的基于多帧差分的红外小目标智能检测方法，其特征在于，所述按照序列顺序将若干个所述帧差图像进行叠加以得到所述当前帧图像的差分图像，包括：按照序列顺序将若干个所述帧差图像的像素值进行按位与操作，以得到所述当前帧图像的差分图像。5.根据权利要求1至4任一项所述的基于多帧差分的红外小目标智能检测方法，其特征在于，还包括：预先基于下采样模型、上采样模型、空间注意力门模型和损失补偿模型构建所述语义分割网络。6.根据权利要求5所述的基于多帧差分的红外小目标智能检测方法，其特征在于，所述将所述差分图像输入至预先构建的语义分割网络中，以输出小目标检测结果，包括：利用所述下采样模型对输入的所述差分图像进行预设次数的下采样处理，以得到对应的下采样图像；利用所述空间注意力门模型和所述上采样模型对所述下采样图像进行处理以得到对应的图像处理结果；利用所述损失补偿模型对所述图像...

【专利技术属性】
技术研发人员：安玮，李淼，胡铭原，凌强，林再平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：