融合RPCA及深度学习的红外弱小目标检测方法及装置制造方法及图纸

本发明专利技术提出了一种融合RPCA及深度学习的红外弱小目标检测方法及装置，方法包括：获取红外图像，红外图像中包括至少一检测目标；基于配置的鲁棒主成分分析算法，对红外图像进行空间位置提取，以获取检测目标的粗候选区域；对红外图像进行语义增强处理，以获取检测目标的语义信息特征；利用预先配置的定义分类模型，基于粗候选区域以及语义信息特征，确定检测目标对应的位置信息和类别信息。本发明专利技术实施例提出的方法，以目标检测框架为基础，构建鲁棒主成分分析模型和深度学习模型相融合的框架结构，有效提升了目标的检测准确率和快速稳定跟踪能力。定跟踪能力。定跟踪能力。

【技术实现步骤摘要】
融合RPCA及深度学习的红外弱小目标检测方法及装置


[0001]本专利技术涉及红外与可见光图像检测
，尤其涉及一种融合RPCA及深度学习的红外弱小目标检测方法及装置。

技术介绍

[0002]现有针对红外弱小目标检测技术的研究主要分为两种：基于传统特征工程和基于深度学习。基于深度学习的目标检测方法主要适应于空间占比适中或较大的目标，为了能提高目标检测的精度，通常采用深度网络实现目标潜在特征的有效提取，对于红外弱小目标而言，随着网络层数的增加，尽管能够获得有利于判别目标类别的高层语义特征，但由于小目标的特性，检测目标在原始图像中占比极少，颜色形态信息模糊，基于深度学习模型的小目标定位与识别准确率相较其他目标检测结果大幅下降。另外一种传统的基于模型的目标检测方法，尽管能稳定地定位弱小目标在图像中的空间位置，但需更多地依赖专家知识、人工提取的有限特征，来设计分类器辨别目标的类别，存在目标类型识别精度欠佳的问题。

技术实现思路

[0003]本专利技术采用的技术方案是，如何解决现有技术中存在虚警和漏检率高、目标跟踪抗干扰性和实时性差等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合RPCA及深度学习的红外弱小目标检测方法，其特征在于，包括：步骤S1，获取红外图像，所述红外图像中包括至少一检测目标；步骤S2，基于配置的鲁棒主成分分析算法，对所述红外图像进行空间位置提取，以获取所述检测目标的粗候选区域；步骤S3，对所述红外图像进行语义增强处理，以获取所述检测目标的语义信息特征；步骤S4，利用预先配置的定义分类模型，基于所述粗候选区域以及所述语义信息特征，确定所述检测目标对应的位置信息和类别信息。2.根据权利要求1所述的融合RPCA及深度学习的红外弱小目标检测方法，其特征在于，所述步骤S2包括：基于所述红外图像构建对应的三维张量；利用所述三维张量，构建鲁棒主成分分析模型；利用所述鲁棒主成分分析模型，确定所述检测目标的粗候选区域。3.根据权利要求2所述的融合RPCA及深度学习的红外弱小目标检测方法，其特征在于，所述步骤S3包括：对所述红外图像进行预处理；利用预先配置特征提取网络，对当前红外图像进行特征提取，其中，所述特征提取网络是以金字塔网络框架为主网络，ResNet
‑
20作为骨干架构；利用预先配置的上下文调制算法，对当前提取的特征进行多尺度特征融合，以获取所述检测目标对应的语义信息特征。4.根据权利要求3所述的融合RPCA及深度学习的红外弱小目标检测方法，其特征在于，所述步骤S4包括：基于配置的RPN、RoI Pooling、分类和回归三个结构层依次对所述粗候选区域以及所述语义信息特征进行处理。5.一种融合RPCA及深度学习的红外弱小目标检测装置，其特征在于，包括：获取单元，被配置为获取红外图像，所述红外图像中包括至少一检测目标；空间信息增强单元，被配置为基于配置的鲁棒主成分分析算法，对所述红外图像进行空间位置提取，以获取所述检测目标的粗候选区域；语义...

【专利技术属性】
技术研发人员：凡叔军，马兴民，杨晓梅，杨馨雨，李奕洁，臧义华，李雪扬，陈莉莉，李宏菲，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：