基于多维特征融合的海天场景红外小目标检测方法技术

本发明专利技术公开了红外目标检测技术领域的基于多维特征融合的海天场景红外小目标检测方法

【技术实现步骤摘要】
基于多维特征融合的海天场景红外小目标检测方法


[0001]本专利技术涉及红外目标检测
，具体地，涉及一种基于多维特征融合的海天场景红外小目标检测方法
。

技术介绍

[0002]红外小目标检测技术在海上防御和海上监视等领域具有广泛的应用
。
然而，远距离观测下，由于目标距离观测设备较远，红外小目标在图像中占据很少的像素，表现为斑状甚至是点状，缺乏有效的外形特征，并且缺乏常见物体的纹理
、
颜色和形状等特征，加上复杂背景的干扰，导致海天场景下的弱小目标检测面临极大的困难
。
[0003]红外小目标检测技术主要分为传统算法与深度学习算法，由于海面目标及场景的复杂多变，传统的算法适应性较差
。
不同于传统算法依靠手工设计特征，深度学习依靠海量数据来学习目标特征，在通用数据集上的目标检测的速度与精度方面都取得了十分亮眼的成绩
。
然而，目前基于深度学习的小目标检测算法大多采用的是非海面场景的数据集进行训练的，由于海面目标及背景的特殊性，直接将通过非海面小目标检测数据集训练的模型用于海面小目标检测，检测效果不佳
。
因此，亟需设计基于多维特征融合的海天场景红外小目标检测方法，提高海面场景下红外小目标的检测精度
。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的在于提供基于多维特征融合的海天场景红外小目标检测方法，解决现有技术中海面目标及场景的复杂多变，传统的算法适应性较差以及基于深度学习的小目标检测算法大多采用的是非海面场景的数据集进行训练，检测效果不佳的技术问题，由改进的
FPN
网络提取图像的语义信息，由梯度信息提取算子提取边缘信息，由改进的卷积模块提取细节信息，最后通过多维度信息提取模块将三种信息进行融合后经过分割模块得到含有目标信息的二值掩码图，有效提高海天场景下红外小目标的检测精度
。
[0005]为了实现上述目的，本专利技术的技术方案如下：
[0006]基于多维特征融合的海天场景红外小目标检测方法，包括以下步骤：
[0007]S1.
对输入红外图像通过语义信息
、
边缘信息
、
细节信息模块进行信息提取；
[0008]S2.
将多维度信息利用语义信息主导的动态权重分配机制进行特征优化和融合；
[0009]S3.
利用输出检测图生成
mask
掩码图
。
[0010]进一步的，所述
S1
包括以下步骤：
[0011]S11.
输入红外图像；
[0012]S12.
采用以
Resnet
‑
20
为骨干网络的
FPN
架构对输入的红外图像进行语义信息特征提取，依次得到第1，2，3模块处理后的特征
x2
，
x3
，
x4。
[0013]进一步的，所述
S2
包括以下步骤：
[0014]S21.
将得到的特征
x4
与特征
x3
通过多尺度特征融合模块
MSFM
进行信息融合，得到
特征
x5
；
[0015]S22.
将得到的特征
x5
与特征
x2
通过
MSFM
进行信息融合，得到特征
x6
；
[0016]S23.
通过边缘信息处理模块得到边缘信息特征
x7
；
[0017]S24.
通过细节信息处理模块得到细节信息特征
x8
；
[0018]S25.
通过多维度信息融合模块将语义信息
、
细节信息与边缘信息进行融合
。
[0019]进一步的，所述
S21
中多尺度特征融合模块
MSFM
进行信息融合的计算公式如下所示：
[0020][0021]F
D
＝
CA(F
D
)
＝
σ
(
β
(W2δ
(
β
(W1F
D
))))
[0022]α
＝
PA(F
M
)
＝
σ
((W2δ
(
β
(W1F
M
))))
[0023]其中，
σ
,
δ
,
β
,W,
分别代表
Sigmoid
函数，
ReLu
函数，批归一化，卷积操作，相加操作以及相乘操作，
F
D
代表含有语义信息的深层特征图，
F
S
代表含有细节信息的浅层特征图，
CA
代表通道注意力机制，
PA
代表像素注意力机制，
α
代表从深层特征图提取的引导信息融合的动态权重
。
[0024]进一步的，所述
S23
包括以下步骤：
[0025]S231.
计算水平梯度
X
i,v
和垂直梯度
X
i,h
；
[0026]x
i.v
＝
Conv2d(x
i
,kernel
v
)
[0027]x
i,h
＝
Conv2d(x
h
,kernel
h
)
[0028]其中，
Conv2d
表示二维卷积操作，
X
i
为第
i
个输入通道，
kernel
h
和
kernel
v
分别表示垂直卷积核和水平卷积核；
[0029]S232.
通过下述的总梯度
χ
i
计算公式，计算得出边缘信息特征图；
[0030][0031]进一步的，所述
S25
包括以下步骤：
[0032]S251.
；将提取的语义信息通过全局平均池化，卷积块，批归一化以及
Sigmoid
函数得到引导权重后，分别以此引导权重为基础，为边缘信息特征图与细节信息特征图分配不同权重，乘入边缘信息特征图与细节信息特征图；
[0033]过程公式如下：
[0034][0035]α
＝
SW(F
S
)
＝
σ
((
β
(Wf
D
)))...

【技术保护点】

【技术特征摘要】
1.
基于多维特征融合的海天场景红外小目标检测方法，其特征在于，包括以下步骤：
S1.
对输入红外图像通过语义信息
、
边缘信息
、
细节信息模块进行信息提取；
S2.
将多维度信息利用语义信息主导的动态权重分配机制进行特征优化和融合；
S3.
利用输出检测图生成
mask
掩码图
。2.
根据权利要求1所述的基于多维特征融合的海天场景红外小目标检测方法，其特征在于，所述
S1
包括以下步骤：
S11.
输入红外图像；
S12.
采用以
Resnet
‑
20
为骨干网络的
FPN
架构对输入的红外图像进行语义信息特征提取，依次得到第1，2，3模块处理后的特征
x2
，
x3
，
x4。3.
根据权利要求2所述的基于多维特征融合的海天场景红外小目标检测方法，其特征在于，所述
S2
包括以下步骤：
S21.
将得到的特征
x4
与特征
x3
通过多尺度特征融合模块
MSFM
进行信息融合，得到特征
x5
；
S22.
将得到的特征
x5
与特征
x2
通过
MSFM
进行信息融合，得到特征
x6
；
S23.
通过边缘信息处理模块得到边缘信息特征
x7
；
S24.
通过细节信息处理模块得到细节信息特征
x8
；
S25.
通过多维度信息融合模块
MDFM
将语义信息
、
细节信息与边缘信息进行融合
。4.
根据权利要求3所述的基于多维特征融合的海天场景红外小目标检测方法，其特征在于，所述
S21
中多尺度特征融合模块
MSFM
进行信息融合的计算公式如下所示：
F
M
＝
CA(F
D
)
＝
σ
(
β
(W
δ
(
β
(WF
D
))))
α
＝
PA(F
M
)
＝
σ
((W
δ
(
β
(WF
M
))))
其中，
σ
,
δ
,
β
,W,
分别代表
Sigmoid
函数，
ReLu
函数，批归一化，卷积操作，相加操作以及相乘操作，
F
D
代表含有语义信息的深层特征图，
F
S
代表含有细节信息的浅层特征图，
CA
代表通道注意力机制，
PA
代表像素注意力机制，
α
代表从深层特征图提取的引导信息融合的动态权重，
F
M
代表经过通道注意力后的
F
D
。5.
根据权利要求3所述的基于多维特征融合的海天场景红外小目标检测方法，其特征在于，所述
S23
包括以下步骤：
S231.

【专利技术属性】
技术研发人员：邓秋群，姚吉平，肖山竹，陶华敏，
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：