【技术实现步骤摘要】
本专利技术涉及红外图像目标检测，尤其涉及一种实时红外图像目标检测方法、装置、设备及存储介质。
技术介绍
1、红外图像目标检测是一种利用红外传感器获取的红外图像数据进行目标识别和检测的技术。与可见光图像相比，红外图像能够在低照度、夜间或恶劣天气条件下提供更好的目标检测性能。红外图像目标检测具有广泛的应用领域，包括军事、安防、航空航天和环境监测等。在军事侦察和安防监控等应用场景中，目标检测的实时性是至关重要的。然而，目前的红外图像目标检测方法难以在运算快速性和性能鲁棒性之间取得平衡。因此，如何在保持准确性的同时提高算法的实时性仍然是一项挑战。
2、中国授权公告号为“cn116012659b”，名称为“一种红外目标检测方法、装置、电子设备及存储介质”，该方法首先对红外图像进行目标增强，检测增强图像的候选区域，计算候选区域的特征向量，将特征向量输入至预先构建的分类网络，得到候选区域为红外目标的概率和候选区域为非红外目标的概率；该目标检测方法采用目标增强的方法提高检测准确率，存在检测效率低的问题。
3、综上所述，如何设计一种新型的检测方法，以解决了现有的红外图像目标检测精度不够高以及检测实时性不强的问题，是目前本领域技术人员亟待解决的问题。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种实时红外图像目标检测方法、装置、设备及存储介质，旨在设计一种新型的检测方法，使得红外图像目标检测能够在保持较高检测精度的同时具有更快的检测速度。
2、本专利技术解
3、1）准备训练数据：
4、将数据集划分为训练集、验证集和测试集；
5、对训练集中的原图像和其对应标签进行预处理；
6、2）构建网络模型：
7、网络模型包括三个编码器、信息聚合模块和解码器；
8、三个编码器分别用于提取图像的边缘信息、细节信息和语义信息；信息聚合模块用于有效地在网络中多个尺度上聚合三个编码器提取的特征图；解码器用于输出检测的结果图；
9、3）训练网络模型：
10、选择损失函数开始网络训练，最小化输出检测结果框与真实标签的损失函数值，直到训练次数达到初始设定阈值或损失函数的值达到预设范围时，网络模型训练完成，保存网络模型参数；
11、4）微调网络模型：
12、使用验证集对网络模型进行调整，优化网络模型参数。
13、进一步地，所述准备训练数据的步骤中，
14、数据集为红外图像flir数据集，对红外图像经过高斯拉普拉斯算子得到梯度图像，对红外图像进行降采样操作得到原图像的1/2分辨率图，通过裁剪和尺寸变化等预处理将训练图像尺寸调整为416416。
15、进一步地，所述构建网络模型的步骤中，
16、三个编码器分别为第一编码器、第二编码器、第三编码器，第一编码器由卷积块一、卷积块二和卷积三组成；第二编码器由卷积块四、卷积块五和卷积六组成；第三编码器由卷积块七、卷积块八、卷积块九、卷积块十和卷积块十一和一个上采样层组成；
17、其中，第三编码器中的上采样层是亚像素卷积上采样；所有卷积块的组成结构相同，包括卷积层、归一化层和激活函数。
18、进一步地，所述构建网络模型的步骤中，所述信息聚合模块由聚合模块一、聚合模块二、聚合模块三和聚合模块四组成；所有聚合模块组成结构相同，由全局平均池化、空洞卷积层、11卷积层、激活函数、s函数、连接操作、矩阵乘法操作和矩阵对应元素相乘操作组成。
19、进一步地，所述构建网络模型的步骤中，所述解码器由yolov5网络的预训练完成的检测头组成；检测头由一组包含卷积层和激活函数的卷积块和全连接层组成；所有卷积层的卷积核大小为nn，所有激活函数均使用线性整流函数。
20、进一步地，所述训练网络模型的步骤中，
21、所述损失函数为复合损失函数，包括目标检测位置损失、目标检测存在性损失、目标分类损失和候选框坐标损失；位置损失采用均方误差作为位置偏差度量，目标存在性损失采用二元交叉熵损失度量，目标分类损失采用多类别交叉熵损失度量，候选框坐标损失采用均方误差度量，总损失由上述损失加权组合来计算。
22、进一步地，所述微调网络模型步骤之后还包括：
23、5）固化网络模型：
24、固定网络模型的网络参数，确定最终的红外图像目标检测模型.
25、为解决上述技术问题，本专利技术还提出一种实时红外图像目标检测装置，所述实时红外图像目标检测装置包括：
26、图像获取模块：用于处理输入的原红外图像，获取后续模块可处理的图像；获取方式其一是对输入原红外图像应用高斯拉普拉斯算子获取梯度图，其二是对输入原红外图像进行下采样操作，获取其1/2分辨率图；
27、图像处理模块：用于处理提取红外图像中的目标特征；包括第一编码器、第二编码器、第三编码器及信息聚合模块，第一编码器处理提取图像获取模块输出的梯度图，第二编码器处理提取原图像，第三编码器处理提取图像获取模块输出的1/2分辨率图，信息聚合模块在多个不同尺度上聚合三个编码器提取的红外图像目标特征信息；
28、图像输出模块：用于输出预测特征图；包括解码器。
29、为解决上述技术问题，本专利技术还提出一种计算机设备，所述计算机设备包括输入/输出单元、中央处理器、存储器，以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的一种实时红外图像目标检测方法的步骤。
30、为解决上述技术问题，本专利技术还提出一种计算机存储介质，所述计算机存储介质存储有计算机可执行程序代码，所述代码运行时，实现如上所述的一种实时红外图像目标检测方法的步骤。
31、与现有技术相比，本专利技术提供了一种实时红外图像目标检测方法、装置、设备及存储介质，具备以下有益效果：
32、1、本专利技术提供的一种实时红外图像目标检测方法，设计了一种信息聚合模块，在聚合模块中使用了注意力机制设计，用以捕获全局特征信息后为重要通道分配更高权重信息，在保留各自特性的前提下，从多个尺度上聚合了所输入支路的特征图，提高了网络的特征提取能力，从而有效提高检测结果的精度；
33、2、本专利技术提供的一种实时红外图像目标检测方法，在第三编码器的上采样层采用亚像素卷积上采样操作，可以更平滑地恢复上采样图像的细节，减少失真和模糊，提升特征图的表示能力，从而提高检测的精度；
34、3、本专利技术提供的一种实时红外图像目标检测方法，在设计的卷积块中添加跳跃连接，减少了网络参数，从而使得整个网络的深度变浅且更为轻量，有助于提升检测过程中的网络推理速度；
35、4、本专利技术提供的一种实时红外图像目标检测装置，在图像处理模块中设计了一种新型的多支路结构的红外图像目标检测框架，充分利用了输本文档来自技高网...
【技术保护点】
1.一种实时红外图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的实时红外图像目标检测方法，其特征在于，所述准备训练数据的步骤中，
3.根据权利要求1所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，
4.根据权利要求3所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，所述信息聚合模块由聚合模块一、聚合模块二、聚合模块三和聚合模块四组成；所有聚合模块组成结构相同，由全局平均池化、空洞卷积层、11卷积层、激活函数、S函数、连接操作、矩阵乘法操作和矩阵对应元素相乘操作组成。
5.根据权利要求4所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，所述解码器由yolov5网络的预训练完成的检测头组成；检测头由一组包含卷积层和激活函数的卷积块和全连接层组成；所有卷积层的卷积核大小为nn，所有激活函数均使用线性整流函数。
6.根据权利要求1所述的实时红外图像目标检测方法，其特征在于，所述训练网络模型的步骤中，
7.根据权利要求1所述的实时红外图
8.一种实时红外图像目标检测装置，其特征在于，所述实时红外图像目标检测装置包括：
9.一种计算机设备，其特征在于：所述计算机设备包括输入/输出单元、中央处理器、存储器，以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的一种实时红外图像目标检测方法的步骤。
10.一种计算机存储介质，其特征在于：所述计算机存储介质存储有计算机可执行程序代码，所述代码运行时，实现如权利要求1至7中任一项所述的一种实时红外图像目标检测方法的步骤。
...【技术特征摘要】
1.一种实时红外图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的实时红外图像目标检测方法，其特征在于，所述准备训练数据的步骤中，
3.根据权利要求1所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，
4.根据权利要求3所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，所述信息聚合模块由聚合模块一、聚合模块二、聚合模块三和聚合模块四组成；所有聚合模块组成结构相同，由全局平均池化、空洞卷积层、11卷积层、激活函数、s函数、连接操作、矩阵乘法操作和矩阵对应元素相乘操作组成。
5.根据权利要求4所述的实时红外图像目标检测方法，其特征在于，所述构建网络模型的步骤中，所述解码器由yolov5网络的预训练完成的检测头组成；检测头由一组包含卷积层和激活函数的卷积块和全连接层组成；所有卷积层的卷积...
【专利技术属性】
技术研发人员：郝子强，蒋政，池守鑫，徐小雨，孙志成，张佳鑫，张競文，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。