【技术实现步骤摘要】
本专利技术涉及军事追踪领域，尤其涉及一种用于红外图像的弱小目标检测与跟踪方法、设备及存储介质。
技术介绍
1、近年来随着军事技术的快速发展，军事武器的力量得到了大幅度的提升。其中战斗机和精确制导在战场上发挥着重要的作用，同时也对安全构成了严重的威胁。在现代战争中，远程导弹、轰炸机等破坏性极强的武器装备，会被用于破坏对方重要军事基地及设施。在双方的作战人员进入战区之前，就先发动远程导弹、轰炸机对敌区的重要军事基地以及其他建筑物进行轰炸，这会对敌方的军事区域先造成伤害。因此如何及时地对这些空袭导弹、轰炸机进行检测与跟踪并且采取有效的防御措施对保卫军事基地及祖国的安全有着重要的意义。
2、在现代军事中，必须在足够远的距离发现目标，防御系统才有足够的反应时间。因此要求预警系统能够尽早的发现敌方目标，这就要求系统的检测距离越远越好。距离越远，目标在红外成像系统上的成像面积就越小，越容易受到噪声和杂波干扰，对应的检测和跟踪难度也就越大。并且采用红外图像还有很多难题需要解决，例如由于检测设备距离很远，导致目标缺乏纹理、尺寸和结构等重要信息。另外红外较低的对比度以及可能发生的背景(云层、地物)遮挡和类干扰，这些状况都有可能使弱小的目标信息被淹没在背景杂波和噪声中。
3、传统的红外图像弱小目标检测方法通常依赖于人工的参数选择和手动调试例如目标分割的阈值、目标检测的灵敏度等，并且使用一些先验知识比如将小目标假设为高斯分布、将图像的背景空间假设具有一致性等。这些方法在背景复杂、信噪比低的场景下检测性能较差。目前传统方法正在被深
技术实现思路
1、为了解决红外成像系统检测和跟踪中噪声和杂波干扰的问题，本专利技术提供了一种用于红外图像的弱小目标检测与跟踪方法、设备及存储介质，方法主要包括以下步骤：
2、s1、逐帧输入序列红外图像作为原始图像，并分别进行两种预处理；
3、s2、将预处理后的图像和原始图像一同送入u型目标检测网络中获取检测目标；
4、s3、使用匈牙利算法对检测目标和跟踪器进行匹配，得到匹配结果；
5、s4、从匹配结果中筛选有效目标；
6、s5、对有效目标使用卡尔曼滤波改进的管道滤波器，弹出目标输出检测图像。
7、进一步地，预处理包括二阶拉普拉斯算子和lbp，同时分别进行，用于增强图片的信噪比；
8、二维离散拉普拉斯算子的表达式为：
9、
10、表达式中(x，y)代表图像中像素点的位置，f(x,y)代表图像中像素点的强度，为二阶拉普拉斯算子计算的结果；拉普拉斯算子强调图像中的高频变化，会在图像边缘上产生较强的响应，以此突出原始图像边缘特征；
11、lbp用于获取图像的纹理特征，基本计算公式如下：
12、
13、
14、其中，bp代表领域像素点p与中心点c的强度比较结果；(xc,yc)代表中心像素点，(xp,yp)为邻域像素点，领域像素点是以中心点为中心的一个正方形区域内的像素点；lbpf(xc,yc)代表图像中中心点的lbp值，是将bp转换为十进制数的结果。
15、进一步地，u形目标检测网络由编码器-swin transformer模块-解码器群双层结构、独立解码器和分类器组成，双层结构通过编码器以及解码器群的最后一个解码器相互联系。
16、编码器结构为一个卷积层后连接归一化层，再连接一个relu激活函数；卷积层使用3x3的卷积核，步幅为2进行下采样，减小特征图的空间尺寸，归一化层对卷积层的输出进行批归一化，加速训练过程并提高模型的稳定性，后通过relu激活函数将第一个卷积层的输出进行非线性激活。
17、swin transformer模块包括linear embedding、patch merging、swintransformer block、残差连接和层归一化模块ln，swin transformer block由基于移位窗口的多头自注意力模块msa和多层感知机mlp构成；将在第一个阶段，输入特征图，将张量划分为固定大小的张量块，每个张量块被展平通过一个3x3卷积层将其转换为嵌入向量，通过linear embedding调整特征通道数，然后进入swin transformer block模块，ln归一化每个msa模块和mlp模块，后续三个阶段，替换linear embedding为patch merging进行降采样，减小特征图的空间分辨率，后续重复相同的操作。
18、解码器使用的是亚像素卷积方法，具体的运行过程为：将输入的通道按照上采样因子进行重排，每个通道将通道内元素分割成大小为上采样因子的块，并将块重排至新的通道中，使得每个通道的特征图分割成多个子图，对通道重排后的结果进行重塑，对重塑后的结果进行卷积操作，提取更高级的特征，将卷积后的结果的通道进行合并，得到高分辨率特征图。
19、分类器的具体运行过程为：将特征图输入第一个卷积层，卷积核为3x3，填充为1，步长为1，然后对第一个卷积层的输出进行批归一化，进而对批归一化后的结果进行relu激活，随之将relu激活后的特征图送入第二个卷积层，卷积核为3x3，填充为1，步长为1，最后得到原始图像的小目标热图，通过阈值分割取得热图的中心位置作为图像中的小目标具体位置。
20、进一步地，步骤s2具体为：
21、s21、输入预处理后的图像和原始图像输入第一层编码器，提取不同深度的特征信息并且过滤部分背景噪声以突出目标，并将第一层编码器的输出作为第二层编码器的输入，获取输出结果；
22、s22、分别将编码器的输出结果作为当层连接的swin transformer模块的输入，整合全局信息和局部信息；
23、s23、编码器群对swin transformer模块的输出信息按连接顺序依次解码，将低分辨率的抽象特征映射逐步转化为与输入图像相匹配的高分辨率特征；
24、第一层编码器当层的解码器群的最后一个解码器输入为连接的当层解码器以及第二层编码器群的最后一个解码器的输出，最后将其输出结果输入双层结构外的独立解码器，得到高分辨率特征；
25、s24、分类器将独立解码器提取的高分辨率特征进行分类，得到图像中小目标的位置。
26、进一步地，步骤s3具体为：
27、选取序列中的图像的及其上一帧图像的小目标的位置，使用匈牙利匹配算法匹配关联两张图像中的同一目标：
28、s31、创建一个二维矩阵为成本矩阵，其中，成本矩阵的行表示当前帧的检测目标，列表示上一帧的跟踪目标，元素记录当前帧检测的目标与上一帧检测目标关联的成本，成本使用欧氏距离；初始化一个与成本矩阵大小相同、元素全为0的矩阵作为标记矩阵；
29、s32、在成本矩阵中对于每一行，找到该行的最小值，并将该行的所有元素减去该最小值；
30、s33、在成本矩阵中对于每一列本文档来自技高网...
【技术保护点】
1.一种序列红外图像的小目标检测与跟踪方法，其特征在于，具体步骤包括：
2.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，所述预处理包括二阶拉普拉斯算子和LBP，同时分别进行，用于增强图片的信噪比；
3.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，所述U形目标检测网络由编码器-Swin transformer模块-解码器群双层结构、独立解码器和分类器组成，双层结构通过编码器以及解码器群的最后一个解码器相互联系；
4.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，步骤S2具体为：
5.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，步骤S3具体为：
6.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，所述匹配结果为三种情况，分别是未匹配的跟踪器、未匹配的目标和匹配的目标；匹配的目标为算法结束后成本矩阵中0元素对应的行列目标。
7.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方
8.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，步骤S5具体为：
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～8任一项所述的一种用于红外图像的弱小目标检测与跟踪方法。
10.一种计算机设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～8任一项所述的一种用于红外图像的弱小目标检测与跟踪方法。
...【技术特征摘要】
1.一种序列红外图像的小目标检测与跟踪方法，其特征在于，具体步骤包括：
2.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，所述预处理包括二阶拉普拉斯算子和lbp，同时分别进行，用于增强图片的信噪比；
3.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，所述u形目标检测网络由编码器-swin transformer模块-解码器群双层结构、独立解码器和分类器组成，双层结构通过编码器以及解码器群的最后一个解码器相互联系；
4.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，步骤s2具体为：
5.如权利要求1所述的一种用于红外图像的弱小目标检测与跟踪方法，其特征在于，步骤s3具体为：
6.如权利要求1...
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。