基于多尺度特征融合的红外小目标检测和分类方法技术

本发明专利技术公开了基于多尺度特征融合的红外小目标检测和分类方法。首先根据红外小目标检测识别的任务目标，构建三分类红外图像小目标数据集；然后基于YOLOv5的先验知识设计用于红外目标检测的深度神经网络的拓扑结构Infra‑YOLO；最后基于自建的三分类红外图像小目标数据集，对提出的网络架构进行训练，获得单帧图像检测识别的模型。本发明专利技术方法能够有效提取红外图像中不同尺度大小目标的关键特征；不仅通过检测结果可视化来显示单帧红外图像中目标的位置信息和类别信息，而且以热力图的形式展示了特征图经过模型各模块显示的关键区域，可视化实验能更好地解释模型的决策过程，以此更好地辅助专业鉴定的过程。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，提供一种针对于红外图像的基于位置信息精炼和多尺度特征融合的小目标检测和分类方法。

技术介绍

1、目标检测一直是计算机视觉领域的重要研究课题，在交通、医疗和军事领域都起到了重要作用，目标检测算法从传统方法发展到基于神经网络的算法，促进了人工智能领域的发展。特别的，红外图像中的目标检测识别具有在昏暗环境中检测目标的能力，可以提高夜间和恶劣天气条件下的目标识别性能。该类算法的检测对象是红外图像，红外图像是通过红外热成像技术获取的，它是利用红外热像仪器将目标表面的温度分布转换成人眼可见的图像，并以不同颜色显示目标表面温度分布的技术。红外目标检测广泛应用于智能家居、安防监控和医疗等各类领域，可以提高安全性、生产效率和生活质量，为人类社会的发展做出贡献。与自然图像不同的是，红外图像的目标通常更小并且形状更模糊，这增加了在杂乱背景下识别此类目标的难度。现有的方法不能满足红外小目标的探测和分类的要求。

2、红外小目标探测遇到的挑战主要可归因于三个因素。首先，红外图像中的物体通常比自然图像中的物体小。由于尺寸经常低于10个像素，并且本文档来自技高网...

【技术保护点】

1.基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，步骤1具体方法如下：

3.根据权利要求1所述的基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，Infra-YOLO由三个部分组成：骨干网络、特征融合网络和检测网络；在骨干网络中，引入了位置信息精炼模块以加强小目标的位置信息关注度；所述的特征融合网络由三个相邻特征交叉融合模块组成，通过相邻特征交叉融合模块提取用于分类和回归任务的有效的信息，检测网络负责计算与目标检测和分类的损失；在检测网络中，使用基...

【技术特征摘要】

1.基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，步骤1具体方法如下：

3.根据权利要求1所述的基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，infra-yolo由三个部分组成：骨干网络、特征融合网络和检测网络；在骨干网络中，引入了位置信息精炼模块以加强小目标的位置信息关注度；所述的特征融合网络由三个相邻特征交叉融合模块组成，通过相邻特征交叉融合模块提取用于分类和回归任务的有效的信息，检测网络负责计算与目标检测和分类的损失；在检测网络中，使用基于锚点的方法并添加对目标中心点的损失监督函数来识别重叠模糊的小目标。

4.根据权利要求3所述的基于多尺度特征融合的红外小目标检测和分类方法，其特征在于，所述的骨干网络具体如下：模型输入的图片大小为640*640，通道数为3；图片的特征图通过focus网络后形状变为(320，320，12)，这分别表示特征图的宽、高和通道数；通过第一个卷积-归一化-激活函数结构，特征图增加通道信息后的特征形状为(320，320，64)，传入位置信息精炼模块后再不改变特征形状的同时细化了小目标位置信息，最后特征信息依次传入了四个卷积-归一化...

【专利技术属性】
技术研发人员：刘诗婕，罗臣琪，秦飞巍，王昌淼，葛瑞泉，彭勇，包建荣，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：