【技术实现步骤摘要】
本专利技术属于机器视觉与目标检测，尤其涉及一种基于改进yolov8的红外运动目标检测系统。
技术介绍
1、在飞行器目标检测领域，红外移动小物体的检测面临着巨大挑战。这类物体在红外图像中通常只占据少量像素，导致特征信息有限、特征损失较大、识别准确率低，以及单帧检测中的各种挑战。目前，红外小目标检测方法主要可以分为两大类：单帧检测方法和多帧检测方法。单帧检测方法适用于多种情况，目前是主流的方法类型，它使用单张图像进行目标检测。在单帧检测方法中，通常可以分为三类。第一类是基于形态学的方法，第二类是基于滤波器的方法。这两类方法计算效率比较高，但是很难针对不同的场景找到适合的模板或过滤器。第三类方法是基于离群点，这种方法将小目标视为显著图中的离群点，通过不同的技术来生成红外图像的显著图，然后通过某个阈值或规则将小目标作为离群点从显著图中筛选出来。这些方法在类似点状的背景特征和噪声干扰下，仍然具有较高的虚警率。
2、因此，多帧检测方法被广泛研究。多帧检测方法使用多帧图像进行检测，通过从连续帧中提取目标的运动时空信息实现目标检测，主要适用于运动目标的场景。多帧检测算法在很大程度上依赖于图像的特征提取。当图像特征提取的结果未能达到预期，或者当目标处于静止状态时，真实目标可能被错误地视为背景而被漏检或误判，从而降低了系统的稳定性。
3、针对特定场景选择合适的目标检测算法对于输入数据的合理处理至关重要。近年来，卷积神经网络(cnn)在计算机视觉领域取得了许多突破，与传统方法相比，这类方法在检测精度和鲁棒性方面具有较大优势。基
4、由于红外物体像素小、运动速度快、背景复杂等特点，yolov8模型在红外物体检测中可能会出现误检或漏检的情况。首先，单个输入无法携带运动信息，这可能导致大运动对象的对象检测性能下降。其次，在复杂背景下，该模型可能无法充分关注小物体的信息。第三，在复杂背景下，类似小物体的干扰程度较高，增加了误检的可能性。此外，小而暗的物体移动距离较长，容易导致检测遗漏。最后，红外运动小物体的特征受光照、温度等场景因素影响较大，可能会导致同一场景下的特征变化较大，检测难度不同。近年来，研究者们提出了各种改进的yolov8模型来解决红外运动目标检测的挑战。总结起来大体为几个方面。首先是对于目标检测模型结构的创新，包括多网络叠加使用和检测头的增减等；其次是对于注意力机制与卷积核等模块的替代与修改；最后还包括损失函数、训练方法、超参数设置等方面的创新。此外，在模型的快速训练、轻量化、输入类型等方面也逐步开展了研究。然而，现有方法没有考虑使用更合理的多输入组合来保证目标检测模型在保证实时效率的同时保持良好的检测性能。而且，多帧运动信息和原始帧信息的有效融合，以及特征提取失败后的模型鲁棒性也没有得到充分考虑。
5、同时，考虑到单帧检测方法的局限性，研究人员利用连续帧来提取有效的时空信息，以提高物体识别的准确性和效率。代表性地，guimin j等人使用惯性导航信息在连续帧间执行图像配准，图像配准能够抑制背景像素并且凸显出运动目标；yi x等人在视觉显著性模块之后使用了自适应局部对比度模块和时间相关性模块来检测红外小目标；zhang w等人把用卡尔曼滤波从多帧中提取的目标运动特征和显著图相结合，zhao f等人利用光流法和轨迹点的时空一致性检测红外小目标；kwan c等人使用光流从多帧中提取的运动特征来增强运动小目标检测性能。上述研究均利用背景抑制或光流方法处理多帧图像。尽管对象检测网络的输入包括运动信息，但原始帧的对象信息可能会丢失。对于复杂的背景，上述检测模型可能会错误地将具有显着运动的背景识别为物体。li d等人图像配准用于提取多帧运动信息，然后将其与原始图像一起用作红外物体检测的输入数据。然而，原始帧与背景抑制图像一起被馈送到对象检测网络，当原始帧单独可以达到令人满意的检测结果时，使用额外的输入数据可能会造成计算浪费。然而，现有方法没有考虑使用更合理的双输入组合来保证目标检测模型在保证实时效率的同时保持优异的检测性能。而且，多帧运动信息和原始帧信息的有效融合，以及背景抑制或光流方法失败后的模型鲁棒性也没有得到充分考虑。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于改进yolov8的红外运动目标检测系统，双输入处理模块根据前一帧和当前帧输出的检测置信度值决定是否为下一帧启用光流处理模块；根据该决定，双输入处理模块分别处理当前帧和光流处理图像，以此能够彻底整合和有效利用从多个输入端获取的信息，有效的提高了目标检测模型的检测性能，实现对红外移动小物体的高效、准确检测。
2、一种基于改进yolov8的红外运动目标检测系统，包括光流处理模块、双输入处理模块、目标检测模块、输出模块；
3、所述光流处理模块用于当输出模块输出的当前次迭代的检测置信度小于设定阈值时，采用改进的horn-schunck方法处理接收到的上一帧红外图像和当前帧红外图像，得到光流处理图像；
4、所述双输入处理模块用于对接收到的图像进行特征提取，得到融合特征图；其中，当输出模块输出的检测置信度小于设定阈值时，双输入处理模块接收到的图像为光流处理图像和当前帧红外图像，当输出模块输出的当前次迭代的检测置信度不小于设定阈值时，双输入处理模块接收到的图像仅为当前帧红外图像；
5、所述目标检测模块用于根据所述聚合特征图检测出当前帧红外图像中的红外运动目标及红外运动目标的检测置信度；
6、所述输出模块用于将当前帧红外图像对应的检测置信度与上一帧红外图像对应的检测置信度的均值作为下一次迭代的检测置信度。
7、进一步地，光流处理模块采用改进的horn-schunck方法处理接收到的上一帧红外图像和当前帧红外图像，得到光流处理图像具体为：
8、采用同一个卷积分别对上一帧红外图像的灰度图和当前帧红外图像的灰度图进行卷积操作，融合两帧红外图像对应的卷积结果，得到第一卷积灰度图；
9、采用相反的两个卷积分别对上一帧红外图像的灰度图和当前帧红外图像的灰度图进行卷积操作，融合两帧红外图像对应的卷积结果，得到第二卷积灰度图；
10、给u方向上的光流初始速度分量u(0)和v方向上的光流初始速度分量v(0)设定初始值；
11、将光流初始速度分量u(0)和光流初始速度分量v(0)作为以下光流方程迭代公式的初始值进行本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，包括光流处理模块、双输入处理模块、目标检测模块、输出模块；
2.如权利要求1所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，光流处理模块采用改进的Horn-Schunck方法处理接收到的上一帧红外图像和当前帧红外图像，得到光流处理图像具体为：
3.如权利要求2所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，令α1＝α2，则将第一权重ω1(x,y)和第二权重ω2(x,y)化简为如下分段函数ω(x,y)：
4.如权利要求1所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，所述双输入处理模块包括第一Focus子模块、第二Focus子模块、最大值池化层Maxpool、平均值池化层Avgpool、第一Concat子模块、第二Concat子模块、第一CBS卷积子模块、第二CBS卷积子模块；
5.如权利要求1所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，所述目标检测模块为改进的YOLOv8网络模型，且改进的YOL
6.如权利要求1所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，所述目标检测模块为改进的YOLOv8网络模型，且改进的YOLOv8网络模型包括Backbone子网络、Neck子网络、Head子网络；
7.如权利要求5或6所述的一种基于改进YOLOv8的红外运动目标检测系统，其特征在于，采用WIoU v3函数作为训练改进的YOLOv8网络模型的边界框回归损失函数。
...【技术特征摘要】
1.一种基于改进yolov8的红外运动目标检测系统，其特征在于，包括光流处理模块、双输入处理模块、目标检测模块、输出模块；
2.如权利要求1所述的一种基于改进yolov8的红外运动目标检测系统，其特征在于，光流处理模块采用改进的horn-schunck方法处理接收到的上一帧红外图像和当前帧红外图像，得到光流处理图像具体为：
3.如权利要求2所述的一种基于改进yolov8的红外运动目标检测系统，其特征在于，令α1＝α2，则将第一权重ω1(x,y)和第二权重ω2(x,y)化简为如下分段函数ω(x,y)：
4.如权利要求1所述的一种基于改进yolov8的红外运动目标检测系统，其特征在于，所述双输入处理模块包括第一focus子模块、第二focus子模块、最大值池化层maxpool、平均值池化层avgpool、第一concat子模块、第二concat子模块、第一cbs卷积子模块、第二cbs卷积子模块；
5.如权利要求1所述的...
【专利技术属性】
技术研发人员：孙世尊，莫波，赵洁，许俊伟，贾国梁，韩硕，赵春博，李大维，赵冬晖，袁泽坤，
申请(专利权)人：北京理工大学，
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。