[發(fā)明專利]一種基于特征映射神經(jīng)網(wǎng)絡(luò)的弱小目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 201810729648.0
• 申請日: 2018-07-05
• 公開（公告）號: CN109002848B
• 公開（公告）日: 2021-11-05
• 發(fā)明（設(shè)計）人: 謝春芝;高志升
• 申請（專利權(quán)）人: 西華大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/40
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 鄒敏菲;吳靜宜

本發(fā)明公開了一種基于特征映射神經(jīng)網(wǎng)絡(luò)的弱小目標(biāo)檢測方法，涉及弱小目標(biāo)檢測領(lǐng)域；其包括步驟1：構(gòu)建、訓(xùn)練紡錘型深度神經(jīng)網(wǎng)絡(luò)；步驟2：將采集的弱小目標(biāo)圖像輸入已訓(xùn)練的紡錘型深度神經(jīng)網(wǎng)絡(luò)獲取目標(biāo)增強和背景抑制的幅值圖；步驟3：幅值圖采用恒虛警率方法完成弱小目標(biāo)檢測。本發(fā)明采用紡錘形網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)強大的表示能力，解決了現(xiàn)有弱小目標(biāo)受噪聲和干擾影響導(dǎo)致檢測精度低的問題，達(dá)到了提高網(wǎng)絡(luò)強大的表示能力，在高噪聲環(huán)境下，提高弱小目標(biāo)檢測精度的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及弱小目標(biāo)檢測領(lǐng)域，尤其是一種基于特征映射神經(jīng)網(wǎng)絡(luò)的弱小目標(biāo)檢測方法。

背景技術(shù)

被動毫米波PMMW和紅外成像具有無輻射、穿透能力強的優(yōu)良特性，其在軍事領(lǐng)域中的應(yīng)用日益受到關(guān)注，因此在毫米波和紅外成像下對弱小目標(biāo)檢測進行研究具有十分重要的意義。弱小目標(biāo)檢測技術(shù)近年來得到了快速發(fā)展，弱小目標(biāo)指直徑為3-5個像素的目標(biāo)，但針對毫米波和紅外成像條件下弱小目標(biāo)高精度檢測依然面臨極大的困難：首先，目標(biāo)的成像距離一般較遠(yuǎn)，所檢測到的目標(biāo)面積較小，信噪比較低，無紋理特征可提取；第二，目標(biāo)成像通常受到復(fù)雜背景的干擾，大量的雜波、噪聲，還有一些邊緣信息如：云邊緣、海天基線、建筑物邊緣等的存在，造成了目標(biāo)淹沒于背景之中。

針對弱小目標(biāo)檢測，近年來學(xué)術(shù)界提出了一系列檢測方法；背景抑制方法是弱小目標(biāo)檢測中最常見的方法，該方法通過估計待檢測圖像的背景，在此基礎(chǔ)上進行目標(biāo)檢測。它主要分為三類檢測方法：第一類是基于濾波的方法，通過圖像濾波來估計背景，最終使目標(biāo)得到增強；其在背景較簡單的情況下抑制背景的效果較好，在背景較復(fù)雜、信噪比較低的情況，虛警概率增高，檢測精度下降；第二類是基于回歸的方法，回歸方法又可以分為線性回歸和非線性回歸，經(jīng)典的線性回歸方法依賴于特定的背景雜波模型和尋求假設(shè)模型的參數(shù)估計；而非線性回歸方法僅依賴于數(shù)據(jù)本身來估計回歸函數(shù)；核回歸算法NRRKR為典型的非線性回歸算法；在實際應(yīng)用中，由于缺乏背景雜波的先驗知識，非線性回歸方法更適合復(fù)雜背景條件下弱小目標(biāo)的檢測，但其存在明顯的不足：每一個局部區(qū)域都需要進行多次回歸迭代，整體算法效率極低；第三類方法是依據(jù)局部對比度差異對背景進行抑制，對目標(biāo)進行增強，完成對目標(biāo)的檢測。這類方法在背景較簡單的情況下檢測效果較好，而在復(fù)雜背景下容易增加虛警目標(biāo)數(shù)量且易受噪聲的影響。

除了背景抑制方法外，還有一種基于機器學(xué)習(xí)的檢測方法，該類方法用模式分類的思想去解決目標(biāo)檢測問題，它分別對目標(biāo)和背景進行訓(xùn)練建模，然后根據(jù)判別規(guī)則判定測試圖像的子圖像塊是否含有目標(biāo)，如NLPCA、SPCA、FLD等。后來，隨著稀疏表示理論的出現(xiàn)，為解決弱小目標(biāo)檢測問題帶來了新的方法。基于圖像稀疏表示的紅外弱小目標(biāo)檢測算法SR，該方法采用二元高斯模型生成目標(biāo)字典，繼而通過背景子塊與目標(biāo)子塊在目標(biāo)字典中稀疏系數(shù)的差異來判斷目標(biāo)的位置。高斯字典作為典型的結(jié)構(gòu)化過完備字典只適用于高斯分布的弱小目標(biāo)，而對于非結(jié)構(gòu)性的目標(biāo)，其稀疏表示系數(shù)不足以區(qū)分目標(biāo)和背景雜波。后來，王等人提出了多尺度自適應(yīng)形態(tài)的稀疏字典來檢測弱小目標(biāo)，通過采用不同大小的原子來描述圖像的不同成分，捕獲圖像更為細(xì)微的局部特征，提高檢測精度；接著，陳等人提出了基于稀疏度的方法，該方法以離線學(xué)習(xí)的方式手動構(gòu)造有區(qū)別性的雙字典來提高稀疏表示的差異；后來，有人提出的新方法：基于空時聯(lián)合稀疏重構(gòu)弱小運動目標(biāo)檢測算法STCSR，該方法首先通過學(xué)習(xí)序列圖像的內(nèi)容構(gòu)建自適應(yīng)型態(tài)過完備空時字典，然后利用多元高斯模型從過完備字典中提取出目標(biāo)空時字典和背景空時字典，將多幀圖像分別在目標(biāo)空時字典和背景空時字典進行稀疏重構(gòu)，利用重構(gòu)差異來區(qū)分目標(biāo)和背景。針對該方法在字典學(xué)習(xí)方面的不足，有人提出了改進的ISR方法，該方法提出一種顯著背景和目標(biāo)雙字典構(gòu)造方法，具有更好的目標(biāo)和背景建模能力。以上方法都在一定程度上提高了檢測精度，但上述方法均存在缺點：一方面容易受到噪聲的干擾，另一方面目標(biāo)與背景稀疏特征的差異不明顯，容易混雜在一起，增加了檢測難度。

因此需要一種弱小目標(biāo)檢測方法可以克服弱小目標(biāo)的噪聲因素的同時提高檢測精度。

發(fā)明內(nèi)容