[發明專利]基于深度學習的低對比度圖像中弱目標檢測方法及裝置

在審

• 申請號: 201910598758.2
• 申請日: 2019-07-04
• 公開（公告）號: CN110298410A
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 崔長鳴;趙晉兵
• 申請（專利權）人: 北京維聯眾誠科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京東方芊悅知識產權代理事務所(普通合伙) 11591
• 代理人: 陳益奇

本發明涉及基于深度學習的低對比度圖像中弱目標檢測方法及裝置，采用深度學習領域中的先進技術，將YOLOv2網絡與弱小目標檢測任務結合，通過數據預處理、多層卷積層特征提取、置信度模型目標檢測完成檢測任務。首先對弱目標環境數據分布特性進行了分析，然后利用低對比度的紅外和可見光圖像作為訓練數據，結合目標特點，聚類計算目標框維度，使用分類網絡預訓練、多尺度檢測網絡訓練及更改輸入分辨率等措施改進網絡的檢測效果，可以在低對比度成像條件下能夠準確、實時的檢測弱目標。

技術領域

本發明涉及一種基于深度學習的低對比度圖像中弱目標檢測方法及裝置，屬于圖像檢測技術領域。

背景技術

低對比度圖像中的弱小目標檢測問題一直是光學和圖像處理領域的研究熱點?？梢姽夂图t外傳感器在監視預警系統中具有較強的生存能力，但是其作用距離也較短。在現代戰爭中，要求監視預警系統具有在遠距離發現目標的能力。因此，研究一種具有實時性的低對比度弱小目標檢測方法，對于提高監視告警系統的作用距離及反應速度具有十分重要的意義。另外，低對比度圖像中的弱小目標檢測方法還可應用于目標檢測、光學遙感和夜間制導等民用領域，也可用于在軍事領域，如邊境偵查、熱點跟蹤等方面。

現有的弱目標檢測方法大都基于水面、天空等簡單的背景，且往往通過手工設計特征(如頻域的頻率特征、空域的像素相關特征、運動特征等)，對特定目標進行提取，達到目標檢測的目的，只能針對單一特定場景，具有虛警率較高、易受噪聲影響等缺點。

現有的弱小目標檢測方法對于圖像中具有各類干擾的復雜場景中存在以下問題：1)、存在檢測虛警高；2)、實時性偏低；3)、運行速度慢，運行時間長，檢測率低。

發明內容

本發明針對現有技術存在的不足，提供了基于深度學習的低對比度圖像中弱目標檢測方法及裝置，具體技術方案如下：

基于深度學習的低對比度圖像中弱目標檢測方法，包括如下步驟：

通過引入YOLOv2網絡架構對目標數據進行處理和分類，結合低對比度下弱目標特點，使用K-means方法進行聚類，選取合適的建議框大小和數量，通過多尺度訓練，讓網絡提取目標深層次的特征，再通過檢測網絡對目標進行檢測。

作為上述技術方案的改進，在對目標數據特性進行分析過程中，首先對弱目標環境數據分布特性進行了分析，然后利用低對比度的紅外和可見光圖像作為訓練數據。

作為上述技術方案的改進，在采用統計學習中的K-means聚類方法來自動選擇最佳的初始boxes，通過對數據集中的真實目標框做聚類，找到其統計規律，采用IOU來作為評價準則；通過計算候選框和每個anchorbox的最大IOU來確定聚類中心的數量。

作為上述技術方案的改進，在多尺度訓練過程中，當樣本聚類完成后，首先使用基darknet-19的分類網絡，分辨率改成448×448，在ImageNet數據集上訓練10輪，訓練后的網絡可以適應高分辨率的輸入。

作為上述技術方案的改進，在多尺度訓練過程中，對于檢測模型的訓練，模型的輸入尺寸為416×416，檢測模型由卷積層和池化層組成；在訓練時，每隔10輪，模型隨機選擇一種新的輸入圖像尺寸，改變模型輸入尺寸繼續訓練，以使模型對不同尺寸圖像具有魯棒性。

作為上述技術方案的改進，在多尺度訓練過程中，通過改變訓練參數進行了對比試驗，通過改變以下四個參數：momentum，epoch，mini batch size和learning rate，訓練不同的模型，并對網絡檢測正確率進行測試，選擇最優模型。

作為上述技術方案的改進，利用置信度模型目標檢測完成檢測任務，檢測網絡把輸入圖片分為13×13的網格，如果目標中心落入其中某一個網格，監測網絡的輸出為13×13的特征圖，每一個特征點的位置對應于原圖片的一個網格區域，通過選取置信度高的目標，網絡可以輸出目標的位置和大小，完成檢測任務。