[發明專利]一種基于目標邊界定位的紅外目標檢測方法

在審

• 申請號: 202110168963.2
• 申請日: 2021-02-07
• 公開（公告）號: CN112861871A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 董恩增;肖澤灝;佟吉鋼;于航;張祖鋒
• 申請（專利權）人: 天津理工大學
• 主分類號: G06K9/42
• 分類號: G06K9/42;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥晨創知識產權代理事務所(普通合伙) 34162
• 代理人: 康培培

本發明屬于機器視覺技術領域，更具體地，涉及一種基于目標邊界定位的紅外目標檢測方法。在算法中首先利用自適應指數變換來增強紅外圖像的對比度，強化圖像語義細節；采用改進后的復合Resnet?50提取圖像中不同尺度下的特征圖譜；采用雙向特征金字塔進行特征融合，加強模型對弱小目標的檢測能力；采用Focal Loss作為模型的分類損失函數，采用基于目標邊界定位的損失函數作為模型的回歸損失函數，對檢測模型進行訓練；本發明實現了對紅外目標的有效檢測。

技術領域

本發明屬于機器視覺技術領域，更具體地，涉及一種基于目標邊界定位的紅外目標檢測方法。

背景技術

紅外目標檢測技術作為計算機視覺領域的重要組成部分，其目的是通過讀取紅外圖像所含有的信息確定圖像中目標的位置與類別。相比于可見光圖像，依靠紅外熱成像技術得到紅外圖像在光線不足、迷霧等環境下具有巨大的優勢。因此，紅外目標檢測技術在視頻監控、軍事打擊、智能駕駛等方面具有關鍵意義。但紅外目標檢測依舊面臨著前景與背景過于相似、物體邊緣模糊等問題。

2009年，Kim等依照LOG(Laplacian Of Gaussian)變換來抑制背景干擾，突出目標特征，其在目標表征明顯的區域效果較好，但對于背景環境復雜的區域無法取得理想的效果。Shao等通過在以往LOG研究的基礎上加入形態學濾波來對背景雜波進行消除，以便獲得更好的檢測效果。2014年，Chen等提出了LCM(local contrast measure)來對尺度較小的目標進行增強。

相較于傳統方法，基于卷積神經網絡的檢測方法具有巨大的深度信息提取優勢以及明顯的精度優勢。單階段檢測算法能夠同時確定目標的類別信息和位置信息。YOLO V3作為典型的單階段檢測算法通過使用Leaky ReLU作為激活函數增強了小尺度目標的檢測能力。Retinanet是一種與Focal Loss同時提出并用來驗證Focal Loss有效性的單級目標檢測方法。Focal Loss可以控制正樣本和負樣本的之間權重，也可以控制易分類樣本和難分類樣本的權重。EfficientDet在消耗計算資源較小的情況下，實現了雙向信息交換，保證特征融合效果。但由于紅外圖像缺少紋理、顏色等重要圖像特征，紅外目標檢測仍沒有能夠充分利用卷積神經網絡的優勢。

發明內容

本發明所需要解決的技術問題是，針對紅外圖像輪廓信息模糊、背景環境復雜、相似度較高、易受雜波干擾和缺少紋理顏色特征等問題，根據單階段檢測算法的結構特點，解決深度學習方法由于難以準確提取紅外圖像語義特征而導致的紅外目標檢測效果不佳的問題。

為了解決上述問題，本發明提供了一種基于目標邊界定位的紅外目標檢測方法，在算法中采用自適應指數變換作為預處理手段來增強紅外圖像的對比度；采用改進后的復合殘差網絡提取圖像中不同尺度下的特征圖譜；采用雙向特征金字塔進行特征融合，加強模型對弱小目標的檢測能力；采用Focal Loss作為模型的分類損失函數，采用基于目標邊界定位的損失函數作為模型的回歸損失函數，對檢測模型進行訓練。實現了對紅外目標的有效檢測。

本發明采用如下技術方案：

一種基于目標邊界定位的紅外目標檢測方法，包括如下步驟，

S1、讀取圖像信息，并采用自適應的指數變換的方法對紅外圖像進行指數變換；

S2、將步驟S1變換后的圖像調整為統一尺寸，輸入到基于Resnet-50網絡改進的復合殘差網絡以獲得圖像中不同尺度下的特征圖譜；

S3、將步驟S2得到的不同尺度的特征圖譜輸入到特征融合網絡中，特征融合網絡由三個雙向特征金字塔結構重復疊加構成，實現多尺度特征信息的融合，獲得五個尺度下的有效特征圖譜；

S4、將步驟S3得到的五個的有效特征圖譜輸入到類別與邊界框網絡中，類別與邊界框網絡由類別子網絡和邊界框子網絡組成，獲得對于目標的類別與位置的預測結果。