[發明專利]基于深度學習融合通道混洗的紅外目標檢測方法

在審

• 申請號: 202111122583.1
• 申請日: 2021-09-24
• 公開（公告）號: CN113936136A
• 公開（公告）日: 2022-01-14
• 發明（設計）人: 周慧鑫;陳戈韜;宋江魯奇;劉國均;李歡;秦翰林;王炳健;滕翔;張鑫;李幸;梅峻溪;劉志宇;張喆
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/143;G06V10/80;G06K9/62;G06N3/04
• 代理公司: 西安志帆知識產權代理事務所(普通合伙) 61258
• 代理人: 侯峰;韓素蘭

本申請公開了一種基于深度學習融合通道混洗的紅外目標檢測方法，該方法包括：將原始圖像輸入預設網絡，提取原始圖像的特征圖；將特征圖輸入候選框生成層；將特征圖輸入RPN網絡，確定候選框，并輸出候選框至候選框生成層；候選框生成層將候選框在輸入特征圖進行映射，得到候選框特征圖；將候選框特征圖通過池化層調整為固定大小的固定特征圖；將固定特征圖輸入至完全連接層，固定特征圖通過softmax層輸出類別，固定特征圖通過線性回歸層輸出對應的邊界框，得到原始圖像的目標檢測結果圖。該方案在提高檢測速度的同時保證了檢測的精度。

技術領域

本發明一般涉及圖像處理技術領域，具體涉及一種基于深度學習融合通道混洗的紅外目標檢測方法。

背景技術

目標檢測一直是圖像處理和計算機視覺領域最基本和最具挑戰性的熱點問題之一。無論是在可見光場景還是紅外場景下，目標檢測都有著非常廣泛的應用，如自動駕駛、智能監控和軍事偵查等。目前可見光場景下使用基于深度學習的目標檢測算法已經取得了突飛猛進的發展，而在紅外場景下的應用推進較慢。相比可見光圖像，紅外圖像缺少顏色、紋理等特征，具有信噪比低、對比度低和分辨率低等局限性。傳統方法使用的手工提取特征很大程度上依靠經驗且適應性較差，而基于深度學習的方法具有強大的自動特征學習能力，能夠提高檢測的精度。

目前，對于基于深度學習的基于深度學習融合通道混洗的紅外目標檢測方法，按處理流程可以分為兩類，一類是兩階段的目標檢測，此方法將檢測任務分為兩個階段，第一階段生成可能存在目標的候選框，第二階段對這些候選框利用卷積神經網絡(Convolutional Neural Networks，CNN)提取特征并進行分類和位置回歸，該類檢測算法具有較高的檢測精度優勢，但是檢測速度較慢。另一類是單階段的目標檢測，此方法不需要生成候選框，可以直接對圖像上的目標同時進行分類和回歸。該類檢測算法具有較快的檢測速度，但是檢測精度通常不如兩階段檢測算法。

發明內容

鑒于現有技術中的上述缺陷或不足，期望提供一種基于深度學習融合通道混洗的紅外目標檢測方法。

本發明提供了一種基于深度學習融合通道混洗的紅外目標檢測方法，該方法包括：

將原始圖像輸入預設網絡，提取原始圖像的特征圖；

將特征圖輸入候選框生成層；

將特征圖輸入RPN網絡，確定候選框，并輸出候選框至候選框生成層；

候選框生成層將候選框在輸入特征圖進行映射，得到候選框特征圖；

將候選框特征圖通過池化層調整為固定大小的固定特征圖；

將固定特征圖輸入至完全連接層，固定特征圖通過softmax層輸出類別，固定特征圖通過線性回歸層輸出對應的邊界框，得到原始圖像的目標檢測結果圖。

在其中一個實施例中，預設網絡構建包括：

采用標準卷積進行卷積操作，并設置預設步長進行下采樣；

在卷積前進方向疊加深度可分離卷積模塊；

在深度可分離卷積模塊后加入融合通道混洗的深度可分離卷積模塊；融合通道混洗的深度可分離卷積模塊的步長包括第一步長和第二步長，第一步長與第二步長不等；

加入卷積層，用于使預設網絡的輸出通道數量適應后續層。

在其中一個實施例中，融合通道混洗的深度可分離卷積模塊為2 個。

在其中一個實施例中，基于殘差的融合深度可分離卷積模塊為6 個。

在其中一個實施例中，深度可分離卷積模塊包括深度卷積和逐點卷積；

深度卷積用于改變特征圖的尺寸，利用單通道的卷積核對輸入進行濾波；