[發明專利]一種基于注意力機制卷積神經網絡的紅外弱小目標檢測方法

在審

• 申請號: 202210354670.8
• 申請日: 2022-04-06
• 公開（公告）號: CN114863097A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 白相志;孫衡;白君香
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

本發明提出一種基于注意力機制卷積神經網絡的紅外弱小目標檢測方法；步驟一：搭建基于注意力機制的卷積神經網絡；首先使用骨干網絡對輸入圖像進行特征提取；提取的三層特征經過注意力模塊進行特征增強；隨后通過擴大感受野模塊進行感受野增強；然后通過特征融合模塊進行高低級特征融合；最后通過全卷積網絡逐像素預測，得到全圖像像素級別的概率預測圖；步驟二：構造損失函數對網絡進行訓練；利用得到的預測結果與像素級標注圖像進行損失計算，以實現對網絡參數的反饋訓練；輸出：用訓練好的神經網絡處理紅外圖像；在使用訓練數據對注意力機制卷積神經網絡進行充分迭代訓練之后，得到訓練好的網絡用于檢測目標像素。

技術領域

本發明涉及一種基于注意力機制卷積神經網絡的紅外弱小目標檢測方法，屬于數字圖像處理和計算機視覺領域，主要涉及深度學習和目標檢測技術，在各類基于圖像的應用系統中有廣闊的應用前景。

背景技術

紅外弱小目標檢測技術被廣泛應用于精確制導、反導彈技術、空間碎片搜索等領域。在紅外預警系統的實際運用中，弱小目標檢測算法的穩定性、準確性和實時性決定了這一系統的可靠性和實用性。在實際應用中，各種物體存在的不同結構有不同的輻射強度分布，同時受溫度、氣候等因素影響，使得紅外圖像背景復雜。比如在空天背景下，卷云、帶狀云、絮團等會干擾對小目標的檢測。在山地背景下，由于地面存在樹木、建筑等，背景的輻射將變得更為復雜。在海天背景下，海面的波浪不斷變化，使得紅外輻射極不穩定；而海面光線反射等現象也造成輻射效果的復雜變化，這些都會對檢測造成干擾。因此，在復雜背景下快速準確檢測弱小目標是一項具有挑戰性和研究意義的任務。

一些早期的研究方法通過背景估計得到目標：通過濾波、形態學等方法得到背景，再通過原圖與背景之差得到目標。基于最大-中值濾波和最大-均值濾波的方法(參見文獻：迪什潘德孟等，用于小目標檢測的最大-中值和最大-均值濾波器，國際光學工程學會光學科學、工程和儀器國際研討會論文集，1999:74-83.(Deshpande S D,Meng H E,Venkateswarlu R,et al.Max-mean and max-median filters for detection of smalltargets[C]//SPIE's International Symposium on Optical Science,Engineering,andInstrumentation.International Society for Optics and Photonics,1999:74-83.))是一種經典的小目標檢測方法，通過選擇當前像素鄰域下某些特定方向位置的中值或者均值來替代當前操作的像素，以此濾除小目標；但對于高斯白噪聲較為敏感，容易造成虛警。一些基于形態學的經典小目標檢測方法(參見文獻：白相志等，新頂帽變換及其在紅外弱小目標檢測應用中的分析研究，模式識別，2010：43(6)：2145-2156.(Bai X,Zhou F.Analysisof new top-hat transformation and the application for infrared dim smalltarget detection[J].Pattern Recognition,2010,43(6):2145-2156.))利用頂帽變換增強目標抑制背景。形態學運算簡單快速，但在處理復雜場景時，容易受到強烈邊緣等干擾從而虛警過高；同時形態學算子的尺寸也大多固定，不能自適應地根據場景調整。一些研究利用弱小目標灰度分布差異性突出的特點，通過設計測度增強目標、抑制背景，從而實現檢測(參見文獻：鄧賀等，基于局部權重差異度量的紅外小目標檢測方法，美國電氣電子工程師學會地理與遙感匯刊，2016,54(7):4204-4214.(Deng H,Sun X,Liu M,et al.SmallInfrared Target Detection Based on Weighted Local Difference Measure[J].IEEETransactions on Geoscience and Remote Sensing,2016,54(7):4204-4214.))。這類方法通常運行速度較快，但假設比較單一，在復雜環境下魯棒性較弱。近年，根據弱小目標分布較少的稀疏特點，一些基于稀疏表示的檢測方法被提出(參見文獻：高陳強等，用在單幅圖像中檢測小目標的紅外分塊圖像模型，美國電氣電子工程師學會圖像處理匯刊，2013,22(12):4996-5009.(Gao C,Meng D,Yang Y,et al.Infrared patch-image model forsmall target detection in a single image[J].IEEE Transactions on ImageProcessing,2013,22(12):4996-5009.))，但基于優化理論的模型相對復雜，造成計算量過大，實用性較差。