基于深度学习融合通道混洗的红外目标检测方法技术

本申请公开了一种基于深度学习融合通道混洗的红外目标检测方法，该方法包括：将原始图像输入预设网络，提取原始图像的特征图；将特征图输入候选框生成层；将特征图输入RPN网络，确定候选框，并输出候选框至候选框生成层；候选框生成层将候选框在输入特征图进行映射，得到候选框特征图；将候选框特征图通过池化层调整为固定大小的固定特征图；将固定特征图输入至完全连接层，固定特征图通过softmax层输出类别，固定特征图通过线性回归层输出对应的边界框，得到原始图像的目标检测结果图。该方案在提高检测速度的同时保证了检测的精度。案在提高检测速度的同时保证了检测的精度。案在提高检测速度的同时保证了检测的精度。

【技术实现步骤摘要】
基于深度学习融合通道混洗的红外目标检测方法


[0001]本专利技术一般涉及图像处理
，具体涉及一种基于深度学习融合通道混洗的红外目标检测方法。

技术介绍

[0002]目标检测一直是图像处理和计算机视觉领域最基本和最具挑战性的热点问题之一。无论是在可见光场景还是红外场景下，目标检测都有着非常广泛的应用，如自动驾驶、智能监控和军事侦查等。目前可见光场景下使用基于深度学习的目标检测算法已经取得了突飞猛进的发展，而在红外场景下的应用推进较慢。相比可见光图像，红外图像缺少颜色、纹理等特征，具有信噪比低、对比度低和分辨率低等局限性。传统方法使用的手工提取特征很大程度上依靠经验且适应性较差，而基于深度学习的方法具有强大的自动特征学习能力，能够提高检测的精度。
[0003]目前，对于基于深度学习的基于深度学习融合通道混洗的红外目标检测方法，按处理流程可以分为两类，一类是两阶段的目标检测，此方法将检测任务分为两个阶段，第一阶段生成可能存在目标的候选框，第二阶段对这些候选框利用卷积神经网络(Convolutional NeuralNetworks，CNN)提取特征并进行分类和位置回归，该类检测算法具有较高的检测精度优势，但是检测速度较慢。另一类是单阶段的目标检测，此方法不需要生成候选框，可以直接对图像上的目标同时进行分类和回归。该类检测算法具有较快的检测速度，但是检测精度通常不如两阶段检测算法。

技术实现思路

[0004]鉴于现有技术中的上述缺陷或不足，期望提供一种基于深度学习融合通道混洗的红外目标检测方法。
[0005]本专利技术提供了一种基于深度学习融合通道混洗的红外目标检测方法，该方法包括：
[0006]将原始图像输入预设网络，提取原始图像的特征图；
[0007]将特征图输入候选框生成层；
[0008]将特征图输入RPN网络，确定候选框，并输出候选框至候选框生成层；
[0009]候选框生成层将候选框在输入特征图进行映射，得到候选框特征图；
[0010]将候选框特征图通过池化层调整为固定大小的固定特征图；
[0011]将固定特征图输入至完全连接层，固定特征图通过softmax层输出类别，固定特征图通过线性回归层输出对应的边界框，得到原始图像的目标检测结果图。
[0012]在其中一个实施例中，预设网络构建包括：
[0013]采用标准卷积进行卷积操作，并设置预设步长进行下采样；
[0014]在卷积前进方向叠加深度可分离卷积模块；
[0015]在深度可分离卷积模块后加入融合通道混洗的深度可分离卷积模块；融合通道混
洗的深度可分离卷积模块的步长包括第一步长和第二步长，第一步长与第二步长不等；
[0016]加入卷积层，用于使预设网络的输出通道数量适应后续层。
[0017]在其中一个实施例中，融合通道混洗的深度可分离卷积模块为2 个。
[0018]在其中一个实施例中，基于残差的融合深度可分离卷积模块为6 个。
[0019]在其中一个实施例中，深度可分离卷积模块包括深度卷积和逐点卷积；
[0020]深度卷积用于改变特征图的尺寸，利用单通道的卷积核对输入进行滤波；
[0021]逐点卷积用于改变输出通道的数量。
[0022]在其中一个实施例中，融合通道混洗的深度可分离卷积模块的步长为第一步长；
[0023]融合通道混洗的深度可分离卷积模块实现步骤包括：
[0024]将输入的特征图输入卷积层进行卷积，以对特征图进行降维，得到降维特征图；
[0025]将降维特征图按通道数均分为两部分，并分别输入两个分支；
[0026]将分支一输入卷积层，将分支二依次输入深度可分离卷积和分组卷积；
[0027]拼接两个分支的特征通道，对拼接后的特征进行融合通道混洗。
[0028]在其中一个实施例中，融合通道混洗的深度可分离卷积模块的步长为第二步长；
[0029]融合通道混洗的深度可分离卷积模块实现步骤包括：
[0030]将输入的特征图输入卷积层进行卷积，以对特征图进行降维，得到降维特征图；
[0031]将降维特征图按通道数均分为两部分，并分别输入两个分支；
[0032]将分支一依次输入平均池化层和卷积层；平均池化层的步长与第二步长相等；
[0033]将分支二依次输入深度可分离卷积和分组卷积；
[0034]拼接两个分支的特征通道，对拼接后的特征进行融合通道混洗。
[0035]在其中一个实施例中，对拼接后的特征进行融合通道混洗包括：
[0036]对不同组特征通道进行重组，每组只保持一个子组特征通道不变，剩余每个子组的特征通道是由其它组随机选择一个子组特征通道融合得到，最后将所有子组的结果进行拼接得到输出特征。
[0037]在其中一个实施例中，在融合通道混洗的深度可分离卷积模块上加残差结构，得到基于残差的融合深度可分离卷积模块；
[0038]基于残差的融合深度可分离卷积模块实现步骤包括：
[0039]将特征图与两个分支拼接后的特征图相加。
[0040]在其中一个实施例中，将特征图输入RPN网络，确定候选框，并输出候选框至候选框生成层，包括：
[0041]特征图输入A
×
A的卷积层，输出第一卷积结果，分为两个分支；
[0042]第一分支将第一卷积结果输入B
×
B的卷积层，输出第二卷积结果；
[0043]将第二卷积结果输入softmax层，得到候选框及对应的候选框得分；
[0044]第二分支将第一卷积结果输入B
×
B的卷积层，回归候选框位置；
[0045]对候选框得分采用非极大值抑制法，输出候选框得分中最高的前预设数量的候选框得分对应的高分候选框至候选框生成层。
[0046]本申请实施例提供的基于深度学习融合通道混洗的红外目标检测方法，在提高检测速度的同时保证了检测的精度。
附图说明
[0047]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0048]图1为本专利技术实施例提供的基于深度学习融合通道混洗的红外目标检测方法的流程示意图；
[0049]图2为本专利技术实施例提供的RFMobileNet的网络结构图；
[0050]图3为本专利技术实施例提供的步长为1的融合通道混洗的深度可分离卷积模块实现流程图；
[0051]图4为本专利技术实施例提供的步长为2的融合通道混洗的深度可分离卷积模块实现流程图；
[0052]图5为本专利技术实施例提供的融合通道混洗示意图；
[0053]图6为本专利技术实施例提供的步长为1的基于残差的融合深度可分离卷积模块实现流程图；
[0054]图7为本专利技术实施例提供的步长为2的基于残差的融合深度可分离卷积模块实现流程图；
[0055]图8
‑
图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习融合通道混洗的红外目标检测方法，其特征在于，所述方法包括：将原始图像输入预设网络，提取所述原始图像的特征图；将所述特征图输入候选框生成层；将所述特征图输入RPN网络，确定候选框，并输出所述候选框至所述候选框生成层；所述候选框生成层将所述候选框在输入特征图进行映射，得到候选框特征图；将所述候选框特征图通过池化层调整为固定大小的固定特征图；将所述固定特征图输入至完全连接层，所述固定特征图通过softmax层输出类别，所述固定特征图通过线性回归层输出对应的边界框，得到所述原始图像的目标检测结果图。2.根据权利要求1所述的方法，其特征在于，所述预设网络构建包括：采用标准卷积进行卷积操作，并设置预设步长进行下采样；在卷积前进方向叠加深度可分离卷积模块；在所述深度可分离卷积模块后加入融合通道混洗的深度可分离卷积模块；所述融合通道混洗的深度可分离卷积模块的步长包括第一步长和第二步长，所述第一步长与所述第二步长不等；加入卷积层，用于使所述预设网络的输出通道数量适应后续层。3.根据权利要求2所述的方法，其特征在于，所述融合通道混洗的深度可分离卷积模块为2个。4.根据权利要求2所述的方法，其特征在于，所述基于残差的融合深度可分离卷积模块为6个。5.根据权利要求2所述的方法，其特征在于，所述深度可分离卷积模块包括深度卷积和逐点卷积；所述深度卷积用于改变所述特征图的尺寸，利用单通道的卷积核对输入进行滤波；所述逐点卷积用于改变输出通道的数量。6.根据权利要求2所述的方法，其特征在于，所述融合通道混洗的深度可分离卷积模块的步长为第一步长；所述融合通道混洗的深度可分离卷积模块实现步骤包括：将输入的所述特征图输入卷积层进行卷积，以对所述特征图进行降维，得到降维特征图；将所述降维特征图按通道数均分为两部分，并分别输入两个分支；将分支一输入卷积层，将分支二依次输入深度可分离卷积和分组卷积；拼接所述两个分支的特征通道，...

【专利技术属性】
技术研发人员：周慧鑫，陈戈韬，宋江鲁奇，刘国均，李欢，秦翰林，王炳健，滕翔，张鑫，李幸，梅峻溪，刘志宇，张喆，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：