本发明专利技术涉及红外弱小目标检测方法、装置、电子设备及存储介质，属于人工智能目标检测领域。本发明专利技术利用改进的主干网络替代人工设计的目标轮廓提取方法，能够降低对设计人员的经验和专业知识的要求并提高检测速度，且利用卷积块对YOLOv4模型中的原始主干网络进行改进，能够加强对红外弱小目标的特征提取效果，使得改进的主干网络更适用于对弱小目标的检测，进而提高红外弱小目标检测方法的检测精度。提高红外弱小目标检测方法的检测精度。提高红外弱小目标检测方法的检测精度。
【技术实现步骤摘要】
红外弱小目标检测方法、装置、电子设备及存储介质
[0001]本专利技术涉及人工智能目标检测领域，尤其涉及到红外弱小目标检测方法、装置、电子设备及存储介质。
技术介绍
[0002]红外弱小目标由于占有像素少，且难以获取颜色、形状和纹理等细节信息，导致其检测难度很大。
[0003]传统的红外图像目标检测算法是利用人工设计比例模板，通过人工设计的目标轮廓提取方法，对图像中目标轮廓进行特征提取并与比例模板进行比对，对图像中的目标进行判断和定位。
[0004]但特征提取方法和比例模板的设计对设计人员的经验和专业知识要求较高，且基于特征提取与比例模板的红外弱小目标检测方法存在检测速度慢，正确率低的问题。
技术实现思路
[0005]为了解决现有的红外弱小目标检测方法存在对设计人员的经验和专业知识要求较高、检测速度慢和正确率低的缺陷，本专利技术提供了一种红外弱小目标检测方法、装置、电子设备及存储介质。
[0006]第一方面，为了解决上述技术问题，本专利技术提供了一种红外弱小目标检测方法，包括：
[0007]获取红外图像；
[0008]利用改进的主干网络对红外图像进行特征提取，得到目标特征信息；
[0009]根据目标特征信息，得到红外图像中的弱小目标的检测结果；
[0010]其中，改进的主干网络通过以下方式确定：
[0011]提取YOLOv4模型中的原始主干网络，其中，原始主干网络包含多个残差单元，每个残差单元包含多个小残差块，每个小残差块包含用于执行卷积处理的原始卷积层；
[0012]对每个残差单元中的各个小残差块中的原始卷积层分别添加卷积块，得到改进的残差单元，其中，卷积块包含两个卷积层；
[0013]基于各个改进的残差单元，得到改进的主干网络。
[0014]本专利技术的有益效果是：利用改进的主干网络替代人工设计的目标轮廓提取方法，能够降低对设计人员的经验和专业知识的要求并提高检测速度，且利用卷积块对YOLOv4模型中的原始主干网络进行改进，能够加强对红外弱小目标的特征提取效果，使得改进的主干网络更适用于对弱小目标的检测，进而提高红外弱小目标检测方法的检测精度。
[0015]进一步，目标特征信息和红外图像中的弱小目标的检测结果是通过训练完成的红外弱小目标检测模型得到的，红外弱小目标检测模型包括改进的主干网络；
[0016]其中，红外弱小目标检测模型是基于以下方式训练得到的：
[0017]采集多个夜视场景下的监控视频；
[0018]从监控视频中采集含有弱小目标的红外图像，得到有效数据集；
[0019]对有效数据集进行数据增强处理，得到扩充数据集；
[0020]基于扩充数据集对初始的红外弱小目标检测模型进行迭代训练，将训练结束时的初始的红外弱小目标检测模型确定为红外弱小目标检测模型。
[0021]采用上述改进方案的有益效果是：采用不同夜视场景下的监控视频建立用于模型训练的数据集，能够增强模型的泛化性，使得基于该数据集训练得到的红外弱小目标检测模型能够适用于对生活中各种场景下的红外弱小目标检测。
[0022]进一步，数据增强处理包括高斯加噪、椒盐加噪、变明处理和变暗处理中的至少一项。
[0023]采用上述改进方案的有益效果是：利用数据增强处理对数据集中的数据进行变换，能够减少模型的过拟合现象，进一步增强模型的泛化性。
[0024]进一步，初始的红外弱小目标检测模型通过以下方式确定：
[0025]提取YOLOv4模型中的颈部网络和头部网络，其中，颈部网络用于根据改进的主干网络提取的目标特征信息，输出检测结果图像，头部网络用于调整检测结果图像的尺寸，得到红外图像中的弱小目标的检测结果；
[0026]基于改进的主干网络、颈部网络和头部网络，得到初始的红外弱小目标检测模型。
[0027]采用上述改进方案的有益效果是：通过改进YOLOv4模型中的主干网络，使得基于YOLOv4模型的检测框架能够更适用于对红外弱小目标的检测。
[0028]进一步，基于改进的主干网络、颈部网络和头部网络，得到初始的红外弱小目标检测模型，包括：
[0029]获取夜视场景下的弱小目标对应的样本锚框；
[0030]对各个样本锚框进行聚类分析，得到聚类结果；
[0031]基于聚类结果对应的样本锚框的参数值、改进的主干网络、颈部网络和头部网络，得到初始的红外弱小目标检测模型。
[0032]采用上述改进方案的有益效果是：利用聚类分析获取更适用于红外夜视场景下小目标检测的模型先验框，能够提升模型训练过程的学习效率，并提升模型的检测准确度。
[0033]进一步，利用改进的主干网络对红外图像进行特征提取，得到目标特征信息，包括：
[0034]将红外图像输入至改进的主干网络中的首个残差单元中的首个小残差块；
[0035]利用首个小残差块对红外图像进行分割处理，得到第一特征图像和第二特征图像；
[0036]利用首个小残差块中的原始卷积层和首个小残差块中的卷积块对第一特征图像进行卷积处理，得到卷积处理后的第一特征图像；
[0037]利用首个小残差块将第二特征图像和卷积处理后的第一特征图像进行叠加处理，得到首个小残差块的输出特征图像；
[0038]将首个小残差块的输出特征图像输入至首个残差单元中的首个小残差块的下一个小残差块，直至得到首个残差单元中的最后一个小残差块的输出特征图像，将最后一个小残差块的输出特征图像确定为首个残差单元的输出特征图像；
[0039]将首个残差单元的输出特征图像输入至改进的主干网络中首个残差单元的下一
个残差单元，直至得到改进的主干网络中的最后一个残差单元的输出特征图像；
[0040]将改进的主干网络中的最后一个残差单元的输出特征图像确定为目标特征信息。
[0041]采用上述改进方案的有益效果是：通过设置更多的卷积层数，以对小目标获取更多的形状和纹理等细节信息，进而提高检测精度。
[0042]第二方面，本专利技术提供了一种红外弱小目标检测装置，包括：
[0043]获取模块，用于获取红外图像；
[0044]处理模块，用于利用改进的主干网络对红外图像进行特征提取，得到目标特征信息；
[0045]检测模块，用于根据目标特征信息，得到红外图像中的弱小目标的检测结果；
[0046]处理模块，还用于提取YOLOv4模型中的原始主干网络，其中，原始主干网络包含多个残差单元，每个残差单元包含多个小残差块，每个小残差块包含用于执行卷积处理的原始卷积层；对每个残差单元中的各个小残差块中的原始卷积层分别添加卷积块，得到改进的残差单元，其中，卷积块包含两个卷积层；基于各个改进的残差单元，得到改进的主干网络。
[0047]进一步，目标特征信息和红外图像中的弱小目标的检测结果是通过训练完成的红外弱小目标检测模型得到的，红外弱小目标检测模型包括改进的主干网络；
[0048本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种红外弱小目标检测方法，其特征在于，包括：获取红外图像；利用改进的主干网络对所述红外图像进行特征提取，得到目标特征信息；根据所述目标特征信息，得到所述红外图像中的弱小目标的检测结果；其中，所述改进的主干网络通过以下方式确定：提取YOLOv4模型中的原始主干网络，其中，所述原始主干网络包含多个残差单元，每个所述残差单元包含多个小残差块，每个所述小残差块包含用于执行卷积处理的原始卷积层；对每个所述残差单元中的各个小残差块中的原始卷积层分别添加卷积块，得到改进的残差单元，其中，所述卷积块包含两个卷积层；基于各个所述改进的残差单元，得到所述改进的主干网络。2.根据权利要求1所述的方法，其特征在于，所述目标特征信息和所述红外图像中的弱小目标的检测结果是通过训练完成的红外弱小目标检测模型得到的，所述红外弱小目标检测模型包括所述改进的主干网络；其中，所述红外弱小目标检测模型是基于以下方式训练得到的：采集多个夜视场景下的监控视频；从所述监控视频中采集含有弱小目标的红外图像，得到有效数据集；对所述有效数据集进行数据增强处理，得到扩充数据集；基于所述扩充数据集对初始的红外弱小目标检测模型进行迭代训练，将训练结束时的所述初始的红外弱小目标检测模型确定为所述红外弱小目标检测模型。3.根据权利要求2所述的方法，其特征在于，所述数据增强处理包括高斯加噪、椒盐加噪、变明处理和变暗处理中的至少一项。4.根据权利要求2所述的方法，其特征在于，所述初始的红外弱小目标检测模型通过以下方式确定：提取所述YOLOv4模型中的颈部网络和头部网络，其中，所述颈部网络用于根据所述改进的主干网络提取的目标特征信息，输出检测结果图像，所述头部网络用于调整所述检测结果图像的尺寸，得到所述红外图像中的弱小目标的检测结果；基于所述改进的主干网络、所述颈部网络和所述头部网络，得到所述初始的红外弱小目标检测模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述改进的主干网络、所述颈部网络和所述头部网络，得到所述初始的红外弱小目标检测模型，包括：获取夜视场景下的弱小目标对应的样本锚框；对各个所述样本锚框进行聚类分析，得到聚类结果；基于所述聚类结果对应的样本锚框的参数值、所述改进的主干网络、所述颈部网络和所述头部网络，得到所述初始的红外弱小目标检测模型。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述利用改进的主干网络对所述红外图像进行特征提取，得到目标特征信息，包括：将所述红外图像输入至所述改进的主干网络中的首个残差单元中的首个小残差块；利用所述首个小残差块对所述红外图像进行分割处理...
【专利技术属性】
技术研发人员：闵锋，杨朝源，熊文逸，刘朋，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。