红外弱小目标的检测方法、装置、计算设备及存储介质制造方法及图纸

本发明专利技术实施例涉及图像处理技术领域，特别涉及一种红外弱小目标的检测方法、装置、计算设备及存储介质。其中，方法包括：获取待检测的红外弱小目标图像；将红外弱小目标图像输入至预先训练生成的检测模型中；其中，检测模型基于预设的神经网络训练得到，预设的神经网络包括由四个残差网络串联而成的骨干网络、由多个空洞卷积层组成的上下文特征提取网络、特征融合网络和检测头模块；根据检测头模块的输出结果，得到对红外弱小目标图像的检测结果。本方案，可以提高检测模型对红外弱小目标的检测能力。力。力。

【技术实现步骤摘要】
红外弱小目标的检测方法、装置、计算设备及存储介质


[0001]本专利技术实施例涉及图像处理
，特别涉及一种红外弱小目标的检测方法、装置、计算设备及存储介质。

技术介绍

[0002]在计算机视觉领域中，红外弱小目标的检测一直是一个热门且富有挑战性的课题。近年来，各领域开始对红外弱小目标的检测具有更高检测率和更低虚警率的需求。
[0003]现有的红外弱小目标检测算法几乎全部由单发多框检测(Single shot multibox detector,SSD)，只看一次(You Only Look Once,YOLO)等单阶段目标检测算法修改而来，通过修改网络结构和预设锚框的大小将通用的目标检测网络扩展至红外弱小目标的检测任务上。然而，在扩展过程中，这些预设锚框大小的检测方法对弱小目标的尺寸较为敏感，这就使得网络优化容易出现较大的偏差，从而影响对红外弱小目标的检测精度。

技术实现思路

[0004]为了提高现有的红外弱小目标检测算法的检测精度，本专利技术实施例提供了一种红外弱小目标的检测方法、装置、计算设备及存储介质。
[0005]第一方面，本专利技术实施例提供了一种红外弱小目标的检测方法，包括：
[0006]获取待检测的红外弱小目标图像；
[0007]将所述红外弱小目标图像输入至预先训练生成的检测模型中；其中，所述检测模型基于预设的神经网络训练得到，所述预设的神经网络包括由四个残差网络串联而成的骨干网络、由多个空洞卷积层组成的上下文特征提取网络、特征融合网络和检测头模块；
[0008]根据所述检测头模块的输出结果，得到对所述红外弱小目标图像的检测结果。
[0009]优选的，所述检测头模块包括第一检测头和第二检测头；
[0010]所述检测模型的训练方式，包括：
[0011]获取多个被标注有标签的训练样本；
[0012]将多个所述训练样本输入至所述骨干网络中，以利用所述骨干网络中的四个残差网络分别对每一个所述训练样本进行第一阶段特征提取、第二阶段特征提取、第三阶段特征提取和第四阶段特征提取，以得到每一个阶段特征提取后的特征图；
[0013]将所述第四阶段特征提取后的特征图输入至所述上下文特征提取网络中的每个空洞卷积层中，以得到每一个所述训练样本对应的扩张特征图；
[0014]利用所述特征融合网络，基于所述第三阶段特征提取后的特征图和所述扩张特征图，得到每一个所述训练样本对应的第一融合特征图，并在得到所述第一融合特征图之后，基于所述第一融合特征图和所述第二阶段特征提取后的特征图，得到每一个所述训练样本对应的第二融合特征图；
[0015]将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头和所述第二检测头，以得到每一个所述训练样本的输出结果；
[0016]根据每一个所述训练样本的输出结果和每一个所述训练样本对应的标签，调整所述神经网络的网络参数，直至得到符合预期的检测模型。
[0017]优选的，所述第一检测头和所述第二检测头共享同一组网络参数；所述第一检测头和所述第二检测头利用分组归一化方式训练网络参数。
[0018]优选的，所述第一检测头和所述第二检测头均包括分类分支、回归分支和中心度分支；
[0019]所述将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头和所述第二检测头，以得到每一个所述训练样本的输出结果，包括：
[0020]将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头的分类分支和所述第二检测头的分类分支，得到所述第一融合特征图和所述第二融合特征图中每一个像素点的分类结果；
[0021]将所述第一融合特征图分别输入至所述第一检测头的回归分支和中心度分支，将所述第二融合特征图分别输入至所述第二检测头的回归分支和中心度分支，得到所述第一融合特征图的回归结果和所述第二融合特征图的回归结果。
[0022]优选的，所述回归分支和所述中心度分支共享同一组卷积层。
[0023]优选的，所述检测头模块的输出结果包括第一目标特征图的分类结果和回归结果，以及第二目标特征图的分类结果和回归结果；所述第一目标特征图的分类结果和回归结果为利用所述检测模型中的所述第一检测头，对所述红外弱小目标图像经过所述检测模型中的所述特征融合网络后得到的第一目标特征图的输出结果；所述第二目标特征图的分类结果和回归结果为利用所述检测模型中的所述第二检测头，对所述红外弱小目标图像经过所述检测模型中的所述特征融合网络后得到的第二目标特征图的输出结果；
[0024]所述根据所述检测头模块的输出结果，得到对所述红外弱小目标图像的检测结果，包括：
[0025]分别将所述第一目标特征图和所述第二目标特征图中的每个像素点，映射回所述红外弱小目标图像中，以分别根据所述第一目标特征图和所述第二目标特征图对应的分类结果确定出初始目标；
[0026]根据所述第一目标特征图和所述第二目标特征图对应的回归结果，生成每一个所述初始目标的备选框；
[0027]计算每一个所述初始目标在所述红外弱小目标图像中的中心像素点至对应的备选框的距离，以根据所述距离对每一个所述初始目标进行筛选，得到红外弱小目标；
[0028]计算每一个所述红外弱小目标在所述红外弱小目标图像中的中心像素点至对应的备选框的归一化距离，以根据所述归一化距离对所述红外弱小目标对应的备选框进行筛选，得到所述红外弱小目标的检测框。
[0029]优选的，所述距离是通过如下公式进行计算的：
[0030][0031][0032][0033][0034]式中，所述距离为(l
*
,t
*
,r
*
,b
*
)，l
*
、t
*
、r
*
和b
*
分别为所述初始目标在所述红外弱小目标图像中的中心像素点至对应的备选框的左侧距离、上侧距离、右侧距离和下侧距离，为所述备选框的左上角点的坐标，为所述备选框的右下角点的坐标；
[0035]所述归一化距离是通过如下公式进行计算的：
[0036][0037]式中，Centerness为所述归一化距离，l
*
、t
*
、r
*
和b
*
分别为所述红外弱小目标在所述红外弱小目标图像中的中心像素点至对应的备选框的左侧距离、上侧距离、右侧距离和下侧距离。
[0038]第二方面，本专利技术实施例还提供了一种红外弱小目标的检测装置，包括：
[0039]获取单元，用于获取待检测的红外弱小目标图像；
[0040]检测单元，用于将所述红外弱小目标图像输入至预先训练生成的检测模型中；其中，所述检测模型基于预设的神经网络训练得到，所述预设的神经网络包括由四个残差网络串联而成的骨干网络、由多个空洞卷积层组成的上下文特征提取网络、特征融合网络和检测头模块；
[004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的检测方法，其特征在于，包括：获取待检测的红外弱小目标图像；将所述红外弱小目标图像输入至预先训练生成的检测模型中；其中，所述检测模型基于预设的神经网络训练得到，所述预设的神经网络包括由四个残差网络串联而成的骨干网络、由多个空洞卷积层组成的上下文特征提取网络、特征融合网络和检测头模块；根据所述检测头模块的输出结果，得到对所述红外弱小目标图像的检测结果。2.根据权利要求1所述的方法，其特征在于，所述检测头模块包括第一检测头和第二检测头；所述检测模型的训练方式，包括：获取多个被标注有标签的训练样本；将多个所述训练样本输入至所述骨干网络中，以利用所述骨干网络中的四个残差网络分别对每一个所述训练样本进行第一阶段特征提取、第二阶段特征提取、第三阶段特征提取和第四阶段特征提取，以得到每一个阶段特征提取后的特征图；将所述第四阶段特征提取后的特征图输入至所述上下文特征提取网络中的每个空洞卷积层中，以得到每一个所述训练样本对应的扩张特征图；利用所述特征融合网络，基于所述第三阶段特征提取后的特征图和所述扩张特征图，得到每一个所述训练样本对应的第一融合特征图，并在得到所述第一融合特征图之后，基于所述第一融合特征图和所述第二阶段特征提取后的特征图，得到每一个所述训练样本对应的第二融合特征图；将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头和所述第二检测头，以得到每一个所述训练样本的输出结果；根据每一个所述训练样本的输出结果和每一个所述训练样本对应的标签，调整所述神经网络的网络参数，直至得到符合预期的检测模型。3.根据权利要求2所述的方法，其特征在于，所述第一检测头和所述第二检测头共享同一组网络参数；所述第一检测头和所述第二检测头利用分组归一化方式训练网络参数。4.根据权利要求2或3所述的方法，其特征在于，所述第一检测头和所述第二检测头均包括分类分支、回归分支和中心度分支；所述将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头和所述第二检测头，以得到每一个所述训练样本的输出结果，包括：将所述第一融合特征图和所述第二融合特征图分别输入至所述第一检测头的分类分支和所述第二检测头的分类分支，得到所述第一融合特征图和所述第二融合特征图中每一个像素点的分类结果；将所述第一融合特征图分别输入至所述第一检测头的回归分支和中心度分支，将所述第二融合特征图分别输入至所述第二检测头的回归分支和中心度分支，得到所述第一融合特征图的回归结果和所述第二融合特征图的回归结果。5.根据权利要求4所述的方法，其特征在于，所述回归分支和所述中心度分支共享同一组卷积层。6.根据权利要求4所述的方法，其特征在于，所述检测头模块的输出结果包括第一目标特征图的分类结果和回归结果，以及第二目标特征图的分类结果和回归结果；所述第一目
标特征图的分类结果和回归结果为利用所述检测模型中的所述第一检测头，对所述红外弱小目标图像经过所述检测模型中的所述特征融合网络后得到的第一目标特征图的输出结果；所述第二目标特征图的分...

【专利技术属性】
技术研发人员：程宇航，张樯，李斌，姚裔仁，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：