一种地面背景下无人机红外小目标检测方法技术

本发明专利技术属于目标检测技术领域，尤其为一种地面背景下无人机红外小目标检测方法，包括如下步骤：构建网络模型：整个网络由主干网络、加权双向特征金字塔网络和检测头组成；准备数据集：准备地面背景下的红外无人机小目标数据集并预处理；训练网络模型：将数据集输入到构建的网络模型中进行训练；选择最小化损失函数和最优评价指标后进行保存模型；本发明专利技术采用的是双向加权特征金字塔网络，能够方便快速地进行多尺度融合特征，增加检测精度，提高准确率的同时降低虚警率。同时降低虚警率。同时降低虚警率。

【技术实现步骤摘要】
一种地面背景下无人机红外小目标检测方法


[0001]本专利技术涉及目标检测
，具体为一种地面背景下无人机红外小目标检测方法。

技术介绍

[0002]随着红外图像目标检测在无人机侦察与反侦察、野生动物观察与保护、车辆监控与避障等等方面有着越来越广泛的应用，如今对于目标检测精度要求越来越高；并且，随着目标距离探测器的距离增加，目标的尺寸越来越小，在图像中所占像素越来越小，缺乏几何纹理特征，传统的目标检测算法也无法达到检测要求；所以，基于地面复杂背景下红外图像成像距离较远和受噪声影响较大等特点，红外小目标检测是现在国内外许多学者研究的重点与难点。
[0003]中国专利公开号为“CN110555868A”，名称为“一种复杂地面背景下运动小目标检测方法”，该方法的具体步骤是：首先利用光流约束方程，提取稀疏点，计算背景运动估计矩阵；其次得到帧差图对多帧帧差进行融合，进而得到前后向运动历史图；然后进行阈值处理，得到候选运动目标和多条运动轨迹；最后通过计算每条轨迹的置信度，得到最终的小目标检测结果；
[0004]上述方法的训练时间长，复杂度较高，得到的目标检测结果准确性低，虚警率高，因此我们提出了一种地面背景下无人机红外小目标检测方法来解决上述问题。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种地面背景下无人机红外小目标检测方法，解决了上述
技术介绍
中所提出的问题。
[0007](二)技术方案
[0008]本专利技术为了实现上述目的具体采用以下技术方案：
[0009]一种地面背景下无人机红外小目标检测方法，包括如下步骤：
[0010]步骤1，构建网络模型：整个网络由九个卷积块构成，其中卷积块一、卷积块二、卷积块三、卷积块四、卷积块五、卷积块六和卷积块七均由卷积层、激活函数和归一化层组成，且构成了此网络模型的主干网络；卷积块一对输入图像进行下采样输出后进入卷积块二，同理，由卷积块二下采样输出后进入卷积块三，由卷积块三下采样输出后进入卷积块四，由卷积块四下采样输出后进入卷积块五，由卷积块五下采样输出后进入卷积块六，由卷积块六下采样输出后进入卷积块七；卷积块三、卷积块四、卷积块五、卷积块六和卷积块七通过加权双向特征金字塔网络得到特征层一、特征层二、特征层三、特征图层四和特征层五；五个特征层拥有一个共享检测头，检测头包括卷积块八和卷积块九，均由深度可分离卷积、归一化层、卷积层以及激活函数组成，卷积块八通过卷积层一得到分类结果；卷积块九通过卷积层二得到回归结果；卷积块九通过卷积层三得到中心度结果，用来得到目标距离目标中
心的远近程度；
[0011]步骤2，准备数据集：本文采用低地/空背景下红外图像弱小飞机目标检测跟踪数据中的部分地面背景下的红外无人机小目标数据集；并且对红外小目标图像数据进行预处理；
[0012]步骤3，训练网络模型：将步骤2中的数据集输入到步骤1中构建的目标检测的网络模型中进行训练；
[0013]步骤4，选择最小化损失函数和最优评价指标：通过最小化网络输出图像与标签的损失函数，直到训练次数达到设定阈值或损失函数的值到达设定范围内即可认为模型参数已预训练完成，保存模型参数的同时选择最优评价指标来评估算法的性能优劣程度；
[0014]步骤5，保存模型：将最终确定的模型进行训练并保存；之后在需要进行地面背景下无人机红外小目标检测时，直接将图像输入到网络中即可得到检测后的图像。
[0015]进一步地，所述步骤1中的卷积块三、卷积块四、卷积块五、卷积块六和卷积块七为可变形卷积；可变形卷积指卷积核在每一个元素上额外增加了一个参数方向参数，可以自适应确定尺度或感受野大小；与普通卷积相比，可变形卷积能够增加偏移量，并且动态调整采样点，准确提取更完整的特征。
[0016]进一步地，所述步骤1中的加权双向特征金字塔网络由特征三、特征四、特征五、特征六、特征七、中间特征一、中间特征二、中间特征三、中间特征四、中间特征五以及其输出的特征层一、特征层二、特征层三、特征层四和特征层五构成；加权双向特征金字塔网络允许更加简单快速的多尺度特征融合，能够更好地平衡了不同尺度的特征信息，并且有效地提升了检测精度。
[0017]进一步地，所述步骤4中所采用的最小化损失函数为分类损失、定位损失和中心度损失之和，分类损失采用二分类交叉熵损失配合焦点损失，定位损失采用广义边界框交并比损失，中心度损失采用二分类交叉熵损失，并且计算损失时只有正样本参与计算。
[0018]进一步地，所述步骤4中损失函数的设计不仅能够反馈模型的质量,还能影响模型的好坏；最优评价指标选择精确率、召回率以及平均精度均值，能够有效反映目标检测算法的精度与效率，衡量目标检测网络。
[0019](三)有益效果
[0020]与现有技术相比，本专利技术提供了一种地面背景下无人机红外小目标检测方法，具备以下有益效果：
[0021]本专利技术在卷积块三、卷积块四、卷积块五、卷积块六和卷积块七上采用可变形卷积，可以提升主干网络在物体检测上的性能，减小了计算量的同时，也提升了系统的性能。
[0022]本专利技术所采用的加权双向特征金字塔网络是集成了自顶向下和自底向上的融合，能够方便、快速地进行多尺度融合特征，增加检测精度，提高准确率，降低虚警率。
[0023]本专利技术的定位损失函数采用的是广义边界框交并比损失，避免了在距离较远时产生难以优化的损失值，与此同时，与边界框交并比损失相比，广义边界框交并比损失的收敛速度更快、回归速度更快并且训练效果更好。
附图说明
[0024]图1为本专利技术一种地面背景下无人机红外小目标检测方法流程图；
[0025]图2为本专利技术一种地面背景下无人机红外小目标检测方法的网络结构图；
[0026]图3为本专利技术所述共享检测头的具体组成结构图；
[0027]图4为本专利技术所述卷积块八和卷积块九中每一个卷积块的具体组成结构图；
[0028]图5为本专利技术提出方法和现有技术的相关指标对比图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例1
[0031]如图1
‑
5所示，本专利技术一个实施例提出的一种地面背景下无人机红外小目标检测方法，该方法具体包括如下步骤：
[0032]步骤1，构建网络模型；
[0033]整个网络由九个卷积块构成，其中卷积块一、卷积块二、卷积块三、卷积块四、卷积块五、卷积块六和卷积块七均由卷积层、激活函数和归一化层组成，且构成了此网络模型的主干网络；卷积块一对输入图像进行下采样输出后进入卷积块二，同理，由卷积块二下采样输出后进入卷积块三，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地面背景下无人机红外小目标检测方法，其特征在于：包括如下步骤：步骤1，构建网络模型：整个网络由九个卷积块构成，其中卷积块一、卷积块二、卷积块三、卷积块四、卷积块五、卷积块六和卷积块七均由卷积层、激活函数和归一化层组成，且构成了此网络模型的主干网络；卷积块一对输入图像进行下采样输出后进入卷积块二，同理，由卷积块二下采样输出后进入卷积块三，由卷积块三下采样输出后进入卷积块四，由卷积块四下采样输出后进入卷积块五，由卷积块五下采样输出后进入卷积块六，由卷积块六下采样输出后进入卷积块七；卷积块三、卷积块四、卷积块五、卷积块六和卷积块七通过加权双向特征金字塔网络得到特征层一、特征层二、特征层三、特征图层四和特征层五；五个特征层拥有一个共享检测头，检测头包括卷积块八和卷积块九，均由深度可分离卷积、归一化层、卷积层以及激活函数组成，卷积块八通过卷积层一得到分类结果；卷积块九通过卷积层二得到回归结果；卷积块九通过卷积层三得到中心度结果，用来得到目标距离目标中心的远近程度；步骤2，准备数据集：本文采用低地/空背景下红外图像弱小飞机目标检测跟踪数据中的部分地面背景下的红外无人机小目标数据集；并且对红外小目标图像数据进行预处理；步骤3，训练网络模型：将步骤2中的数据集输入到步骤1中构建的目标检测的网络模型中进行训练；步骤4，选择最小化损失函数和最优评价指标：通过最小化网络输出图像与标签的损失函数，直到训练次数达到设定阈值或损失函数的值到达设定范围内即可认为模型参数已预训练完成，保存模型参数的同时选择最优评价指标来评估算法的性能优劣程度；步骤5，保存模型：将最终确定的模型进行...

【专利技术属性】
技术研发人员：詹伟达，洪洋，于永吉，刘晟佐，韩登，李国宁，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：