【技术实现步骤摘要】
本专利技术属于深度学习图像处理，尤其涉及一种基于高斯热力图的动态弱小目标检测方法。
技术介绍
1、遥感图像中，小目标像素点个数较少，一般为几个像素，目标本身的轮廓及纹理特征难提取，无法区分目标与背景，且常用的深度学习检测网络一般会对输入图像进行整数倍下采样，这样会造成本来就不多的特征信息严重丢失，从而限制弱小目标检测性能。也就是说，现有传统技术和常用的深度学习网络技术中弱小目标特征信息难提取条件下，检测准确率比较低。
技术实现思路
1、为解决可见光/红外遥感图像中动态弱小目标难检测的问题，本专利技术提供一种基于高斯热力图的动态弱小目标检测方法，能够快速准确的捕获到遥感图像中动态弱小目标。
2、一种基于高斯热力图的动态弱小目标检测方法，包括以下步骤：
3、按照设定步长依次选取出图像序列中的连续n帧作为一组图像子序列，其中，n至少为5且n为单数；
4、分别将各组图像子序列合并为一张图像的n个通道，并将各张合并后的图像依次输入训练好的yolov5s网络模型，得到各张合并后的图像对应的以高斯热力图特征的形式展示出疑似目标区域的高斯热力图；
5、分别对各高斯热力图中的疑似目标区域进行层次化虚警剔除操作，得到真实目标的所在位置。
6、进一步地，所述yolov5s网络模型的训练方法为：
7、以设定步长依次选取出图像序列中的连续n帧作为一组图像子序列，并将图像子序列中间帧上的目标真值坐标作为标签，其中，n至少为5且n为单数；<...
【技术保护点】
1.一种基于高斯热力图的动态弱小目标检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，所述Yolov5s网络模型的训练方法为：
3.如权利要求2所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，所述Yolov5s网络模型不包含池化层，且包含的各网络层输出的特征图的分辨率均相同，使得最终输出图像与输入图像大小一致。
4.如权利要求1所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，若按照设定步长从图像序列中选取出的图像子序列的数量小于设定值，则将各组图像子序列合并为一张图像的N个通道后，采用灰度变换、旋转或镜像的方式对各张合并后的图像进行数据增广，再将数据增广后的图像执行后续步骤。
5.如权利要求1所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，对各高斯热力图中的疑似目标区域进行层次化虚警剔除操作具体为：
6.如权利要求1～5任一权利要求所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，当存在连续两组以上的图像子序列出
...【技术特征摘要】
1.一种基于高斯热力图的动态弱小目标检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，所述yolov5s网络模型的训练方法为：
3.如权利要求2所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，所述yolov5s网络模型不包含池化层，且包含的各网络层输出的特征图的分辨率均相同，使得最终输出图像与输入图像大小一致。
4.如权利要求1所述的一种基于高斯热力图的动态弱小目标检测方法，其特征在于，若按照设定步长从图像序列中选取出的图像子序列的数量小于设定值，则将各组图像子序列合并...
【专利技术属性】
技术研发人员：王长杰，张俊青，刘英杰，侯金元，贺成龙，赵国宇，
申请(专利权)人：北京理工雷科电子信息技术有限公司，
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。