【技术实现步骤摘要】
本专利技术属于海上目标检测，尤其涉及基于多模态融合的复杂海况小目标检测方法。
技术介绍
1、海上目标检测技术在海洋监控系统中扮演着至关重要的角色，它不仅关系到海上交通安全，还涉及到海洋资源的保护、海上边界的监控以及海洋环境的监测等多个方面。然而，海洋环境的复杂性给海上目标检测带来了诸多挑战。
2、为了实现有效的海上目标检测，研究人员开发了多种技术手段。雷达技术通过发射电磁波并接收反射回来的信号来探测目标，具有远距离探测的优势，但在分辨率上通常较低，且容易受到天气条件如雨雾的影响。光学成像系统能够提供高分辨率的图像，使得目标的形状、颜色和纹理等细节得以清晰展现。然而，在光照条件不佳或极端气候下，光学成像的效果会受到限制。声纳主要通过声波在水中的传播来探测水下目标，如潜艇等，对于水面目标的探测则相对有限。利用卫星搭载的传感器进行大范围的海洋监测，虽然可以覆盖广阔的海域，但受限于卫星的轨道和传感器的性能，其实时性和分辨率通常不如近海监测手段。为了整合这些技术的优势并克服各自的不足，多模态数据融合技术应运而生。通过融合这些不同模态的数据，可以弥补单一传感器的不足。
3、近年来，基于红外、可见光、高光谱图像的目标检测逐渐成为研究的热点，并取得了一系列创新成果。在早期，目标检测主要依赖于手工特征提取和传统机器学习算法，如支持向量机(svm)、随机森林等。这些方法需要专业知识来设计特征，并且通常在检测性能上存在限制。随着时间的推移，深度学习的出现极大地推动了目标检测技术的进步。深度学习模型，尤其是卷积神经网络(cnn)
4、然而，现有技术中仍然存在一定的缺陷和挑战。(1)多模态数据融合不充分，现有技术往往依赖单一模态数据，未能有效整合不同传感器数据的优势，导致在复杂海况下的目标检测性能受限。(2)小目标检测困难，海上环境中的小目标检测面临更多挑战，如目标尺寸小、信号弱，现有技术难以准确识别和定位这些小目标。(3)环境适应性差，海上环境多变，包括光照变化、海浪波动等，现有技术在夜间或恶劣天气条件下的检测效率和准确性不足。(4)实时性不足，在需要快速响应的应用场景中，现有技术的计算成本高，无法满足实时或近实时的检测需求。
技术实现思路
1、针对上述技术问题，本专利技术提出基于多模态融合的复杂海况小目标检测方案。
2、本专利技术第一方面公开了基于多模态融合的复杂海况小目标检测方法，所述方法包括：
3、步骤s1、在图像融合阶段，基于自适应-拉普拉斯融合策略，将红外图像、可见光图像、高光谱图像融合为自适应图像；
4、步骤s2、在目标检测阶段，通过编码器的下采样层和稠密块的卷积层计算特征融合层，实现针对自适应图像的逐级特征融合；
5、步骤s3、在目标检测阶段，通过目标检测模型对融合的特征进行目标检测；其中，排除与正标签的正像素没有交集的其他像素，将背景中的误检测像素排除在目标检测结果之外；
6、步骤s4、执行像素间的平均加权求和以更新标签，并逐步扩展点标签从而提高检测准确性；
7、步骤s5、输出生成的检测图像。
8、根据本专利技术第一方面的方法，在步骤s1中：
9、在融合的第一阶段：
10、对红外图像、可见光图像、高光谱图像进行自适应融合，形成混合图像数据集，用于整合三种图像的基本信息，并形成第一融合图像；
11、同时，利用拉普拉斯金字塔融合上述三种图像，以保留高频细节信息，并形成第二融合图像；
12、在融合的第二阶段，将第一融合图像和第二融合图像再次进行自适应融合，得到所述自适应图像。
13、根据本专利技术第一方面的方法，在步骤s1中，自适应-拉普拉斯融合过程为：
14、
15、其中，iir、ivis、ihs分别表示红外图像、可见光图像、高光谱图像，wir、wvis、whs分别为在第一阶段自适应融合过程中的权重，wi′r、w′vis、w′hs分别为在第一阶段拉普拉斯融合过程中的权重，wa、wl分别为它们在第二阶段自适应融合过程中的权重，n表示拉普拉斯金字塔的层级数，分别为红外、可见光和高光谱图像在拉普拉斯金字塔第k层的细节图像。
16、根据本专利技术第一方面的方法，在步骤s2中，利用基于逐级特征融合机制的u-net子网络执行针对自适应图像的逐级特征融合；其中，基于逐级特征融合机制的u-net子网络通过多次交互来聚合不同尺寸的特征信息，从而实现逐级特征融合，其过程为：
17、
18、其中，li,j表示沿编码器的第i个下采样层且沿平原跳跃路径的稠密块的第j个卷积层的输出，f表示多个级联卷积层，pmax表示最大池化层。
19、根据本专利技术第一方面的方法，在步骤s3中，利用基于动态标签校准机制的目标检测模型执行目标检测；其中：动态标签校准机制用于排除与正标签的正像素没有交集的其他像素，将背景中的误检测像素排除在目标检测结果之外；在步骤s4中，同时执行像素间的平均加权求和以实现标签更新，通过逐步更新标签来实现逐渐扩展点标签，以提高检测的准确性；上述过程为：
20、
21、其中，⊙表示逐元素乘法，h、w是输入图像的高度和宽度，r设置为0.15％，tb是最小阈值，k用于控制阈值增长速率，是针对的掩模，是第n轮中的更新标签，用于第n+1轮中训练的新监督。
22、本专利技术第二方面公开了基于多模态融合的复杂海况小目标检测系统，所述系统包括处理单元，所述处理单元被配置为执行：
23、在图像融合阶段，基于自适应-拉普拉斯融合策略，将红外图像、可见光图像、高光谱图像融合为自适应图像；
24、在目标检测阶段，通过编码器的下采样层和稠密块的卷积层计算特征融合层，实现针对自适应图像的逐级特征融合；
25、在目标检测阶段，通过目标检测模型对融合的特征进行目标检测；其中，排除与正标签的正像素没有交集的其他像素，将背景中的误检测像素排除在目标检测结果之外；
26、执行像素间的平均加权求和以更新标签，并逐步扩展点标签从而提高检测准确性；
27、输出生成的检测图像。
28、本专利技术第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本公开第一方面所述的基于多模态融合的复杂海况小目标检测方法。
29、本专利技术第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本公开第一方面所述的基于多模态融合的复杂海况小目标检测方法。
30、综上，本专利技术利用自适应-拉普拉斯融合策略，优化了不同模态数据的整合过程，提高了融合图像的质量，增强了目标检测的性能。采用基于u-net子网络的结构，通过逐级特征融合机制，加强了对小目标特征的提取和表示，提升了检测准确性。提出动态本文档来自技高网...
【技术保护点】
1.一种基于多模态融合的复杂海况小目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤S1中：
3.根据权利要求2所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤S1中，自适应-拉普拉斯融合过程为：
4.根据权利要求3所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤S2中，利用基于逐级特征融合机制的U-Net子网络执行针对自适应图像的逐级特征融合；其中，基于逐级特征融合机制的U-Net子网络通过多次交互来聚合不同尺寸的特征信息，从而实现逐级特征融合，其过程为：
5.根据权利要求4所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于：
6.一种基于多模态融合的复杂海况小目标检测系统，其特征在于，所述系统包括处理单元，所述处理单元被配置为执行：
7.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-5任一项所
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-5任一项所述的一种基于多模态融合的复杂海况小目标检测方法。
...【技术特征摘要】
1.一种基于多模态融合的复杂海况小目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤s1中：
3.根据权利要求2所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤s1中，自适应-拉普拉斯融合过程为：
4.根据权利要求3所述的一种基于多模态融合的复杂海况小目标检测方法，其特征在于，在步骤s2中，利用基于逐级特征融合机制的u-net子网络执行针对自适应图像的逐级特征融合；其中，基于逐级特征融合机制的u-net子网络通过多次交互来聚合不同尺寸的特征信息，从而实现逐级特征融合，其过程为：
【专利技术属性】
技术研发人员：郭少军，罗再磊，沈同圣，郄志鹏，刘峰，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
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。