【技术实现步骤摘要】
本专利技术涉及计算机视觉，主要涉及红外成像中的弱小目标检测识别问题，具体涉及了一种基于多尺度特征增强的单帧红外弱小目标检测方法。
技术介绍
1、红外成像技术以其独特的优势在多个领域展现出其重要性。相比可见光成像系统，红外成像系统体积小、重量轻，且不易受烟雾等恶劣环境影响和光照条件限制，可以全天候全天时工作，其通过被动接受目标热辐射，展现出较高的隐蔽性和抗干扰能力。因此，该技术被广泛应用于民用领域和军事领域，例如自动驾驶、预警系统、海上监测、精确制导等方面。然而，目前红外弱小目标的检测仍存在许多问题和难点。首先，由于目标通常在高空或者远距离条件下拍摄，距离探测器较远，图像分辨率低，导致目标缺乏纹理、形状等细节信息；其次，大视场下的探测会引入复杂的背景干扰和噪声，导致目标的信噪比低，极易淹没在复杂背景中，增加了弱小目标的检测难度。因此，对红外弱小目标进行准确的检测仍然是一个具有挑战性的难题。
2、目前，红外弱小目标检测方法分为传统的图像处理方法和深度学习方法。常见的传统方法有基于滤波器、基于视觉显著性以及基于图像数据结构三种。传统图像处理检测方法受人工特征提取影响，鲁棒性低，面对复杂背景和目标形状变化的情况时，出现的较高的虚警率。近几年，随着深度学习在多个领域快速发展，与传统的检测方法相比，其采用数据驱动的端到端的学习框架，网络结构灵活，能够自适应的学习目标特征，无需人工提取特征，是一种鲁棒性强、准确率高的目标检测方法，因此更适用复杂背景下的红外弱小目标检测。
3、基于深度学习的红外弱小目标检测方法被建模成分
技术实现思路
1、本专利技术针对现有技术的不足，提出一种基于多尺度特征增强的单帧红外弱小目标检测方法。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于多尺度特征增强的单帧红外弱小目标检测方法，包括如下步骤：
4、步骤1、获取单帧红外图像并构建单帧红外图像数据集。
5、步骤2、构建红外弱小目标检测网络模型，所述红外弱小目标检测网络模型以yolov5网络模型为基础网络，yolov5网络模型包括主干特征提取网络、特征融合网络和检测头。
6、步骤3、在主干特征提取网络中引入了多尺度特征增强模块(mfeb，muti-featureenhance block)，该模块包括上下文特征融合模块(cfb，context fusion block)与特征细节增强模块(deb，detail enhance block)。其中上下文特征融合模块包含块引导的上下文信息感知模块(pgcab，patch-guide context aware block)和序列卷积模块；特征细节增强模块包括一个细节增强卷积模块deconv和cbam注意力机制。
7、步骤4、设计了一个训练策略，根据训练epoch轮数，自适应的采用focal-nwd和focal-αeciou损失函数作为定位损失进行计算，对边界框实现从粗到精的回归。
8、步骤5、将步骤1所得的训练样本输入步骤2至步骤4构建的红外弱小目标检测模型进行训练。
9、步骤6、输入测试集进行模型的测试和评估。
10、作为优选，步骤3的多尺度特征增强模块mfeb，具体包括：
11、上下文特征融合模块cfb：上下文特征融合模块包含块引导的上下文信息感知模块和序列卷积模块。给定一个特征分别进行平均池化操作、最大池化操作和conv操作来提取每个块的块内平均池化特征favg、块内最大池化特征fmax以及块内局部特征flocal，然后分别将favg和fmax通过nonlocal模块得到具有长距离交互的块间全局特征和其中这两个全局特征从不同角度有效捕获上下文关联信息，然后对这两个全局特征进行通道拼接操作得到聚合全局特征fglobal，fglobal和flocal元素对应相乘得到全局和局部特征融合特征ffusion，最后通过残差连接将原始输入特征f与融合特征ffusion相加得到最终的特征f′，采用不同k值可获取不同尺度的特征。
12、作为优选，所述块引导的上下文信息感知模块首先对特征f以k×k窗口大小的块，步长为s，特征表示为fk′。
13、作为优选，序列卷积模块为bottleneck模块，由一个1×1conv模块和一个3×3conv模块以及残差连接组成。特征f经过序列卷积模块后得到的特征为fseq。最后，块引导的上下文信息感知模块输出特征fk′和序列卷积模块输出特征fseq相加得到上下文特征融合模块的输出特征
14、作为优选，特征细节增强模块deb：特征细节增强模块包括一个细节增强卷积模块deconv和cbam注意力机制。
15、细节增强卷积模块deconv包含标准卷积和差分卷积。差分卷积通过像素对差分计算策略，将先验知识显示编码进模型中，差分卷积包含中心差分卷积cdc、角度差分卷积adc、垂直差分卷积vdc和水平差分卷积hdc四个卷积操作，上下文特征融合模块的输出作为输入并行的经过五个卷积，最后将五个分支的输出进行元素相加得到细节增强卷积模块的输出
16、作为优选，cbam注意力机制分为空间注意力和通道注意力两部分。给定一个特征特征先通过通道注意力，通道注意力在空间维度上分别进行全局平均池化和全局最大池化得到全局特征描述和将全局特征描述和分别输入到共享参数的两层全连接网络中，生成通道注意力向量，将这两个通道注意力向量相加后再通过sigmoid函数归一化生成最终的通道注意力权重将特征与通道注意力权重mc主通道相乘得到通道增强的特征图通道增强的特征图再经过空间注意力，空间注意力对通道增强的特征图在通道维度上进行通道平均池化和通道最大池化得到全局特征描述和将和在通道维度上拼接后再通过一个7×7的卷积核进行卷积操作并通过sigmoid归一化得到一个空间注意力图最后将通道增强的特征图与空间注意力图ms逐元素相乘得到空间增强的特征f″。
17、对上下文特征融合模块和特征细节增强模块进行依次串联连接得到多尺度特征增强模块mfeb。
18、作为优选，步骤4的具体包括如下步骤：
19、定义预测框的中心坐标值cx和cy，宽度和高度为w和h；真实框的中心坐标值cxgt和cygt，宽度和高度为wgt和hgt。
20、构建focal-αeciou损失函数，具体公式如下：
21、
22、lαeciou＝1-αeciou
23、lfocal-αeciou＝iouγlαeciou
24、其中本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述上下文特征融合模块包含块引导的上下文信息感知模块和序列卷积模块。
3.根据权利要求2所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述特征细节增强模块包括一个细节增强卷积模块和CBAM注意力机制。
4.根据权利要求3所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述上下文特征融合模块中，给定一个特征通过块引导的上下文信息感知模块分别进行平均池化操作、最大池化操作和Conv操作来提取每个块的块内平均池化特征Favg、块内最大池化特征Fmax以及块内局部特征Flocal，然后分别将块内平均池化特征Favg和块内最大池化特征Fmax通过Nonlocal模块得到具有长距离交互的块间全局特征和将两个块间全局特征和进行通道拼接得到聚合全局特征Fglobal，聚合全局特征Fglobal和块内局部特征Flocal中的元素对应相乘得到全局和局部特征融
5.根据权利要求4所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述块引导的上下文信息感知模块提取特征时，设置窗口大小的块为k×k，步长为s，特征表示为Fk′。
6.根据权利要求4所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述序列卷积模块为Bottleneck模块，由一个1×1Conv模块和一个3×3Conv模块以及残差连接组成，所述特征F经过序列卷积模块后得到的特征为Fseq；最后，块引导的上下文信息感知模块输出特征Fk′和序列卷积模块输出特征Fseq相加得到上下文特征融合模块的输出特征
7.根据权利要求4所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述细节增强卷积模块包括标准卷积和差分卷积，所述差分卷积包括中心差分卷积CDC、角度差分卷积ADC、垂直差分卷积VDC和水平差分卷积HDC，上下文特征融合模块的输出作为输入并行的经过五个卷积，最后将五个分支的输出进行元素相加得到细节增强卷积模块的输出
8.根据权利要求7所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述CBAM注意力机制包括空间注意力和通道注意力，给定一个特征所述特征为细节增强模块的输出，先通过通道注意力，通道注意力在空间维度上分别进行全局平均池化和全局最大池化得到全局特征描述和将全局特征描述和
9.根据权利要求1所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，其特征在于，所述步骤3中，红外弱小目标检测网络模型的训练策略为：
10.根据权利要求9所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述步骤3中，红外弱小目标检测网络模型训练时，定义预测框的中心坐标值cx和cy，宽度和高度为w和h；真实框的中心坐标值cxgt和cygt，宽度和高度为wgt和hgt；构建Focal-αECIoU损失函数，具体公式如下：
11.根据权利要求9所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述Focal-NWD损失函数具体公式如下：
...【技术特征摘要】
1.一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述上下文特征融合模块包含块引导的上下文信息感知模块和序列卷积模块。
3.根据权利要求2所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述特征细节增强模块包括一个细节增强卷积模块和cbam注意力机制。
4.根据权利要求3所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述上下文特征融合模块中，给定一个特征通过块引导的上下文信息感知模块分别进行平均池化操作、最大池化操作和conv操作来提取每个块的块内平均池化特征favg、块内最大池化特征fmax以及块内局部特征flocal，然后分别将块内平均池化特征favg和块内最大池化特征fmax通过nonlocal模块得到具有长距离交互的块间全局特征和将两个块间全局特征和进行通道拼接得到聚合全局特征fglobal，聚合全局特征fglobal和块内局部特征flocal中的元素对应相乘得到全局和局部特征融合特征ffusion，最后通过残差连接将原始输入特征f与融合特征ffusion相加得到最终的特征f′。
5.根据权利要求4所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述块引导的上下文信息感知模块提取特征时，设置窗口大小的块为k×k，步长为s，特征表示为fk′。
6.根据权利要求4所述的一种基于多尺度特征增强的单帧红外弱小目标检测方法，其特征在于，所述序列卷积模块为bottleneck模块，由一个1×1conv模块和一个3×3...
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。