[发明专利]一种基于卷积神经网络的红外点目标实时检测跟踪方法

说明书

本发明提供了一种基于卷积神经网络的红外点目标实时检测跟踪方法，首先采用滑窗的方式对红外点目标进行检测，筛选可能的目标，再对多帧图像中的点目标进行数据关联的跟踪，形成航迹，然后每间隔N帧图像用卷积神经网络对图像进行识别，去除航迹中的非点目标。本发明适用于光电探测设备对空中的弱小目标进行检测和跟踪，主要算法流程均由软件完成，针对红外图像进行处理，提高光电探测设备的探测能力和探测精度。本技术融合了传统的目标检测算法和卷积神经网络算法，在保证检测准确性的同时，提高了检测效率，可以实现实时准确的检测。

技术领域

本发明涉及一种基于卷积神经网络的红外点目标实时检测跟踪方法。

背景技术

近年来，随着科学技术的发展，在军用方面，红外探测器以其观测距离远、受能见度等外界条件干扰小、具备全天候值守能力等优势而被广泛应用于红外制导系统、红外预警系统以及海事监视系统等领域。在民用方面，红外点目标检测也开始应用于无人机探测和消防救灾等领域。因此红外点目标检测技术在军、民用上都具有很高的研究价值和应用前景。

由于点目标在图像上占有的像素少，通常只有3×3个像素，加上背景通常情况下比较复杂，目标很容易被噪声和背景杂波所淹没，使得红外点目标的检测变得更加困难。传统的图像检测算法虽然可以检测出点目标，但在复杂云层背景或者复杂地物背景下，会出现很多传统方法难以去除的虚警点。针对这一问题，主要解决手段是采用卷积神经网络算法，通过设计一种卷积神经网络模型，并采集大量样本进行标注，通过监督学习的方式，使得模型具有提取目标特征的能力，从而实现在复杂背景下对点目标的检测识别。虽然这种方法可以准确的对红外点目标进行检测，但计算量大，对机器性能要求较高，实际工程应用中很难推广。

综上所述，需要一种在复杂背景下可以实时、准确的发现、跟踪红外点目标的手段，来提升红外探测系统的性能。而实现该手段，则需要解决以下关键问题：(1)如何降低由复杂背景杂波导致的检测虚警率。(2)如何在提高检测准确率的同时，降低计算量以保证系统的实时性。

发明内容

发明目的：针对在复杂云层背景下红外点目标检测时虚警率过高以及深度学习算法计算量大，难以实时的问题，本发明提供一套完整的目标检测、跟踪处理流程，能够实现点目标的迅速准确的检测与跟踪。

本发明具体提供了一种基于卷积神经网络的红外点目标实时检测跟踪方法，包括如下步骤：

步骤1，计算图像I_k的全局对比度Th，I_k为视频中第k帧图像，k为视频帧数编号；

步骤2，用9×9像素的窗口对图像I_k进行从左到右，从上到下的滑窗，每次取9×9的窗口中的最大灰度值点P，并比较P点和周围像素点的灰度值，如果P点灰度值为最大值，则执行步骤3，否则继续步骤2的滑窗；

步骤3，根据全局对比度Th值判断P点是否为点目标，如果是则继续执行下面步骤，否则继续步骤2的滑窗；

步骤4，积累前3帧图像的点目标信息，采用数据关联的方式进行跟踪，形成批号和航迹信息；

步骤5，每间隔N帧图像，采用YOLOV4卷积神经网络对图像进行一次检测识别，并将结果和当前航迹信息进行融合，去除非点目标航迹信息。

步骤1包括：

图像I_k全局对比度Th的计算方式如下：

其中，M、N分别为原始图像的宽和高，I(i,j)为图像中坐标(i,j)处的像素值，计算每个像素点在水平和垂直方向差值的均方根作为该像素的对比度，计算所有像素对比度的均值作为图像的全局对比度。

步骤2包括：