[发明专利]一种基于非对称注意力特征融合的红外弱小目标检测方法

说明书

本发明公开了一种基于非对称注意力特征融合的红外弱小目标检测方法，其包括：步骤S1：数据预处理及数据集划分；即，对包含弱小目标的红外图像数据集数据进行处理；步骤S2：建立具有非对称注意力特征融合模块AAFF、残差模块Res、基础卷积网络Conv的轻量级深度网络AAFFU‑Net模型；步骤S3：采用训练数据集和标注信息对所述的轻量级深度网络AAFFU‑Net模型进行训练以及调参，并结合验证集验证模型的性能并保存模型；利用保存后的模型进行红外弱小目标的检测。本发明具有能够提升网络模型检测红外弱小目标的性能、计算复杂度低，且可靠性更高等优点。

技术领域

本发明主要涉及到计算机视觉和图像处理技术领域，特指一种基于非对称注意力特征融合的红外弱小目标检测方法。

背景技术

红外成像技术在安防、监控、精确跟踪制导和遥感等许多领域都得到了迅速发展和广泛的应用。“红外弱小目标”是指在红外图像中，目标由于光学成像距离远，大气特性和背景温度噪声的影响等因素导致目标成像空间分辨率有限，只有2x2到9x9像素，不到整个图像的0.15％，信噪比低，缺少纹理和形状特征。“红外弱小目标”检测是泄漏和缺陷检测、医学分析细胞计数、预警系统、无人机巡航、红外寻的制导防空等民用和军事应用的关键技术。由于小目标分辨率低、缺乏纹理和形状信息以及环境和背景噪声等因素的影响，红外图像中的小目标通常淹没在复杂的背景杂波中，红外图像中的小目标检测被认为是一个充满挑战和富有吸引力的关键技术难题。

现有技术中，“红外弱小目标”的检测方法主要分为单帧检测和多帧检测。由于多帧检测算法通常比单帧检测算法耗时更多，且多帧检测算法一般假设背景为静态，难以应用到红外小目标实时检测。

传统的单帧检测方法主要包括二维最小均方(Two dimensional least meansquare，TDLMS)滤波算法、最大均值和最大中值滤波算法(Max-Mean/Max-Median filter)、顶帽变换方法(Top-hat filter)等基于背景空间一致性的方法；其主要是通过滤波的方式增强目标并抑制背景杂波，但是这种方法容易受到背景中的杂波和噪声的影响，检测鲁棒性差。

之后，有从业者提出一种基于人眼视觉系统(human visual system，HVS)的小目标检测方法，其主要是通过构建不同的局部对比测度来区分目标和背景。局部对比测量方法(local contrast measure，LCM)，新型局部对比度测量(novel local contrastmeasure，NLCM)，新型加权图像熵图方法(novel weighted image entropy map，NWIE)，多尺度块拼接的对比测量方法(multiscale patch-based contrast measure，MPCM)。该方法主要通过局部区域内构造一个内部窗口及其邻近窗口，计算内部窗口与邻近窗口的对比，增强局部目标特征。通过在整个图像上滑动内部窗口，最后采用自适应阈值分割来实现目标的检测。然而，这些算法容易受到边缘和噪声等因素的影响，造成误检。

近年来，随着深度学习在计算机视觉领域取得的成功，深度学习算法利用多层神经网络模型和大量训练数据，通过多次迭代运算实现对输入数据的深层特征提取与学习，卷积神经网络(convolutional neural networks，CNN)引入到红外弱小目标检测中。在红外弱小目标检测的课题中，发展出了基于U-Net网络和语义约束模块相结合的红外小目标语义分割深度学习方法，基于产生式对抗网络(Generative Adversarial Network，GAN)的目标检测，利用卷积神经网络中非对称调制模块在红外小目标检测中获得更丰富的语义信息和空间细节编码以及注意局部对比度网络(Attentional Local Contrast Networks，ALCNet)。在红外弱小目标检测的任务中，卷积神经网络在提取弱小目标特征，抑制背景杂波噪声表现出巨大的优势，降低了红外弱小目标检测的虚警率，提高检测精度和性能。

发明内容