[发明专利]基于递进式层级融合网络的红外小目标智能识别方法

权利要求书

1.一种基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，包括如下步骤：

网络基础层采用对抗式神经网络图像融合架构对双波段红外图像进行像素级融合，得到融合图像；

网络中间层对所述融合图像进行深度特征提取，得到第一特征；

将所述第一特征与红外单波段深度特征进行筛选综合实现红外数据特征级融合，得到第二特征；

将所述第一特征以及所述第二特征输入至检测模块进行目标检测操作，得到第一检测结果以及第二检测结果；

网络输出层通过神经网络训练得到的权重因子为所述第一检测结果以及所述第二检测结果分配可信度值，进行决策级融合；

输出得到红外小目标识别结果。

2.根据权利要求1所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述网络基础层采用对抗式神经网络图像融合架构对双波段红外图像进行像素级融合，得到融合图像的步骤中，所述网络基础层采用基于生成对抗网络及残差网络的多频段红外图像融合算法，所述网络基础层包括生成器、判别器，所述生成器与所述判别器对抗博弈进行图像融合。

3.根据权利要求2所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述网络基础层包括第一特征提取器，所述第一特征提取器用于提取所述红外单波段深度特征。

4.根据权利要求3所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述第一特征提取器采用跨阶段部分连接神经网络框架。

5.根据权利要求2所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述网络中间层包括第二特征提取器、特征融合器、检测模块；所述第二特征提取器用于对所述融合图像进行深度特征提取，得到第一特征；所述特征融合器用于将所述第一特征与所述红外单波段深度特征进行筛选综合实现红外数据特征级融合，得到第二特征；所述检测模块用于对所述第一特征以及所述第二特征输入进行目标检测操作，得到第一检测结果以及第二检测结果。

6.根据权利要求5所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述特征融合器用于将所述第一特征与所述红外单波段深度特征采用专用神经网络进行高层语义融合、特征压缩、降维处理实现红外数据特征级融合，得到第二特征。

7.根据权利要求5所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述检测模块增加空间金字塔池化层以及路径聚合网络形成多尺度特征融合网络。

8.根据权利要求7所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述生成器的损失函数L_G可表示为，

L_G＝L_Adv+L_SSIM+L_Grad，

L_SSIM＝1-(w·MSSIM(l,F)+(1-w)·MSSIM(V,F))，

其中，N表示融合图像的数量，L_Adv为对抗损失，L_SSIM为结构相似性损失，L_Grad为强度梯度损失，D(F)为判别器对融合图像的判别结果，l和V表示双波段红外图像，F表示融合图像，MSSIM(l,F)表示红外图像l与融合图像F之间的结构相似值，MSSIM(V,F)表示红外图像V与融合图像F之间的结构相似值，H和W为输入图像高度和宽度，a、w、γ₁、γ₂、γ₃和γ₄为常数系数，分别表示融合图像F的梯度值，红外图像l的梯度值、红外图像V的梯度值。

9.根据权利要求8所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述判别器的损失函数L_D可表示为，

其中，D(V)为判别器对双波段红外图像V的判别结果，b、c为常数。

10.根据权利要求1-9中任意一项所述的基于递进式层级融合网络的红外小目标智能识别方法，其特征在于，所述网络输出层联合所述第一检测结果以及所述第二检测结果，在决策级融合中采用D-S证据理论实现检测结果的融合处理。