[发明专利]一种基于特征融合与注意力机制的红外目标检测方法

说明书

本发明属于计算机视觉领域，公开了一种基于特征融合与注意力机制的红外目标检测方法，主要解决现有技术在红外图像目标检测中由于红外图像特征少导致的精度低问题。其方案为：1)搭建特征融合与注意力机制的红外目标检测网络；2)构建红外图像数据集；3)利用构建的数据集对特征融合与注意力机制的红外目标检测网络进行训练，得到训练好的红外目标检测网络；4)将待检测的红外图像，输入到训练好的网络中进行检测标注，输出红外目标的检测结果。本发明增强了网络的识别和定位红外能力，保证检测的速度，提高了检测精度，广泛应用于工业、安防、交通等领域。

技术领域

本发明属于计算机视觉领域，特别是涉及一种基于特征融合与注意力机制的红外目标检测方法，适用于夜间自动驾驶、区域安防和体检测温等领域。

背景技术

红外目标检测是利用计算机视觉技术判断红外图像中是否存在人、车等目标，并给予精确定位。该技术在工业、安防、交通等民用领域有着广泛的应用。例如红外技术能够检测出器件是否出现接触不良或损坏；红外技术可以应用于无人驾驶车上进行全天候的目标检测等。红外目标检测系统的研究经过十几年的发展，检测精度趋于实用化、检测速度趋于实时化。在传统的红外目标检测方法中，分为区域选择、特征提取和分类器分类三个阶段，由于区域选择策略没有针对性，具有窗口冗余，会导致后续分类过程出现错检的现象；其次手工设计的特征对于环境多样性没有很好的鲁棒性，对于复杂环境情况下手工设计的特征没有办法获取准确的语义信息，检测的精度不高。加之红外图像本身具有对比度低、信噪比低等特点，使得红外目标检测任务增加了难度。容易造成小目标漏检、目标定位不准确等问题。

现有的基于深度学习的红外目标检测方法按有无anchor可分为anchor-based、anchor-free两种方法。其中anchor-based方法分为one-stage和two-stage两种，约瑟夫·雷德蒙2016年在CVPR上发表的论文“You Only Look Once:Unified,Real-Time ObjectDetection”中提出的一种one-stage目标检测算法YOLOv1。该方法将物体检测任务当做一个回归问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box的坐标、box中包含物体的置信度和物体的概率。该方法检测物体的速度很快，但是在物体定位时更容易出错。何凯明2017年在IEEE上发表的论文“Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal Networks”中提出的一种two-stage目标检测算法Faster R-CNN。该方法由两个模块组成，一个模块是深度全卷积网络RPN，用于生成区域方案；第二个模块是Fast R-CNN检测器，其使用了RPN产生的区域方案进行检测。但该方法存在的不足之处是，Faster R-CNN在训练过程中分两步进行，导致目标检测的速度低，无法保证目标检测的实时性。

Hei Law等人2018年在ECCV上发表的论文“CornerNet:Detecting Objects asPaired Keypoints”中提出的一种anchor-free目标检测算法CornerNet，该方法将目标检测问题当作关键点检测问题来解决，也就是通过检测目标框的左上角和右下角两个关键点得到预测框，因此CornerNet算法中没有anchor的概念；整个检测网络的训练是从头开始的，并不基于预训练的分类模型，这使得用户能够自由设计特征提取网络，不用受预训练模型的限制。但是该方法语义模糊性，导致检测结果不稳定，需要设计更多的方法来进行重新分配权重。

发明内容

本发明的目的在于针对现有的红外目标检测技术存在检测精度低，速度慢的问题，提供一种基于特征融合与注意力机制的红外目标检测方法，以提升红外目标检测的精度，保证红外目标检测的实时性。

为实现上述目的，本发明技术方案包括如下：

一种基于特征融合与注意力机制的红外目标检测方法，包括如下步骤：