[发明专利]基于纹理增强网络的红外小目标分割检测方法

说明书

本发明是一种基于纹理增强网络的红外小目标分割检测方法，包括步骤1：从原始视频数据集中获取带有红外小目标的图片，将图片划分为训练集和测试集，然后为图片打上标注，得到数据图片以及与之对应的标签图像数据集；步骤2：将获得的数据图片以及标签图像数据集输入纹理增强网络中，得到三个子输出；步骤3：构建差异性损失来度量得到的3个子输出特征图，得到差异性损失，并根据3个子输出计算出平均输出；步骤4：将得到的平均输出转化成单通道的分割预测图像，得到最终预测图像的输出。本发明在纹理增强网络的基础上构建了差异性损失，以一种更加高效准确的方式逼近网络，检测概率得到了提升，生成的预测分割图片简洁明了，无多余杂波出现。

技术领域

本发明属于计算机视觉领域，具体的说是涉及一种基于纹理增强网络的红外小目标分割检测方法。

背景技术

近年来，随着计算机技术的不断进步，计算机性能的不断提高，利用计算机取代繁重的人工作业己经成为趋势。计算机视觉作为人工智能研究领域重要的基础组成部分，有着广泛的应用，例如目标检测、人脸识别、场景重建以及目标跟踪等。红外小目标检测是红外搜索和跟着的关键技术之一，在海上监控系统，预警系统应用广泛。

红外小目标检测近年来越来越受关注，但由于探测距离较远，红外小目标图像成像面积小、强度弱，再加上大气云层的干扰，使得红外小目标容易淹没在背景里。另外，成像过程会产生噪声，在检测中容易被误检为目标，出现“高虚警”现象。近年来，红外小目标检测技术的研究发展迅速，许多方法相继被提出，如Dai等人提出的同时利用局部和非局部先验信息的RIPT模型(Dai Y,Wu Y.Reweighted infrared patch-tensor model with bothnonlocal and local priors for single-frame small target detection[J].IEEEjournal of selected topics in applied earth observations and remote sensing,2017,10(8):3752-3767.)，Kong等人提出的红外小目标检测网络new-IPT(Kong X,Yang C,Cao S,et al.Infrared small target detection via nonconvex tensor fibered rankapproximation[J].IEEE Transactions on Geoscience and Remote Sensing,2021,60:1-21.)，以及Han等人提出的用于红外小目标检测的加权增强局部对比度度量算法wslcm(Han J,Moradi S,Faramarzi I,et al.Infrared small target detection based onthe weighted strengthened local contrast measure[J].IEEE Geoscience andRemote Sensing Letters,2020,18(9):1670-1674.)。这些传统的红外小目标检测方法非常依赖手工特征的设置，导致模型不稳定，难以适应场景的变化。而随着深度学习的发展，各类神经网络层出不穷，已经应用到许多计算机视觉的任务中，如人脸识别，图像分类，文本检测识别等领域中。相比于传统算法，深度学习方法可以大幅度地提高许多任务的准确性，提高算法的鲁棒性，现已有不少研究者将深度学习的思想应用到红外小目标探测中。相比于经典方法，基于深度学习的目标检测算法不需要人为设置特征，建模方便、灵活，并且可以准确地区分各类目标的类别，在满足实时性能的前提下可以准确地检测出各类目标，充分地发挥了其优势。Wang等人提出的深度对抗学习网络MDvsFA_cGAN(Wang H,Zhou L,Wang L.Miss detection vs.false alarm:Adversarial learning for small objectsegmentation in infrared images[C]//Proceedings of the IEEE/CVF InternationalConference on Computer Vision.2019:8509-8518.)就是将红外小目标检测任务放到深度学习领域中来。但现有的基于深度学习的小目标检测模型一般都存在着检测精度不够高，细节纹理特征易被丢失的问题。