[发明专利]基于双向注意力聚合机制的红外小目标检测方法

说明书

本发明公开了一种基于双向注意力聚合机制的红外小目标检测方法，主要解决现有方法检测准确率较低的问题，实现步骤为：构建训练样本集和测试样本集；构建基于双向注意力聚合机制的目标检测网络模型：包括并行排布的第一分支和第二分支；第一分支包括顺次连接的Stem块、第一和第二残差块、第一转置卷积层、第一双向注意力聚合块、第二转置卷积层、第二双向注意力聚合块、head网络；第二分支包括顺次连接的三个泰勒中心差分残差块；双向注意力聚合块包括多个瓶颈结构、多个可变性卷积层和多个非线性激活层；泰勒中心差分残差块包括多个卷积层和多个非线性激活层；对目标检测网络模型进行迭代训练。本发明能够提高红外小目标检测的准确率。

技术领域

本发明属于数字图像处理技术领域，涉及一种红外图像中小目标检测的方法，具体涉及一种基于双向注意力聚合机制的红外小目标检测方法，可用于海上救援。

背景技术

红外小目标检测是利用计算机技术从红外图像中检测出目标的技术。红外小目标检测具有广泛的应用，例如交通管理和海上救援。与一般的目标检测相比，红外小目标具有以下特点：红外图像背景中存在大量噪声和杂波，目标容易淹没在背景中，导致对比度低，信噪比低；由于相机到物体的距离较长，红外目标在图像中通常只占据大约一到十个像素；根据不同的目标类型，在不同的场景和情况下，目标的形状和大小会有所不同。为了检测红外小目标，研究人员提出了几种基于图像处理和机器学习的方法，包括基于滤波、基于人类视觉系统和基于低秩表示的方法。然而，这些传统方法有一些局限性：不能抑制复杂的背景噪声，导致检测错误率高，性能不稳定。

随着深度学习在许多领域的成功，研究人员将其应用于红外小目标检测领域，取得了有效的成果。例如，北京环境特性研究所在其申请的专利文献“基于递进式层级融合网络的红外小目标智能识别方法”(专利申请号：202111498806.4，申请公布号为CN113989474A)中，提出了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，该方法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检测结果。该发明具有计算速度快的优点，但是网络提取的特征不够精细、完整，且缺乏对目标边缘的关注，导致检测的准确率较低。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于双向注意力聚合机制的红外小目标检测方法，用于解决现有的基于深度学习的红外小目标检测方法检测准确率低的问题。

为实现上述目的，本发明采取的技术方案包括以下步骤：

(1)获取训练样本集和测试样本集：

获取包含不同目标的K幅大小为H×H的红外图像，并采用Sobel算子每幅红外图像进行边缘检测，然后对每幅红外图像及其对应的红外边缘图像中的目标进行标注，再将M幅红外图像及其对应的红外边缘图像，以及每幅图像的标签组成训练样本集R₁，将剩余的K-M幅红外图像及其对应的红外边缘图像，以及每幅图像的标签组成测试样本集E₁，其中K≥1000，H≥256，

(2)构建基于双向注意力聚合机制的目标检测网络模型O：