[发明专利]一种基于YOLOv4多尺度特征融合的红外小目标检测方法

说明书

本发明公开了一种基于YOLOv4多尺度特征融合的红外小目标检测方法，改善传统红外小目标检测方法在把不同背景下鲁棒性差、特征耦合以及特征易缺失的问题。该发明含有，1、获取红外小目标检测图像进行预处理；2、提取图像的全局特征，对目标区域进行扩张卷积后的特征嵌入全局分支中；3、使用滑动窗口对原始图像进行采样并进行下采样降低原始图像分辨率，得到对抗网络模型输入训练好的生成对抗网络模型；4、将主干网络输出的局部增强的特征、获取的全局特征和上下文特征，通过学习不同的权值相互融合；5、融合后的模块输入空间自注意机制；6、计算损失函数得到最终检测结果。该技术能够适应在不同环境下红外小目标检测的需求。

技术领域

本发明涉及图像处理技术与模式识别技术领域，特别是涉及一种基于YOLOv4多尺度特征融合的红外小目标检测方法。

背景技术

红外成像能力在没有照明的情况下，可以穿透障碍物，提供比较清晰的图像，因此，红外小目标检测在预警系统、遥感以及目标跟踪等领域有着不可替代的作用。但是，一方面，小目标缺乏与其区别的外观信息、形状和纹理特征，锁定小物体的位置就会产生更多的不确定性。另一方面，在复杂背景下，由于噪声、湿度、距离等各种因素影响下，目前的方法还有很大的虚警率甚至漏检。因此，目前红外小目标检测还存在很大的困难与挑战。

传统方法假设背景是静态的或者相邻帧中目标图像一致，利用背景与红外小目标之间的差异进行检测，这样很容易因为对比度不明显造成特征缺失，导致漏检以及“假阳性”的检测结果。同时外界条件造成的背景图像的动态变化影响最终检测结果，因此传统方法对于多样性的变化没有很好的鲁棒性。

近年来，随着卷积神经网络在深度学习中的快速发展，一些基于卷积神经网络的红外小目标检测方法取得了巨大的进展。卷积神经网络能够以端到端的方式学习红外小目标图像的深度语义特征，因此目标检测网络应用于很多领域。相关工作有：杨其利等人提出了一种基于全卷积网络的红外弱小目标检测算法，构建了基于递归卷积层的全卷积网络，增强了复杂环境下目标和背景之间的对比度(见参考文献：杨其利,周炳红,郑伟,等.基于全卷积网络的红外弱小目标检测算法[J].红外技术,2021,43(4):349-356)；蔡云泽针对远距离红外目标检测中算法漏检率和虚警率高等问题，设计了双通道特征提取模块，通过特征增强丰富了目标特征(见参考文献：蔡云泽,张彦军.基于双通道特征增强集成注意力网络的红外弱小目标检测方法[J].空天防御,2021,4(4):14-22)；汪龙鑫等人使用条件对抗生成网络以及YOLOv3-tiny检测器构建了红外小目标检测与跟踪系统，优化了红外图像背景复杂、信杂比低、目标尺寸小等问题(见参考文献：汪龙鑫,曾丹,朱晓强.空基红外小目标检测与跟踪系统[J].工业控制计算机,2022,35(5):39-41)。

发明内容

本发明针对传统红外小目标检测方法在把不同背景下鲁棒性差、特征耦合以及特征易缺失的问题，提供一种检测结果的准确性高、不同场景下较高鲁棒性好的基于YOLOv4多尺度特征融合的红外小目标检测方法。

本发明的技术解决方案是，提供一种具有以下步骤的基于YOLOv4多尺度特征融合的红外小目标检测方法：含有以下步骤，

步骤1、获取红外小目标检测图像，对图像进行预处理，调整为统一尺寸；

步骤2、提取图像的全局特征，对目标区域进行扩张卷积，将扩张卷积获取的特征嵌入全局分支中，学习目标区域的上下文信息；

步骤3、使用滑动窗口对原始图像进行采样，将采样后的图像块序列进行下采样降低原始图像分辨率，得到的低分辨率图像用于训练生成对抗网络模型，将滑动窗口采样的图像块序列输入训练好的生成对抗网络模型，获取局部特征增强的图像；

步骤4、将步骤3得到的图像输入YOLOv4的主干网络，将主干网络输出的局部增强的特征、步骤2中获取的全局特征和上下文特征，通过学习不同的权值相互融合；

步骤5、融合后的模块输入空间自注意机制，增强红外小目标在空间结构中的依赖响应；