[发明专利]基于模型驱动的生成对抗网络红外小目标检测方法

说明书

本发明属于神经网络深度学习技术领域或目标分割领域，公开了一种基于模型驱动的生成对抗网络红外小目标检测方法，其主要步骤概括为：步骤S1：将真实红外图像即退化的红外图像输入到深度展开网络中，提取出目标特征并恢复退化的红外图像；步骤S2：将真实红外图像与步骤S1恢复的红外图像，输入到判别网络中，判别输入图像是否真实，从而降低误检率；步骤S3：根据损失函数，训练整个模型，实现红外小目标检测。采用本发明，可以显著降低退化红外小目标检测的误检率。

技术领域

本发明属于神经网络深度学习技术领域或目标分割领域，具体涉及基于模型驱动的生成对抗网络红外小目标检测方法。

背景技术

目标检测的研究目标就是根据所给的图片或者视频，从图片或者视频中搜索识别出所要找寻的目标，然后需要给出目标的具体坐标。在深度学习出现以前，传统实现目标检测的方法一般都是遵循三步走的策略：区域选择→特征提取→分类器。可是，传统的目标检测一般都有着两个局限的地方：一个就是时间复杂度过高，这是因为使用滑动窗口的区域选择战略针对性太弱，因此生成了过多的冗余窗口如CN110929574A一种红外弱小目标快速检测方法公开的技术方案；二是针对复杂多样的样本，一味依赖手工设置目标特征会导致其鲁棒性不好。随着深度学习的不断发展，深度学习在很多图像处理任务中均获得了巨大的成功。

尽管基于深度学习的目标检测技术研究早已达到了非常不错的效果，可是很多的应用场合都是基于可见光条件下的，因此红外场景下的目标检测研究显得十分重要。红外小目标检测是红外搜索和跟踪的关键技术之一，在海上监控和预警系统当中的应用较为广泛。红外小目标检测近年来受到很大关注，这是因为与普通的红外图片相比，可见光图像更加容易受到光照条件变化的影响，这在很大程度影响了目标的检测。但是，红外图像相较于可见光图像也有一些不利于目标检测的因素，首先就是探测距离远，导致成像的红外图片中的目标面积较小、强度弱；其次就是背景复杂，有很多大气云层的干扰，导致真正的小目标非常容易被背景所干扰淹没。此外，由于硬件设备的限制，导致生成的红外图像会有很多噪声，而这些噪声非常容易被错认为目标，出现“高虚警”现象。因此在进行红外小目标检测的相关研究时，需要充分考虑这些不利因素所带来的影响。近些年以来，随着红外小目标识别技术吸引到越来越多研究人员的目光，各式各样的小目标检测方法喷涌而来。另外随着深度学习的发展，大家也将解决红外小目标检测问题引入到该领域中来。

公开文献：谢江荣，基于深度学习的空中红外目标检测关键技术研究.中国科学院大学.2019年博士论文，针对红外弱小目标的检测，公开了一种基于生成对抗网络GAN的红外目标仿真算法，从如何改善模型对多分布的红外辐射特征的适应能力出发，一方面进行了生成器和鉴别器网络结构的改进，另一方面尝试加入目标类别标签以引导模型的学习过程；最终通过多种方式对仿真图像进行质量评价，虽然上述文献公开的模型较好地模仿了红外目标的内在特征，可用于后续网络模型训练样本的扩充，但是上述文献中公开的技术方案对于红外弱小目标的误检率仍有待提升。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于模型驱动的生成对抗网络红外小目标检测方法，主要通过生成器网络的改进，可满足对退化的红外图像即存在背景干扰的红外图像中的小目标检测的需求，同时能大幅度降低误检率。

为达到上述目的，本发明是采用下述技术方案实现的：

本发明提供一种基于模型驱动的生成对抗网络红外小目标检测方法，所述方法包括如下步骤：

步骤S1：将真实的红外图像输入到深度展开网络中，提取出目标特征并输出恢复的红外图像；所述真实的红外图像是一种退化的且含有红外小目标的红外图像，本发明所述的真实的红外图像包括但不仅限于红外摄像仪获得的含飞行物体目标的海上图像、无人机拍摄的飞行物体目标的图像、含小目标的雨天图像、含小目标的雾天图像、含昆虫动物目标的户外图像；