红外小目标检测方法和装置、系统、存储介质
本发明属于红外检测,具体涉及一种红外小目标检测方法和装置、系统、存储介质,适用于复杂背景、低信噪比条件下的红外弱小目标检测场景。
背景技术:
1、红外小目标检测是红外成像探测、预警跟踪、边海防监视及空间目标识别等应用中的关键基础技术之一。与普通目标检测相比,红外小目标距离远、尺寸小、辐射弱,在图像中通常仅占数个至数十个像素,缺乏清晰的纹理、颜色和稳定形状信息,其可利用的判别特征主要体现在局部灰度突变、微弱边缘结构以及与周围背景之间的对比差异上。与此同时,红外图像背景往往十分复杂,云层、海浪、地物边缘、建筑纹理、局部高亮散射及传感器噪声等因素均会对检测造成明显干扰。尤其在低信噪比和弱对比度条件下,真实目标极易被背景淹没,而背景中的亮斑、边缘和纹理起伏又容易被误判为目标,导致漏检与误检并存。此外,目标尺度变化大、形态不稳定、边界不明显以及跨场景分布差异显著等问题,使该任务在特征提取、目标背景交互和多尺度建模等方面均面临较大挑战。
2、早期红外小目标检测方法主要依赖人工设计特征与传统图像处理技术实现目标增强与背景抑制。deshpande等人提出的最大均值滤波和最大中值滤波通过比较局部亮度异常程度提取候选目标;bai等人提出的top-hat变换及其改进方法利用结构元素滤除背景、突出局部亮小目标;gao等人基于红外图像块模型,将背景建模为低秩成分、目标建模为稀疏异常成分加以分离。这类方法在背景平稳、目标对比明显的场景下具有较好的可解释性,但当出现复杂杂波、非均匀背景或目标极弱等情况时,往往存在鲁棒性不足、泛化能力较差和误检率偏高等问题,难以兼顾检测精度与跨场景适应能力。
3、随着深度学习的发展,基于卷积神经网络的检测方法逐渐成为研究热点。通用视觉领域的若干网络设计为红外小目标检测提供了重要参考:u-net通过编解码结构与跳跃连接实现多层次特征融合,resnet通过残差学习提升了深层网络的训练稳定性,senet和cbam分别从通道维度和空间维度增强了网络对关键区域的响应能力,空洞卷积则通过扩展感受野增强了多尺度上下文的建模能力。在红外小目标检测领域,dai等人通过局部对比注意机制有效提升了弱小目标的响应,其后提出通过非对称上下文调制的方法进一步增强了目标与背景差异的建模能力。zhang等人则强调了形状与边缘结构先验在检测中的重要作用,li等人通过密集嵌套注意力机制强化了跨层级特征之间的交互与融合。总体来看,深度学习方法在复杂背景下的检测效果较传统方法已有明显提升。
4、近年来,红外小目标检测的深度学习方法持续深化,zhang等人提出无补丁低秩表征网络lrrnet,以背景重构为核心优化小目标特征表征;li等人提出混合空间-通道稀疏transformer网络hstnet,利用稀疏注意力改善弱目标细节丢失问题;yuan等人将稳健主成分分析与深度网络结合,提出drpca-net,在提升检测性能的同时保留模型可解释性。zheng等人提出层次化上下文融合网络hcfnet,通过多尺度上下文感知与选择性集成机制提升小目标特征保留能力。上述方法在背景抑制、小目标特征保持与全局建模上取得了新进展,但针对红外小目标检测的核心痛点仍未得到较好地解决。
5、现有方法整体上仍存在以下若干不足:
6、其一,小目标经多次下采样后特征易衰减甚至消失,深层语义特征往往以牺牲局部细节和高频突变信息为代价;其二,许多方法缺乏对目标局部响应与背景平滑结构的显式分流建模,在复杂背景下误检问题仍较为突出;其三,现有多尺度融合策略大多采用简单拼接或常规跳跃连接,难以精准协调深层语义与浅层边缘细节之间的互补关系;其四,对于局部高频信息、多感受野上下文及跨尺度结构引导信息的统一协同建模仍显不足。其五,近期基于transformer与稀疏建模的方法虽提升了全局建模与长距离依赖捕捉能力,但模型结构趋于复杂、计算开销偏大,且对局部微弱结构与边缘细节的保持能力仍然有限,在强杂波、低信噪比等极端条件下的稳定性仍有待提升。
7、因此,针对红外小目标检测中细节易丢失、背景易混淆、深浅层协同不足以及缺乏边缘引导融合机制等核心问题,仍有必要提出新的技术方案,以进一步提高复杂场景下的检测准确性、鲁棒性和工程适用性。
技术实现思路
1、为解决现有技术存在的问题,本发明提供一种红外小目标检测方法和装置、系统、存储介质,针对现有红外小目标检测方法存在的多域特征利用不足、复杂背景下目标与背景难以区分、跨尺度融合不充分及鲁棒性偏弱等问题;基于多域协同增强与交互建模实现红外小目标检测;其中,多域协同增强对应本发明设计的多域协同增强模块;交互建模则涵盖了目标背景双流交互模块与边缘引导聚合模块:前者实现目标与背景特征的差异交互建模,后者实现多尺度特征间的结构引导与融合交互,三者协同构成完整检测框架,从而有效提升复杂场景下红外小目标的检测精度与稳定性。
2、具体解释如下:
3、(1)增强红外小目标的多域特征表征能力:现有方法在特征提取过程中,往往难以有效保留红外小目标的局部亮点信息、边缘突变信息,导致弱小目标在深层特征中容易被削弱甚至淹没。本发明在编码与解码阶段均引入多域协同增强模块,同步构建动态上下文分支、局部门控分支和高频增强分支,并通过自适应融合实现多域特征的互补与增强,提升网络对红外小目标局部细节、高频响应和判别信息的表达能力,从而提高弱小目标的检测精度。
4、(2)提升目标与背景的区分能力:现有方法在复杂背景下容易受到云团、海杂波、地物边缘和高亮纹理的干扰,缺乏对目标信息和背景信息的显式区分建模,因而容易产生误检。本发明通过引入目标背景双流交互模块,使网络分别学习目标局部响应与背景平滑结构,并结合交互和自适应融合方式增强两者之间的差异表达,从而提高复杂背景条件下的目标识别能力,降低误警率。
5、(3)提高跨尺度特征融合的有效性:现有方法在深浅层特征融合过程中,大多采用简单拼接或逐元素相加的方式,难以充分发挥浅层细节与深层语义之间的互补作用,也容易导致目标边缘信息在融合过程中被平滑。本发明通过引入边缘引导聚合模块,在相邻层特征融合时利用结构信息调节融合比例,从而提升浅层细节保持能力和深层语义补偿能力,增强模型在复杂场景和低质量图像条件下的稳定性。
6、为实现上述目的,本发明提供了如下方案:
7、一种红外小目标检测方法,包括:
8、步骤s1、对输入红外图像进行多级编码特征提取,得到编码端特征;
9、步骤s2、对中高层特征进行目标背景双流交互增强,得到目标背景差异特征;
10、步骤s3、通过边缘引导的跨尺度特征聚合模块实现深浅层特征协同,得到跨尺度特征;
11、步骤s4、根据编码端特征、目标背景差异特征和跨尺度特征,经解码器逐步恢复空间分辨率并输出多尺度检测结果。
12、作为优选,步骤s1和步骤s4中 ,采用基于高频增强与自适应融合的多域协同增强模块,包含主干卷积分支、动态上下文分支、局部门控分支和高频增强分支,并通过自适应融合权重对不同分支输出进行联合调节。
13、作为优选,步骤s2中,基于目标背景双流交互的差异建模模块,分别构建目标流和背景流对输入特征进行差异化建模,并进一步引入交互分支,使目标特征与背景特征在分离基础上进行信息交换和补充,最终通过三路自适应加权融合输出增强结果。
14、作为优选,步骤s3中,基于边缘引导的跨尺度特征聚合模块,在相邻层特征融合过程中,先对深层特征进行通道增强,再利用固定梯度先验提取边缘信息,并用边缘引导因子修正融合门控权重,使深层语义信息能够在结构显著区域更有效地参与融合。
15、本发明还提供一种红外小目标检测装置,包括:
16、第一处理模块,用于对输入红外图像进行多级编码特征提取,得到编码端特征;
17、第二处理模块,用于对中高层特征进行目标背景双流交互增强,得到目标背景差异特征;
18、第三处理模块,用于通过边缘引导的跨尺度特征聚合模块实现深浅层特征协同,得到跨尺度特征;
19、第四处理模块,用于根据编码端特征、目标背景差异特征和跨尺度特征,经解码器逐步恢复空间分辨率并输出多尺度检测结果。
20、作为优选,第一处理模块和第四处理模块均采用基于高频增强与自适应融合的多域协同增强模块,包含主干卷积分支、动态上下文分支、局部门控分支和高频增强分支,并通过自适应融合权重对不同分支输出进行联合调节。
21、作为优选,第二处理模块通过基于目标背景双流交互的差异建模模块,分别构建目标流和背景流对输入特征进行差异化建模,并进一步引入交互分支,使目标特征与背景特征在分离基础上进行信息交换和补充,最终通过三路自适应加权融合输出增强结果。
22、作为优选,第三处理模块通过基于边缘引导的跨尺度特征聚合模块,在相邻层特征融合过程中,先对深层特征进行通道增强,再利用固定梯度先验提取边缘信息,并用边缘引导因子修正融合门控权重,使深层语义信息能够在结构显著区域更有效地参与融合。
23、本发明还提供一种红外小目标检测系统,包括:存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行红外小目标检测方法。
24、本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在运行时执行红外小目标检测方法。
25、与现有技术相比,本发明的有益效果为:
26、(1)提升小目标特征表达能力:通过多域协同增强同步保留局部亮点、高频突变与上下文信息,缓解弱小目标特征衰减与丢失,提高低信噪比下目标响应强度。其中高频增强分支以固定高通卷积核提取局部灰度突变响应,局部门控分支对主干特征进行空间重标定以放大目标区域贡献,自适应融合权重使网络在不同层级自动调节各分支贡献比例。
27、(2)降低复杂背景误检率:通过目标-背景双流显式分流建模,有效区分真实目标与云团、海杂波、高亮纹理等伪目标干扰,显著降低虚警。进一步引入交互分支使目标特征与背景特征在分离基础上进行信息交换与补充,避免两路独立建模导致差异表达不足,实现差异增强而非简单对立。
28、(3)增强跨尺度融合鲁棒性:通过边缘引导门控融合,在保留浅层细节的同时高效引入深层语义,提升深浅层特征互补能力,使模型在复杂场景、弱目标、低质量图像下更稳定。边缘引导因子使门控权重在结构显著区域自动增大深层语义注入比例,在平滑区域则保留浅层原始特征,并通过上下限约束防止极端权重导致融合退化。
29、(4)提升整体框架的协同检测性能:多域协同增强、目标背景双流交互与边缘引导聚合三个模块从特征增强、差异建模与结构引导三个维度协同作用,提高检测效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com