一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法、装置及介质与流程

本申请涉及红外图像检测，特别涉及一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法、装置及介质。

背景技术：

1、传统红外检测流程中，通常直接将红外相机输出的16-bit的高动态范围图像，通过全局线性拉伸或截断粗暴地压缩为8-bit单通道灰度图。这种做法会导致处于微弱温差区间的低对比度目标（如冷车身、钣金轮廓）与周围地表背景的灰度级发生严重混叠，网络在空域卷积时无法有效提取微弱边缘，从而引发严重的漏检。

2、红外场景中广泛存在具有高辐射特性的长条状建筑物基座、马路金属护栏或地表热反射带。这些干扰源在常规单通道红外图像中表现出的“高亮、长条、边缘清晰”的空域几何特征，与侧面车辆目标的几何边缘极度相似。传统方法无法从物理机制上剥离这种非目标的背景热噪，导致目标检测网络（如单通道模型）极易产生误报，将大楼基座误判为车辆，导致精确率（precision）指标恶化。

3、红外场景下的侧面车辆是一类典型的“空间异构目标”，其同时包含宏观的弱对比度冷车身（钣金件）与微观的极高辐射强热核（如车轴摩擦生热、排气管热羽流、发动机舱）。在传统的单通道训练中，由于强热核的像素值和梯度极高，网络在反向传播时，损失函数和梯度会被这几个微小的“高亮白斑”完全主导（即梯度掩蔽效应），导致网络只记住了高亮白斑，而忽略了车身几何轮廓的约束。一旦大楼或背景出现类似白斑，就会引发大量虚警；而当车辆热轴不明显时，则会直接漏检，严重限制了模型在嵌入式、轻量化网络上的综合泛化精度。

4、传统的检测网络直接输入单通道灰度图（或直接复制为伪彩色三通道），在面对640×512分辨率下的中/小尺度车辆时，由于网络空间卷积对宏观边缘与微观高亮热斑的提取缺乏物理指导，要么因为对比度低导致冷车身大面积漏检，要么因为大楼基座干扰产生灾难性的虚警。且将灰度图简单复制为三个相同通道的方案，虽满足网络输入格式要求，但三通道携带完全相同的信息，浪费了三通道并行处理的潜在能力，无法为网络提供多维度互补特征。

技术实现思路

1、为了解决现有红外检测中存在的信息损失、高视警、低精确率等问题，本申请提出了一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法、装置及介质。

2、本申请采用的技术方案为：一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，包括以下步骤：

3、步骤1、数据预处理：读取图像传感器采集的16位中波红外raw图像数据后，通过右移2位操作去除末尾2位噪声数据，将有效数据保留为14位浮点格式；

4、步骤2、将步骤1中处理后的14位浮点格式的图像数据进行复制，得到rgb三通道图像数据，并对rgb三通道图像数据分别进行处理，包括：

5、步骤2.1、针对r通道的边缘特征增强处理；

6、步骤2.2、针对g通道的热核特征增强处理；

7、步骤2.3、针对b通道的导向滤波多尺度细节特征增强处理；

8、步骤2.4、三通道合并：将处理后的r、g、b三通道图像数据合并为标准三通道8位图像，输入目标检测网络；

9、步骤3、对目标检测网络进行训练。

10、进一步地，步骤2.1具体包括：

11、首先利用sobel算子分别计算14位红外辐射图像在水平方向和垂直方向的梯度强度，并通过l2范数计算得到全方向各向同性的梯度幅值；

12、然后采用特征软融合策略，将归一化后的梯度幅值加权叠加至14位红外辐射图像中；

13、最后将融合后的图像映射至0~255的标准8位图像空间输出。

14、进一步地，步骤2.2具体包括：

15、步骤2.2.1、图像网格化切分：将输入的14位红外辐射图像均匀划分为m×n个不重叠的局部子区域；

16、步骤2.2.2、局部直方图裁剪与重分配：分别计算每个局部子区域的灰度直方图，并引入对比度限制阈值，若直方图的某个灰度级频数超过该对比度限制阈值，则将超出部分截断，并均匀分配至该局部子区域的所有灰度级中；

17、步骤2.2.3、灰度映射与双线性插值：对裁剪后的局部直方图进行累积分布函数变换，得到各局部子区域的灰度映射表，当前像素的新灰度值由其周围四个相邻子区域的映射值通过双线性插值计算得到；

18、步骤2.2.4、归一化输出：将插值后的图像矩阵线性映射至0~255的标准8位图像空间，作为g通道数据输出。

19、进一步地，步骤2.3具体包括：

20、步骤2.3.1、通过第一级导向滤波去噪，平滑图像传感器随机噪声；

21、步骤2.3.2、百分位截断线性拉伸至8位图，消除极值像素影响；

22、步骤2.3.3、通过第二级高斯核低通滤波，获得基础层；

23、步骤2.3.4、计算细节层=8位图−基础层，提取多尺度高频温度细节；

24、步骤2.3.5、重建得到b通道输出图像=8位图+细节增强因子×细节层。

25、进一步地，步骤3中采用两阶段策略对网络进行训练，第一阶段为预训练阶段，第二阶段为目标域微调阶段。

26、进一步地，步骤3中的目标检测网络采用yolov26n轻量化目标检测网络，在第一阶段预训练时，将公开数据集中的原始红外图像经过步骤1和步骤2处理后，再输入网络进行训练，使网络在统一的编码特征空间内学习红外图像中车辆目标的通用热辐射特征与几何特征，并以初始学习率在自标注目标域数据集上进行微调，训练至收敛；

27、在第二阶段训练时，冻结yolov26n主干网络前5层，仅对后续的颈部网络及检测头以初始学习率在自标注目标域数据集上进行微调。

28、本申请还提出了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现所述方法的步骤。

29、本申请还提出了一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于：该计算机程序/指令被处理器执行时实现所述方法的步骤。

30、本申请相对于现有技术具备的有益效果为：本申请将rgb通道分别编码为三类互补的物理特征（r通道：辐射+各向同性边缘软融合；g通道：clahe局部自适应细节增强；b通道：百分位截断+多尺度细节放大），且全程在14位浮点精度（数值范围0~16383）下完成所有通道的特征提取，将量化为8位作为最终步骤，可以保留原始图像传感器中精细的温差信息（如冷车身与背景的微弱温差，仅在14位数据中可分辨）。

31、本申请通过三通道异构编码方案在预处理层面降低了不同传感器、不同场景间的域间分布差距（domain gap），使第二阶段仅需极少量标注数据即可实现有效适配。编码策略与迁移学习策略在技术上相互支撑、协同优化，在极小样本条件下取得了超出本领域技术人员预期的效果。

1.一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：步骤2.1具体包括：

3.根据权利要求1或2所述的一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：步骤2.2具体包括：

4.根据权利要求3所述的一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：步骤2.3具体包括：

5.根据权利要求4所述的一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：步骤3中采用两阶段策略对网络进行训练，第一阶段为预训练阶段，第二阶段为目标域微调阶段。

6.根据权利要求5所述的一种在复杂背景下的基于红外图像三通道异构编码的车辆检测方法，其特征在于：步骤3中的目标检测网络采用yolov26n轻量化目标检测网络，在第一阶段预训练时，将公开数据集中的原始红外图像经过步骤1和步骤2处理后，再输入网络进行训练，使网络在统一的编码特征空间内学习红外图像中车辆目标的通用热辐射特征与几何特征，并以初始学习率在自标注目标域数据集上进行微调，训练至收敛；

7.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现权利要求1-6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于：该计算机程序/指令被处理器执行时实现权利要求1-6任一项所述方法的步骤。