一种基于星操作的轻量化红外弱小目标检测方法

摘要: 本发明涉及目标检测,尤其涉及一种基于星操作的轻量化红外弱小目标检测方法。背景技术:1、国际光学工程学会将红外弱小目标定义为,在一幅256256像素的红外图像中...
一种基于星操作的轻量化红外弱小目标检测方法

本发明涉及目标检测,尤其涉及一种基于星操作的轻量化红外弱小目标检测方法。

背景技术:

1、国际光学工程学会将红外弱小目标定义为,在一幅256×256像素的红外图像中,目标占比不超过9×9像素,目标分辨率低。红外小目标检测是一项重要的计算机视觉任务,其通过红外传感器在夜间、烟雾、伪装等极端环境下实现对微小目标的精准感知,为战场态势研判、反恐监控等任务提供实时可靠的目标信息,是突破可见光限制、提升复杂场景目标识别能力的核心技术手段。红外小目标检测在海事监视、交通管理等领域有着广泛的应用。然而,由于目标特性、背景环境以及成像系统本身的限制,红外弱小目标检测面临诸多挑战,主要体现在以下几个方面:

2、目标特征:红外弱小目标在图像中所占像素极少,通常仅几个到几十个像素,缺乏明显的形状、纹理等结构特征。例如在远距离红外侦察中,敌方飞机在红外图像上可能仅表现为几个亮斑,难以通过形状特征进行准确识别。目标辐射能量微弱,与背景噪声的对比度低,信号容易被噪声淹没。例如在复杂天气条件下(如雾天、雨天),大气对红外辐射的吸收和散射作用增强,目标信号进一步衰减,而噪声水平相对稳定,导致信噪比急剧下降,使得目标检测难度大幅增加。

3、背景干扰:实际场景中的红外背景复杂多样,可能包括天空、地面、海洋、云层等,不同背景具有不同的辐射特性和纹理结构。例如,云层背景具有丰富的纹理和动态变化,其红外辐射强度可能与目标相近,容易与目标混淆,导致虚警率升高。背景中可能存在各种杂波干扰,如热噪声、电磁干扰、光学系统噪声等,这些杂波会使图像质量下降,影响目标的可检测性。例如,红外成像系统中的热噪声会使图像出现随机分布的亮点,这些亮点可能与目标特征相似,从而干扰检测算法的判断。

4、算法实时性:在实际应用中,如导弹预警、无人机侦察等,需要对红外图像进行实时处理,及时检测出目标。然而,一些复杂的检测算法虽然具有较高的检测精度,但计算复杂度高,难以满足实时性要求。例如,现有的红外弱小目标检测算法通常需要大量的计算资源和时间进行训练和推理,在嵌入式设备等资源受限的平台上难以实现实时检测。

5、为了提高红外小目标的检测性能,研究学者提出了许多方法。早期的传统方法可分为基于滤波的方法、基于局部对比度的方法和基于低秩的方法。传统的特征提取方法依赖于人工设计的特征和规则,不能很好地适应环境的变化。近年来随着深度学习的发展,基于深度学习的方法已成为红外弱小目标检测的主流方法。与传统方法不同的是,基于深度学习的方法可以在损失函数的约束下,通过梯度下降算法自动学习有用的特征,从而提高了算法的鲁棒性。

6、目前用于目标检测的深度学习网络分为两阶段目标检测算法和单阶段目标检测算法。两阶段目标检测分两步完成检测,先生成候选区域再细化分类与定位,精度更高但计算复杂度大。单阶段目标检测通过直接从图像中预测目标位置与类别,无需生成候选区域,具有计算效率高、实时性强的优势,适合对速度要求高的场景,但复杂场景下对小目标或遮挡目标的检测能力较弱。因此,找到更适合于红外弱小目标检测的网络仍然是一个值得研究的问题。

技术实现思路

1、针对红外弱小目标检测任务中存在的目标尺寸微小、信噪比低及背景复杂等原因导致的目标难以检测的技术问题,本发明提出一种基于星操作的轻量化红外弱小目标检测方法,该方法融合了高维非线性特征映射及特征聚合机制,旨在更准确地描述目标位置并提升红外弱小目标检测性能。

2、为了达到上述目的,本发明的技术方案是这样实现的:

3、一种基于星操作的轻量化红外弱小目标检测方法,其步骤如下:

4、步骤一:获取红外弱小目标数据集,并对数据集中的图像进行预处理;

5、步骤二:构建了基于星操作的主干网络对预处理后的图像进行特征提取;

6、步骤三:通过基于星聚合的特征金字塔网络对提取后的特征图进行特征融合,获得多尺度特征图;

7、步骤四:通过检测头接收多尺度特征图,生成多个预测目标;对所有预测目标的边界框进行非极大值抑制,保留置信度最高的预测目标作为检测结果。

8、优选地,所述对数据集中的图像进行预处理的方法为:首先进行尺寸调整,将图像缩放至640×640,并填充黑边;其次进行归一化处理,将像素值除以255,映射至[0,1]范围;之后进行数据增强,训练时启用mosaic、随机缩放、随机旋转,推理时仅保留尺寸调整和归一化;最后进行标注转换,将标注框坐标映射至预处理后的图像尺寸。

9、优选地,所述基于星操作的主干网络包括4个阶段分层架构,每个阶段包含卷积操作和星操作;星操作的网络结构为:将卷积操作的输出特征i输入至深度可分离卷积i,得到输出特征ii,将输出特征ii分别输入至卷积层i和卷积层ii,卷积层ii的输出经过激活后与卷积层i的输出进行融合得到输出特征iii,将输出特征iii输入深度可分离卷积ii,得到输出特征iv,输出特征i和输出特征iv进行融合得到星操作的最终输出特征。

10、优选地,所述星操作的表达式为:

11、

12、其中,i、j代表通道,w1、w2为权重向量,x为输入向量,d是输入信道数,α是每个项的系数:

13、

14、将扩展为个不同项的组合,每个项都与x呈非线性相关;

15、对于一个宽度为d的初始网络层,一个星操作为:隐式特征空间的表示为:令ol表示第l个星操作,得到:

16、

17、对于l层,可以隐式地获得属于的特征空间。

18、优选地,所述基于星聚合的特征金字塔网络的结构为:第4阶段的输出特征输入至快速空间金字塔模块进行池化操作,得到聚合特征i;聚合特征i经上采样后和第3阶段的输出特征一起输入至星聚合模块i,得到聚合特征ii;聚合特征ii经上采样后和第2阶段的输出特征一起输入至星聚合模块ii,得到多尺度特征图i;将多尺度特征图i经下采样后和聚合特征ii一起输入至星聚合模块iii,得到多尺度特征图ii;将多尺度特征图ii经下采样后和聚合特征i一起输入至星聚合模块iv,得到多尺度特征图iii。

19、优选地,对所提目标检测器进行训练时采用的损失函数包括分类损失、边界框回归损失和置信度损失,最终损失函数定义为:

20、ltotal=λcls·lcls+λbbox·lbbox+λobj·lobj;

21、lcls=-q·(1-p)γ·log(p);

22、

23、其中,λcls、λbbox和λobj为各部分损失的权重系数;lcls为分类损失,q为预测框与真实框的交并比,p为预测类别概率,γ为调节因子;lbbox为边界框回归损失,ρ为两框中心点的欧氏距离,c为两框最小外接矩形的对角线长度,α为权重系数,υ用于衡量宽高比的一致性,iou为交并比,ciou为完全交并比;lobj为置信度损失。

24、本发明的有益效果:

25、1)本发明引入了一种基于星操作的特征提取骨干网络:采用四阶段层次结构,利用卷积层进行下采样,并使用修改后的星操作进行特征提取。网络设计简单和没有微调的超参数,但仍展现出卓越性能。

26、2)本发明提出了一种基于星操作的特征聚合机制:对n个串行的星操作层的输出特征图进行融合,生成既包含高分辨率细节又具有丰富语义信息的特征图。这种融合方式使得特征图能够保留更丰富的上下文信息和细节特征,增强了特征表示的鲁棒性,有助于模型更好地捕捉小目标的特征。

27、3)本发明提出了一种基于星聚合的特征金字塔网络:融合了多尺度特征和星聚合机制,通过动态调整不同尺度特征的权重,增强对弱小目标的尺度适应性,强化特征图中对弱小目标敏感的通道或区域,抑制背景噪声。构建的全新特征金字塔,对红外弱小目标检测的作用主要体现在特征强化、多尺度信息融合优化、抗干扰能力提升以及计算效率与泛化性的平衡等方面。