一种红外图像目标检测方法、装置、计算设备及存储介质与流程

1.本发明涉及红外图像目标检测领域，尤其涉及一种红外图像目标检测方法、装置、计算设备及存储介质。


背景技术：

2.红外成像技术被广泛地应用于各国军事、民用等相关领域，但随着红外成像技术应用场景的逐步复杂化，对红外图像目标检测的准确率也都有了更加严格的要求。
3.现有技术中，红外成像目标检测方法主要有主成分分析法(pca)、鲁棒主成分分析法(rpca)、张量鲁棒主成分分析法(trpca)、重加权块张量模型(ript)以及pstnn模型。以上方法在某些场景下，可以很好的检测到目标信息，但对于某些复杂场景，检测效果不佳。
4.因此，目前亟待需要一种新的红外目标检测方法来解决上述技术问题。


技术实现要素：

5.为了提高红外图像目标检测的精度，本发明提供了一种红外图像目标检测方法。
6.第一方面，本发明实施例提供了一种红外图像目标检测方法，包括：
7.构建原始红外图像的红外块张量模型，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量乘积的l1范数；
8.构建原始红外图像的块张量；
9.将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
10.基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
11.基于所述目标图像，确定所述原始红外图像中是否有目标。
12.在一种可能的设计中，所述构建原始红外图像的红外块张量模型，包括：
13.构建原始红外图像的局部对比能量特征图f
lp
；
14.基于所述局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重
15.定义一个三阶张量d，所述三阶张量d包括背景块张量和目标块张量
16.基于所述背景块张量的张量环范数以及所述局部结构先验权重和目标块张量的l1范数，构建原始红外图像的红外块张量模型。
17.在一种可能的设计中，所述构建原始红外图像的局部对比能量特征图f
lp
，包括：
18.定义一个d
×
d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像f
d
，得到n个大小为d
×
d的局部区域，将任意一个d
×
d大小的局部区域定义为g；
19.用(x，y)表示所述局部区域g中心像素点的位置，表示所述局部区域g内所有像素点的集合，将所述局部区域g内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则所述定义为：
[0020][0021]
将所述局部区域g中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为计算如下：
[0022][0023]
其中，f(x，y)为所述局部区域g内中心像素点的灰度值，f(i，j)为所述局部区域g内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
[0024]
计算所述局部区域g的对比元素
[0025][0026]
利用所述对比元素将所述局部区域g的能量特征le(x，y)定义为：
[0027][0028]
若所述局部区域g内某个像素点的能量特征值le(x，y)＞0，则保留该像素点，反之，则删除该像素点；
[0029]
根据上段给出的能量特征值判断标准，得到任意一个所述局部区域g的显著性图sm，即
[0030][0031]
对n个局部区域g的显著性图sm作归一化处理，得到原始红外图像的局部对比能量特征图f
lp
：
[0032][0033]
其中，sm
max
和sm
min
分别表示整个显著性图sm的最大值和最小值。
[0034]
在一种可能的设计中，所述基于所述局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重包括：
[0035]
采用大小为k
×
k的滑动窗口w遍历所述局部对比能量特征图f
lp
，把每次取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
[0036]
令来表示稀疏权重张量，那么有：
[0037][0038]
其中，c和η均表示大于0的正数，为目标块张量；
[0039]
根据所述局部结构先验权重张量和所述稀疏权重张量得到原始红外图像的局部结构先验权重
[0040]
[0041]
其中，./表示两个张量之间对应元素相除。
[0042]
在一种可能的设计中，所基于所述背景块张量的张量环范数以及所述局部结构先验权重和目标块张量的l1范数，构建原始红外图像的红外块张量模型，包括：
[0043]
将原始红外图像的红外块张量模型表示为：
[0044][0045][0046]
其中，λ表示平衡因子，
⊙
表示hadamard乘积，表示局部结构先验权重，||||
trnn
表示张量环范数，||||1表示l1范数，s.t.表示为所述红外块张量模型的约束项。
[0047]
在一种可能的设计中，所述构建原始红外图像的块张量，包括：
[0048]
获取一定尺寸的原始红外图像f
d
；
[0049]
利用大小为k
×
k的滑动窗口w，按步长为k遍历所述原始红外图像f
d
；
[0050]
把每一次滑动窗口w所取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将所述l个切片按一定顺序叠加，得到所述红外图像的块张量
[0051]
在一种可能的设计中，所述将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量，包括：
[0052]
将背景块张量的张量环范数表示为：
[0053][0054]
其中，d为张量的维数，[]是取整符号，||||
*
表示核范数，w
d
表示权重：b
{d，l}
表示将背景块张量的维度顺序调整为[k，...，d，1，...，k
‑
1]后进行模态(1，
…
，l)展开操作：
[0055]
将所述红外图像的块张量作为已知的张量输入所述红外块张量模型的中，得到红外块张量模型的展开式：
[0056][0057][0058][0059]
其中，p表示采样率，
[0060]
a0表示采样操作，m为采样个数；
[0061]
构建所述红外块张量模型的展开式的增广拉格朗日方程：
[0062][0063]
其中，β
d
和γ为惩罚因子，和为辅助变量，||||
f
表示frobenius范数；
[0064]
初始化所述增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
[0065]
的子问题如下：
[0066][0067]
所述子问题的封闭解为：
[0068][0069]
其中，d()为奇异值阈值运算符；
[0070]
所述背景块张量的子问题如下：
[0071][0072]
其中，δ的定义为：表示元素全为1的张量，表示元素全为1的张量，是a0的伴随矩阵，并且||||
*
表示核范数；
[0073]
背景块张量的闭式解为：
[0074][0075]
其中，p为二进制采样张量；
[0076]
所述目标块张量的子问题如下：
[0077][0078]
其中，s()为软阈值运算符；
[0079]
的子问题为：
[0080][0081]
的子问题为：
[0082][0083]
利用交替方向乘子法求出所述红外块张量模型的最优解，输出原始红外图像的目标块张量
[0084]
第二方面，本发明实施例还提供了一种红外图像目标检测装置，包括：
[0085]
第一构建模块，用于构建原始红外图像的红外块张量模型；其中，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量的l1范数；
[0086]
第二构建模块，用于构建原始红外图像的块张量；
[0087]
求解模块，用于将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
[0088]
重构模块，用于基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
[0089]
检测模块，用于基于所述目标图像，确定所述原始红外图像中是否有目标。
[0090]
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如上述任一项所述的方法。
[0091]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述任一项所述的方法。
[0092]
本发明实施例提供了一种红外图像目标检测方法、装置、电子设备及存储介质，通过构建原始红外图像的红外块张量模型，并将背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的l1范数引入该红外块张量模型中，通过求解该红外块张量模型，得出红外图像的目标块张量，并基于该目标块张量，对原始红外图像进行重构，以得到目标图像，并基于该目标图像，确定原始红外图像中是否有目标。
[0093]
本发明通过将张量环范数和局部结构先验权重及l1范数引入红外块张量模型中，增强了对红外图像中背景和噪声的抑制能力，并解决了红外图像检测中目标失真的问题，提高了红外图像的目标检测精度。
附图说明
[0094]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0095]
图1是本发明一实施例提供的一种红外图像目标检测方法流程图；
[0096]
图2是本发明实具体案例提供的一幅含有目标且大小为128
×
128的红外图像；
[0097]
图3是本发明具体案例求得的局部对比能量特征图示意图；
[0098]
图4是本发明具体案例检测出的目标图像的三维曲面图；
[0099]
图5是top
‑
hat方法对图2的检测结果的三维曲面图；
[0100]
图6是lcm方法对图2的检测结果的三维曲面图；
[0101]
图7是mpcm方法对图2的检测结果的三维曲面图；
[0102]
图8是ipi方法对图2的检测结果的三维曲面图；
[0103]
图9是ript方法对图2的检测结果的三维曲面图；
[0104]
图10是pstnn方法对图2的检测结果的三维曲面图。
[0105]
图11是本发明一实施例提供的一种计算设备的硬件架构图；
[0106]
图12是本发明一实施例提供的一种红外图像目标检测装置的结构图。
具体实施方式
[0107]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0108]
在相关技术中，红外图像目标检测方法主要有主成分分析法(pca)，该方法容易受到离群异常点的影响；鲁棒主成分分析法(rpca)，该方法的检测效果更加稳定，但是该方法只能处理二维矩阵，不能被广泛应用于高维数据；张量鲁棒主成分分析法(trpca)，该方法可以更好的利用数据中的颜色、时间、结构等信息，在稀疏和低秩分解的优化问题上表现比rpca更好；重加权块张量模型(ript)，该方法可以应用于更高维的数据中；pstnn模型，该方法结合红外图像局部和非局部特性来构建目标函数，并利用交替方向乘子法来对目标函数进行求解，pstnn模型在大部分场景中有着较好的目标增强、形状保持和背景抑制能力，但该方法会造成局部的最优解，且对于背景中的强边缘抑制能力不佳。
[0109]
基于以上分析，可以考虑将张量环范数、红外图像的局部结构先验权重和l1范引入计算模型中，以解决现有目标检测方法不能很好地抑制边缘和噪声及局部最优解的问题。
[0110]
如图1所示，本发明实施例提供了一种红外图像目标检测方法，该方法包括如下步骤：
[0111]
步骤100：构建原始红外图像的红外块张量模型；其中，红外块张量模型包括原始红外图像的背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的l1范数；
[0112]
步骤102：构建原始红外图像的块张量；
[0113]
步骤104：将原始红外图像的块张量和原始红外图像的局部结构先验权重输入到红外块张量模型中，得到红外图像的目标块张量；
[0114]
步骤106：基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
[0115]
步骤108：基于所述目标图像，确定所述原始红外图像中是否有目标。
[0116]
在本发明实施例中，通过构建原始红外图像的红外块张量模型，并将背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的l1范数引入该红外块张量模型中，通过求解该红外块张量模型，得出红外图像的目标块张量，并基于该目
标块张量，对原始红外图像进行重构，以得到目标图像，并基于该目标图像，确定原始红外图像中是否有目标。
[0117]
本发明通过将张量环范数和局部结构先验权重及l1范数引入红外块张量模型中，增强了对红外图像中背景和噪声的抑制能力，并解决了红外图像检测时目标失真的问题，提高了红外图像的目标检测精度。
[0118]
下面描述各步骤的实现过程。
[0119]
针对步骤100，在一些实施方式中，步骤100具体可以包括：
[0120]
步骤a、构建原始红外图像的局部对比能量特征图f
lp
；
[0121]
步骤b、基于局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重
[0122]
步骤c、定义一个三阶张量d，该三阶张量d包括背景块张量和目标块张量
[0123]
步骤d、基于背景块张量的张量环范数以及局部结构先验权重和目标块张量的l1范数，构建原始红外图像的红外块张量模型。
[0124]
在该实施例中，首先构建原始红外图像的局部对比能量特征图f
lp
，基于该局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重通过该方法得出的结构先验权重可以增强对目标的约束能力，起到增强背景和抑制噪声的作用；接着，定义一个已知的三阶张量d，该三阶张量d包括背景块张量和目标块张量如此得出未知变量和用于参与红外块张量模型的构建与求解；然后，基于背景块张量的张量环范数以及局部结构先验权重和目标块张量的l1范数，构建原始红外图像的红外块张量模型，由于引入张量环范数和加权l1范数，可以更好的约束图像背景并提高对原始红外图像稀疏部分的近似能力，从而可以提高目标检测模型的目标检测准确率。
[0125]
针对步骤a，在一些实施方式中，步骤a具体可以包括：
[0126]
定义一个d
×
d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像f
d
，得到n个大小为d
×
d的局部区域，将任意一个d
×
d大小的局部区域定义为子块g；
[0127]
用(x，y)表示局部区域g中心像素点的位置，表示所述局部区域g内所有像素点的集合，将局部区域g内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则定义为：
[0128][0129]
将局部区域g中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为计算如下：
[0130][0131]
其中，f(x，y)为局部区域g内中心像素点的灰度值，f(i，j)为局部区域g内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
[0132]
计算局部区域g的对比元素
[0133][0134]
利用对比元素将局部区域g的能量特征le(x，y)定义为：
[0135][0136]
若局部区域g内某个像素点的能量特征值le(x，y)＞0，则保留该像素点，反之，则删除该像素点；
[0137]
根据上段给出的能量特征值判断标准，得到任意一个局部区域g的显著性图sm，即
[0138][0139]
对n个局部区域g的显著性图sm作归一化处理，得到原始红外图像的局部对比能量特征图f
lp
：
[0140][0141]
其中，sm
max
和sm
min
分别表示整个显著性图sm的最大值和最小值。
[0142]
在该实施例中，先将原始红外图像划分为若干个大小相等的局部区域，然后针对每个区域，按照预设的标准提取每个局部区域的显著性图，在对全部局部区域的显著性图做归一化处理，得到整个原始红外图像的局部对比能量特征图；通过上述方法输出的局部对比能量特征图，可以有效抑制原始红外图像中的背景和噪声，从而突出目标。
[0143]
针对步骤b，在一些实施方式中，步骤b具体可以包括：
[0144]
采用大小为k
×
k的滑动窗口w遍历局部对比能量特征图f
lp
，把每次取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
[0145]
令来表示稀疏权重张量，那么有：
[0146][0147]
其中，c和η均表示大于0的正数，为目标块张量；
[0148]
根据局部结构先验权重张量和稀疏权重张量得到原始红外图像的局部结构先验权重
[0149][0150]
其中，./表示两个张量之间对应元素相除。
[0151]
在该实施例中，首先利用滑动窗口遍历局部对比能量特征图，取得l个正面切片，然后将这些切片按照一定顺序叠加，得到局部结构先验权重张量；最后，求取局部对比能量特征图的稀疏权重张量，得出局部对比能量特征图的局部结构先验权重。由于每一个正面切片均能保持原图的局部信息，所以，通过上述方法输出的局部结构先验权重，可以更加突出目标，增强对目标的约束能力。
[0152]
针对步骤c，在一些实施方式中，步骤c具体可以包括：
[0153]
定义一个三阶张量d，该三阶张量d包括背景块张量和目标块张量
[0154]
本方案中，三阶张量d为已知参数，背景块张量和目标块张量为未知参数，定
义这三个参数，用于参与红外块张量模型的构建及求解。
[0155]
针对步骤d，在一些实施方式中，步骤d具体可以包括：
[0156]
将原始红外图像的红外块张量模型表示为：
[0157][0158][0159]
其中，λ表示平衡因子，
⊙
表示hadamard乘积，表示局部结构先验权重，||||
trnn
表示张量环范数，||||1表示l1范数，s.t.表示为红外块张量模型的约束项。
[0160]
本方案中，红外块张量模型引入了背景块张量的张量环范数以及局部结构先验权重和目标块张量乘积的l1范数；通过引入背景块张量的张量环范数，可以有效约束背景；通过引入局部结构先验权重，可以抑制噪声，更加突出目标；通过引入加权l1范数，可以提高对稀疏部分的近似能力；
[0161]
由此可见，本方案构建的红外块张量模型，可以增强对红外图像中边缘和噪声的抑制能力，解决红外图像检测中目标失真的问题，提高红外图像的目标检测精度。
[0162]
针对步骤102，在一些实施方式中，步骤102具体可以包括：
[0163]
构建原始红外图像的块张量。
[0164]
构建原始红外图像的块张量的具体过程为：
[0165]
获取一定尺寸的原始红外图像f
d
；
[0166]
利用大小为k
×
k的滑动窗口w，按步长为k遍历原始红外图像f
d
；
[0167]
把每一次滑动窗口w所取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将所述l个切片按一定顺序叠加，得到红外图像的块张量
[0168]
在该实施例中，首先利用滑动窗口遍历原始红外图像，取得l个正面切片，然后将这些切片按照一定顺序叠加，得到红外图像的块张量；由于每一个正面切片均能保持原图的局部信息，所以，通过上述方法获得的块张量，能够更全面的表征原始红外图像的目标及背景信息。
[0169]
针对步骤104，在一些实施方式中，步骤104具体可以包括：
[0170]
将背景块张量的张量环范数表示为：
[0171][0172]
其中，d为张量的维数，[]是取整符号，||||
*
表示核范数，w
d
表示权重：b
{d，l}
表示将背景块张量的维度顺序调整为[k，...，d，1，...，k
‑
1]后进行模态(1，
…
，l)展开操作：
[0173]
将红外图像的块张量作为已知的张量输入红外块张量模型的中，得到红外块张量模型的展开式：
[0174][0175][0176][0177]
其中，p表示采样率，
[0178]
a0表示采样操作，m为采样个数；
[0179]
构建红外块张量模型展开式的增广拉格朗日方程：
[0180][0181][0182]
其中，β
d
和γ为惩罚因子，和为辅助变量，||||
f
表示frobenius范数；
[0183]
初始化增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
[0184]
的子问题如下：
[0185][0186]
子问题的封闭解为：
[0187][0188]
其中，d()为奇异值阈值运算符；
[0189]
背景块张量b的子问题如下：
[0190][0191]
其中，δ的定义为：表示元素全为1的张量，表示元素全为1的张量，是a0的伴随矩阵，并且||||
*
表示核范数；
[0192]
背景块张量的闭式解为：
[0193][0194]
其中，p为二进制采样张量；
[0195]
目标块张量的子问题如下：
[0196][0197]
其中，s()为软阈值运算符；
[0198]
的子问题为：
[0199][0200]
的子问题为：
[0201][0202]
利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量
[0203]
本方案中，首先将背景块张量的张量环范数和红外图像的块张量输入红外块张量模型中，得到红外块张量模型的展开式，然后构建该展开式的增广拉格朗日方程，并对该增广拉格朗日方程进行初始化操作，最后利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量。
[0204]
由于本方案中的红外块张量模型引入了张量环范数和局部结构先验权重及l1范数，因此，该红外块张量模型具有增强对红外图像中背景和噪声的抑制能力，可以解决红外图像检测中目标失真的问题。由此可知，通过本方法输出的目标块张量，可以更好的表征原始红外图像的目标信息。
[0205]
针对步骤106，在一些实施方式中，步骤106具体可以包括：
[0206]
基于目标块张量，对原始红外图像进行重构，以得到目标图像。
[0207]
具体重构过程为：按顺序取出目标块张量的l个正面切片并依次重构出目标图像f
t
∈r
m
×
n
；
[0208]
本方案中，利用更能表征原始红外图像目标信息的目标块张量来重构目标图像，从而重构出的目标图像信息更完整，可以避免目标失真问题。
[0209]
针对步骤108，在一些实施方式中，步骤108具体可以包括：
[0210]
基于目标图像，确定原始红外图像中是否有目标。例如可以对目标图像采用自适应阈值分割法，确定原始红外图像中目标的位置，输出目标检测的最终检测结果。
[0211]
本方案中，对目标图像采用自适应阈值分割法，即目标图像中的每个像素点可以对应不同的分割阈值，从而使目标分割更准确。
[0212]
需要说明的是，目标检测结果可以是有目标，也可是未检测到目标；若检测到目标，则输出目标的完整检测信息，若未检测到目标，则输出无目标。
[0213]
下面以一个具体的案例对本技术的红外图像目标检测方法的检测效果做具体说
明。
[0214]
需要说明的是：该案例所采用的红外图像目标检测方法与上文实施例采用的方法完全一致，这里不再赘述。本案例不再赘述局部对比能量特征图f
lp
和红外块张量模型的构建及求解过程，仅给出一组具体数值，将该数值代入检测模型中，得出目标检测效果，以证明本发明的技术方案可以增强对红外图像中背景和噪声的抑制能力，解决红外图像检测中目标失真的问题，提高红外图像的目标检测精度。
[0215]
基于本案例提供的大小为128
×
128的原始红外图像f
d
，如图2所示，利用大小为40
×
40的滑动窗口w，按步长为40遍历原始红外图像f
d
，把每一次滑动窗口w所取得的大小为40
×
40的图像小块作为一个正面切片，直至遍历完整个图像，将所有正面切片按一定顺序叠加，得到红外图像的块张量叠加，得到红外图像的块张量
[0216]
基于本案例求得的局部对比能量特征图f
lp
，如图3所示，利用大小为40
×
40的滑动窗口w，按步长为40遍历该局部对比能量特征图f
lp
，把每一次滑动窗口w所取得的大小为40
×
40的图像小块作为一个正面切片，直至遍历完整个图像，将所有正面切片按一定顺序叠加，得到局部对比能量特征图的块张量
[0217]
将上述红外图像的块张量和局部对比能量特征图的块张量带入红外块张量模型中，利用交替方向乘子法求解红外块张量模型，获得目标块张量
[0218]
对于得到的目标块张量按顺序取出目标块张量的16个正面切片并依次重构出目标图像
[0219]
对目标图像采用自适应阈值分割，分割阈值其中，m表示目标图像f
t
中所有像素点灰度值的均值，表示目标图像f
t
中所有像素点灰度值的标准差，c＝2，分割完成后确定出目标的位置，并输出目标的最终检测结果。
[0220]
图4为本案例检测出的目标图像的三维曲面图，由图4可以看出，在原始红外图像背景很复杂的情况下，检测出的目标图像无失真、无噪声且背景被完全抑制，目标检测精度非常高。
[0221]
图5
‑
图10分别是采用top
‑
hat、lcm、mpcm、ipi、ript、pstnn六种方法，对图2的目标检测结果的三维曲面图，从图中可以看出，top
‑
hat、lcm、mpcm、ipi、ript、pstnn六种方法均未完全抑制背景，对强边缘易感，同时，pstnn虽然较好地检测到了目标，但是目标仍存在失真问题。
[0222]
通过对比本案例和其它方法得出的目标检测结果，可以看出：本发明的红外图像目标检测方法，可以增强对红外图像中背景和噪声的抑制能力，能够解决红外图像检测中目标失真的问题，提高了红外图像的目标检测精度。
[0223]
如图11和图12所示，本发明实施例提供了一种红外图像目标检测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图11所示，为本发明实施例提供的一种红外图像目标检测装置所在计算设备的一种硬件架构图，除了图11所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，
如图3所示，作为一个逻辑意义上的装置，是通过其所在计算设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
[0224]
如图12所示，本实施例提供的一种红外图像目标检测装置，包括：
[0225]
第一训练模块300，用于构建原始红外图像的红外块张量模型；其中，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量的l1范数；
[0226]
第一训练模块302，用于构建原始红外图像的块张量；
[0227]
求解模块304，用于将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
[0228]
重构模块306，用于基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
[0229]
检测模块308，用于基于所述目标图像，确定所述原始红外图像中是否有目标。
[0230]
在本发明实施例中，训练模块300可用于执行上述方法实施例中的步骤100，检测模块302可用于执行上述方法实施例中的步骤102，训练模块304可用于执行上述方法实施例中的步骤104，检测模块306可用于执行上述方法实施例中的步骤106，训练模块308可用于执行上述方法实施例中的步骤108。
[0231]
在本发明一个实施例中，第一训练模块300，用于执行如下操作：
[0232]
构建原始红外图像的局部对比能量特征图f
lp
；
[0233]
基于局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重
[0234]
定义一个三阶张量d，该三阶张量d包括背景块张量和目标块张量
[0235]
基于背景块张量的张量环范数以及局部结构先验权重和目标块张量乘积的l1范数，构建原始红外图像的红外块张量模型。
[0236]
在本发明一个实施例中，第一训练模块300在执行构建原始红外图像的局部对比能量特征图f
lp
时，用于执行如下操作：
[0237]
定义一个d
×
d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像f
d
，得到n个大小为d
×
d的局部区域，将任意一个d
×
d大小的局部区域定义为g；
[0238]
用(x，y)表示局部区域g中心像素点的位置，表示局部区域g内所有像素点的集合，将局部区域g内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则可以定义为：
[0239][0240]
将部区域g中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为计算如下：
[0241][0242]
其中，f(x，y)为局部区域g内中心像素点的灰度值，f(i，j)为局部区域g内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
[0243]
计算局部区域g的对比元素
[0244][0245]
利用对比元素将局部区域g的能量特征le(x，y)定义为：
[0246][0247]
若局部区域g内某个像素点的能量特征值le(x，y)＞0，则保留该像素点，反之，则删除该像素点；
[0248]
根据上述判断标准，得到任意一个局部区域g的显著性图sm，即
[0249][0250]
对n个局部区域g的显著性图sm作归一化处理，得到原始红外图像的局部对比能量特征图f
lp
：
[0251][0252]
其中，sm
max
和sm
min
分别表示整个显著性图sm的最大值和最小值。
[0253]
在本发明一个实施例中，第一训练模块300在执行基于局部对比能量特征图f
lp
，构建原始红外图像的局部结构先验权重时，用于执行如下操作：
[0254]
采用大小为k
×
k的滑动窗口w遍历局部对比能量特征图f
lp
，把每次取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
[0255]
令来表示稀疏权重张量，那么有：
[0256][0257]
其中，c和η均表示大于0的正数，为目标块张量；
[0258]
根据局部结构先验权重张量和稀疏权重张量得到原始红外图像的局部结构先验权重
[0259][0260]
其中，./表示两个张量之间对应元素相除。
[0261]
在本发明一个实施例中，第一训练模块300在执行基于背景块张量的张量环范数以及局部结构先验权重和目标块张量乘积的l1范数，构建原始红外图像的红外块张量模型时，用于执行如下操作：
[0262]
将原始红外图像的红外块张量模型表示为：
[0263][0264][0265]
其中，λ表示平衡因子，
⊙
表示hadamard乘积，表示局部结构先验权重，||||
trnn
表示张量环范数，||||1表示l1范数，s.t.表示为红外块张量模型的约束项。
[0266]
在本发明一个实施例中，第二训练模块302在执行构建原始红外图像的块张量时，用于执行如下操作：
[0267]
获取一定尺寸的原始红外图像f
d
；
[0268]
利用大小为k
×
k的滑动窗口w，按步长为k遍历原始红外图像f
d
；
[0269]
把每一次滑动窗口w所取得的图像小块作为块张量的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将l个切片按一定顺序叠加，得到红外图像的块张量
[0270]
在本发明一个实施例中，求解模块304在执行将原始红外图像的块张量和原始红外图像的局部结构先验权重输入到红外块张量模型中，得到红外图像的目标块张量时，用于执行如下操作：
[0271]
将背景块张量的张量环范数表示为：
[0272][0273]
其中，d为张量的维数，[]是取整符号，||||
*
表示核范数，w
d
表示权重：b
{d，l}
表示将背景块张量的维度顺序调整为[k，...，d，1，...，k
‑
1]后进行模态(1，
…
，l)展开操作：
[0274]
将红外图像的块张量作为已知的张量输入红外块张量模型的中，得到红外块张量模型的展开式：
[0275][0276][0277][0278]
其中，p表示采样率，
[0279]
a0表示采样操作，m为采样个数；
[0280]
构建红外块张量模型的展开式的增广拉格朗日方程：
[0281]
[0282][0283]
其中，β
d
和γ为惩罚因子，和为辅助变量，||||
f
表示frobenius范数；
[0284]
初始化增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
[0285]
的子问题如下：
[0286][0287]
子问题的封闭解为：
[0288][0289]
其中，d()为奇异值阈值运算符；
[0290]
背景块张量的子问题如下：
[0291][0292]
其中，δ的定义为：表示元素全为1的张量，表示元素全为1的张量，是a0的伴随矩阵，并且||||
*
表示核范数；
[0293]
背景块张量的闭式解为：
[0294][0295]
其中，p为二进制采样张量；
[0296]
目标块张量的子问题如下：
[0297][0298]
其中，s()为软阈值运算符；
[0299]
的子问题为：
[0300]
[0301]
的子问题为：
[0302][0303]
利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量
[0304]
在本发明一个实施例中，重构模块306在执行基于目标块张量，对原始红外图像进行重构，以得到目标图像时，用于执行如下操作：
[0305]
按顺序取出目标块张量的l个正面切片并依次重构出目标图像f
t
∈r
m
×
n
；
[0306]
在本发明一个实施例中，检测模块308在执行基于目标图像，确定原始红外图像中是否有目标时，用于执行如下操作：
[0307]
对目标图像采用自适应阈值分割法，确定原始红外图像中目标的位置，输出目标检测的最终检测结果。
[0308]
可以理解的是，本发明实施例示意的结构并不构成对一种红外图像目标检测装置的具体限定。在本发明的另一些实施例中，一种红外图像目标检测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0309]
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0310]
本发明实施例还提供了一种计算设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时，实现本发明任一实施例中的一种异常登录检测方法。
[0311]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在被处理器执行时，使处理器执行本发明任一实施例中的一种红外图像目标检测方法。
[0312]
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0313]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0314]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd
‑
rom、cd
‑
r、cd
‑
rw、dvd
‑
rom、dvd
‑
ram、dvd
‑
rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0315]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0316]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0317]
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
[0318]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
[0319]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。