[发明专利]一种基于改进YOLOv3的红外目标检测方法

说明书

一种基于改进YOLOv3的红外目标检测方法，使用Darknet‑53作为网络检测框架，移除网络检测框架与预测模块之间的卷积层，加入多尺度融合预测，利用残差层融合低级特征的重复块。在重复块的底部加入注意力模块，在重复块之间加入残差金字塔过渡网络，重复块的通道数随重复次数递增。本发明具有针对红外图像的目标检测时提取特征能力和信息过渡水平都较好的特点。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于改进YOLOv3的红外目标检测方法。

背景技术

红外末制导能否快速并准确地发现并识别目标对于导弹武器来说具有极其重要的意义。通常情况下，采集的红外图像弱化甚至舍弃物体的纹理和颜色等特征，突出强调其形状、轮廓和热量分布等特征。传统方法主要通过图像增强、特征提取手段来对实现对红外目标进行检测。随着科学技术的发展，红外目标检测技术已经慢慢从传统方法向深度学习方法迁移，使检测的精度和速度较以往都有大幅的提升。基于深度学习的红外目标检测具有较强的特征提取和学习泛化能力，目前是红外目标检测研究的热点。

由于红外图像的特殊属性，使得在相同条件下提取红外图像特征的难度更大。同样的网络模型，同样的训练参数，对红外图像的检测效果会远不如可见光。利用深度学习对图像进行目标检测，归根结底与网络对图像特征挖掘、提取和处理的能力相关。现有技术的红外目标检测在深度学习网络中引入注意力机制，起到加强目标、抑制背景的作用，从而提高对红外目标的检测能力。注意力机制基于空间搜索来选择显著性的位置，网络越深能就够提取到更深层的特征。但相关现有技术在目标较少的场景中效率较低，而且对于重叠目标的检测效果并不理想。产生这一问题的原因在于，一味地增加网络层数会使得特征信息的缺失、训练难度加大、效果变差。另一普遍用于目标检测的深度学习网络中是残差网络，其在处理图像分类任务时具有较好表现，但是随着网络特征图通道数的快速变化会导致特征信息的缺失。

发明内容

鉴于以上所述现有技术的不足，本发明的目的在于提供提取特征能力和信息过渡水平都较好的一种基于改进YOLOv3的红外目标检测方法。

一种基于改进YOLOv3的红外目标检测方法使用Darknet-53作为网络检测框架。

首先移除网络检测框架与预测模块之间的卷积层。然后加入多尺度融合预测，预测模块接收并综合最后三个重复块的结果做出预测。网络检测框架包括利用残差层融合低级特征的重复块，在重复块的卷积层之后加入残差模块。

在重复块的底部加入注意力模块，由主干分支和掩码分支构成。主干分支对特征进行卷积等处理得到T(x)，掩码分支对特征图进行两次下采样和两次上采样得到同样大小的M(x)，以掩码分支和主干分支的点乘结果作为输出结果，可表示为

H(x)＝M(x)·T(x)

在重复块之间加入残差金字塔过渡网络，由多层包含卷积层、批归一化层和激活层的过渡残差块组成。激活层以ReLU函数作为激活函数。过渡残差块的通道数逐层递增，残差金字塔过渡网络的层数可表示为

第n层过渡残差块的通道数可表示为

其中D_start是输入下一重复块的特征图通道数，D_end是上一重复块输出的特征图通道数。

进一步，将注意力机制和残差金字塔过渡网路进行结合，重复块的通道数随重复次数递增，第n次重复的重复块通道数可表示为

其中是D′_start输入当前重复块的特征图通道数，D′_end是当前重复块输出的特征图通道数，λ是当前重复块的重复系数。

进一步，注意力模块加入残差结构，避免网络特征被弱化，注意力模块的输出结果可表示为