[发明专利]基于改进YOLO v3的红外图像弱小目标检测方法

说明书

本发明提供了基于改进YOLO v3的红外图像弱小目标检测方法，首先利用在轻量级特征提取网络中使用深度可分离卷积改进YOLOv3残差模块中的标准卷积操作，然后在轻量级特征提取网络每一个残差模块中引入通道自注意力机制，然后在轻量级特征提取网络每一个残差模块中引入空间自注意力机制，最后在轻量级特征提取网络中使用H‑swish激活函数加速网络训练，进而构建基于改进YOLO v3的红外图像弱小目标检测模型，搭建轻量级特征提取网络；本发明在网络模型设计过程中，使用了深度可分离卷积代替YOLO v3的标准卷积操作，通过多尺度提取特征图获得不同的感受野并降低参数，使得本发明具有网络参数大大减少、计算速度快的优点。

技术领域

本发明涉及图像目标技术检测领域，尤其涉及基于改进YOLO v3的红外图像弱小目标检测方法。

背景技术

红外成像是基于目标对红外光的反射和目标自身的热辐射进行成像，受光照强度条件的影响很小，不但在白天可以很好工作，也可以实现夜间目标检测。但是红外图像对比度较低、纹理特征弱、干扰大，检测目标在强噪声和相似背景的影响下，成为弱小目标，一般的目标识别算法很难适用。深度学习的出现，使得红外图像弱小目标检测有了突破性进展。尤其是基于回归的YOLO v3目标检测算法只需要对图片作一次卷积操作，然后直接在原始图像上通过回归的方法预测出目标的分类、位置和置信度，速度快、精度较高，获得了广泛应用。

西安电子科技大学拥有的在其专利技术申请“一种红外目标检测方法”(专利申请号：2018109063127，公开号：CN110826554A)中公开了一种基于迭代量化-局部敏感哈希的多尺度的红外目标检测方法。该方法引入局部敏感哈希和迭代量化编码方法，通过压缩图像的不同窗口滑动、连续数据二进制编码、候选框和目标框汉明距离计算实现目标位置确定。由于该专利使用粗精结合筛选以及汉明距离对候选框和目标模板库相似度计算，速度得到了一定的提升，但是由于是人工设计特征描述算子、提取图像特征，检测精度不是特别高。

李慕锴、张涛和崔文楠在论文“基于YOLO v3的红外行人小目标检测技术研究”(红外技术2020年42卷2期第176页到181页)中提出了一种基于YOLO v3的红外行人小目标检测方法。该方法，以YOLO v3网络为基础，学习了SENet(Squeeze-and-Excitation Networks)对特征进行权重重标定的思路，将SE block引入到YOLO v3网络中替换该网络的中的inception或者residual层。这种方法在红外行人小目标检测精度上取得了一定的效果，但是SENet仅显示建模特征通道间的相互依赖关系，对空间信息获取不足。

发明内容

本发明的目的在于提供基于改进YOLO v3的红外图像弱小目标检测方法，能够在网络模型每一个残差模块的空间和通道两个维度引入注意机制，使得本发明在执行卷积操作时能够更加关注图像中的目标信息，特别是小目标和遮挡目标的图像特征信息。

为了实现上述目的，本发明采用以下技术方案：

基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于，包括以下步骤：

步骤1：构建基于改进YOLO v3的红外图像弱小目标检测模型，搭建轻量级特征提取网络；

步骤2：定义损失函数Loss，具体的：

用边界框的重叠程度和两个边界框的中心距离，以及预测框的长宽比和真实框的长宽比即CIou(Complete-IoU)作为边界框的损失函数Loss_CIoU，结合物体类别预测误差损失Loss_obj和预测置信度损失Loss_conf，则训练回归的损失函数Loss为：