[发明专利]一种基于卷积神经网络的红外弱小目标检测方法及装置

说明书

本发明公开一种基于卷积神经网络的红外弱小目标检测方法及装置。该方法包括对连续输入三帧图像采用卷积神经网络处理，得到前景掩码图像；检测输入图像中的像素点建立盲元表；利用所述盲元表剔除所述前景掩码图像的盲元和闪元；关联多帧所述前景掩码图像得到真实目标。本发明实现对复杂背景条件下的红外弱小目标检测，基于深度学习的目标检测算法相比于其他检测算法有更高的检测率、更低的虚警率以及更好的背景适应性。

技术领域

本发明涉及计算机视觉和图像识别技术领域，更具体的说，是涉及红外图像中一种基于卷积神经网络的红外弱小目标检测方法及装置。

背景技术

红外弱小目标是指在红外图像中，目标由于距离远，大气影响等因素导致目标在探测器中成像面积只有几个像素点并且目标的信噪比低。红外弱小目标检测在红外成像技术中起着重要的应用，可用于远距离目标检测、识别、预警。对红外弱小目标的检测目前有多种算法，包括基于人类视觉系统的方法、基于管道滤波的方法、基于机器学习的方法等。

红外弱小目标检测方法的性能取决于对背景、图像盲闪元的抑制，但是由于背景复杂多变，目标可以在云中、云边缘、干净的空背景、地面背景、地面+空中背景等等，传统目标检测算法根据背景设计特征提取算子，可以在单一背景下取得良好的检测效果，但在多种背景切换时，算法由于不能适应新的背景特征，往往出现漏检或误检，导致算法检测率下降，虚警率上升。

发明内容

鉴于上述背景，本发明提供了一种基于卷积神经网络的红外弱小目标检测方法及装置，以解决复杂背景条件下的红外弱小目标检测率低，虚警率高的问题。

为实现上述目的，本发明提供如下技术方案：

本发明实施例一方面提供一种基于卷积神经网络的红外弱小目标检测方法，包括；

对连续输入三帧图像采用卷积神经网络处理，得到前景掩码图像；

检测输入图像中的像素点并建立盲元表；

利用所述盲元表剔除所述前景掩码图像的盲元和闪元；

关联多帧所述前景掩码图像得到真实目标。

进一步地，所述卷积神经网络是通过学习多种背景条件下的样本数据与样本数据的前景掩码信息不断训练而得到：其中，所述卷积神经网络包括5个层级，每个层级包括卷积层、BN层和激活函数层；其中，

每一层级的卷积层包含2个3×3×3大小的卷积核，对输入的图像进行卷积计算后的特征图像送入所述BN层计算均值、方差参数，再带入正则公式得到计算结果；所述BN层的计算结果送入所述激活函数层进行计算，并输出至下一层级的卷积层，直至第5个层级执行完毕得到前景掩码图像。

进一步地，所述检测输入图像中的像素点并建立盲元表，包括；

若预设帧数图像中，某一位置的像素点的像素值小于周围像素点像素值，则判定该像素点为盲元；

若预设帧数图像中，某一位置的像素点的像素值大于或小于周围点的像素值，判定该像素点为闪元，否则，判断该像素点为疑似目标；

保存盲元和闪元的位置信息至所述盲元表中。

进一步地，所述利用所述盲元表剔除所述前景掩码图像的盲元和闪元，包括：

根据所述盲元表记录的所有盲元和闪元的位置信息，剔除前景掩码图像中的盲元和闪元；

根据周围像素点的像素值的平均值作为相应位置的盲元或闪元的像素值。

进一步地，所述关联多帧所述前景掩码图像得到真实目标，包括：

计算当前帧与前一帧前景掩码图像的疑似目标的距离：

若疑似目标的距离不大于预设距离阈值，则关联次数加1；