[发明专利]一种基于目标边界定位的红外目标检测方法

权利要求书

1.一种基于目标边界定位的红外目标检测方法，其特征在于，包括如下步骤，

S1、读取图像信息，并采用自适应的指数变换的方法对红外图像进行指数变换；

S2、将步骤S1变换后的图像调整为统一尺寸，输入到基于Resnet-50网络改进的复合残差网络以获得图像中不同尺度下的特征图谱；

S3、将步骤S2得到的不同尺度的特征图谱输入到特征融合网络中，特征融合网络由三个双向特征金字塔结构重复叠加构成，实现多尺度特征信息的融合，获得五个尺度下的有效特征图谱；

S4、将步骤S3得到的五个的有效特征图谱输入到类别与边界框网络中，类别与边界框网络由类别子网络和边界框子网络组成，获得对于目标的类别与位置的预测结果。

2.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，还包括S5、采用检测模型对红外目标进行检测。

3.如权利要求2所述的基于目标边界定位的红外目标检测方法，其特征在于，所述将检测模型的分类损失函数为Focal Loss，将基于边界框定位的损失函数作为检测模型的回归损失函数，对检测模型进行训练，并对训练效果进行评估，利用训练得到的检测模型对红外目标进行检测。

4.如权利要求3所述的基于目标边界定位的红外目标检测方法，其特征在于，所述Focal Loss为

FL(p_t)＝-β_t(1-p_t)^γlog(p_t)

CE(p_t)＝-log(p_t)

其中，y＝1代表当前检测框内含有预先设定的目标类别，即属于数据集中的正样本；p∈[0,1]代表检测框内的的分类置信度；p_t∈[0,1]代表针对正负样本归一化后的置信度。

5.如权利要求3所述的基于目标边界定位的红外目标检测方法，其特征在于，基于目标边界定位的损失函数被定义为：

其中w，h与w^gt，h^gt分别是检测框与目标框当前的宽和高，d＝ρ²(b,b^gt)为目标框与检测框之间中心点的直线距离，B,B^gt分别是检测框与目标框的面积，B∩B^gt为两框间相交区域的面积，c是同时包含检测框与目标框的最小封闭矩形框的对角线距离，C是最小封闭矩形框的面积，σ为一个接近于0的正值，其作用是防止由于分母等于零而引起的数值波动。

6.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，所述步骤S1中图像进行处理，输入红外图像的像素点个数num，单个像素点的灰度值g，根据图像内所有像素点的平均灰度值来确定自适应指数变换的参数值，红外图像平均灰度值如下：

7.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，所述步骤S1红外图像进行的自适应指数变换，其公式如下：

s＝cr^γ,(c,r∈[0,1])，

其中，c为常数，在本算法中令c＝1，r为指数变化前图像像素点的灰度值，s为指数变化后图像像素点的灰度值，指数变化的参数由当前图像所有像素点的平均灰度值确定，计算公式如下：

8.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，所述步骤S2中复合残差网络由Conv Block和Identity Block两个基本的卷积块构成。

9.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，所述步骤S2中复合残差网络由多个Conv Block和Identity Block堆叠组成，复合残差网络在基本块内部含有小的残差边的同时，多个块之间也具有残差结构。

10.如权利要求1所述的基于目标边界定位的红外目标检测方法，其特征在于，所述步骤S4中类别子网络用来预测目标的种类，采用4次256通道的卷积和1次通道数为该特征层所拥有的先验框数与网络检测目标的类别数乘积的卷积，边界框子网络用来预测目标的边界框，采用4次256通道的卷积和1次通道数为4倍该特征层先验框的卷积，4指的是先验框的调整情况。