[发明专利]一种红外目标检测方法及系统

说明书

本发明涉及一种红外目标检测方法及系统，该方法包括：将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；根据融合后的特征图进行目标检测。本发明提高了检测的准确性。

技术领域

本发明涉及目标检测领域，特别是涉及一种红外目标检测方法及系统。

背景技术

红外辐射是物体的固有属性，当物体温度高于绝对零度时，就会向外辐射热量，因此可以对目标的红外特征进行全天时的检测与识别。当前根据物体的红外特征对目标进行准确且实时的检测，已成为军事侦察、视频检测、伪装防护等领域重点关注的问题。

近年来，随着深度学习的兴起，产生了基于卷积神经网络(Convolutional NeuralNetworks，CNN)的目标检测方法。基于深度学习的目标检测，存在以R-CNN、Fast R-CNN、Faster R-CNN等为主的两阶段目标检测算法和以SDD、YOLO等为主的一阶段目标检测算法。两阶段的目标检测算法先将图像输入主干网络进行特征提取，选出待检测区域，再进行目标分类和预测框回归对目标进行检测。而一阶段目标检测算法则是通过遍历将预测框与真实框相关联，利用IOU(Intersection over Union)机制将相关度量化并使用NMS机制抑制关联度不高的预测框。目前，地面场景下由于目标红外特性易受复杂背景干扰，因此存在检测精度不高，易发生误检和漏检的问题。

发明内容

本发明的目的是提供一种红外目标检测方法及系统，提高了检测准确性。

为实现上述目的，本发明提供了如下方案：

一种红外目标检测方法，包括：

将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；

利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；

将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；

将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；

根据融合后的特征图进行目标检测。

可选地，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征，具体包括：

对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征；

将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。

可选地，所述将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征中，每次下采样操作，具体包括：

对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。

可选地，所述将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图，具体包括：

采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。

可选地，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征之前，具体还包括：