[发明专利]一种基于卷积神经网络的红外图像目标检测网络压缩方法

说明书

本发明公开了一种基于卷积神经网络的红外图像目标检测网络压缩方法，属于红外图像识别领域。本方法以卷积神经网络为核心，建立一种红外图像目标检测的网络模型压缩框架，网络模型包含了多级特征融合的模块，使小目标检测时能够拥有高分辨率特征的同时保留了浅层的特征信息，使网络模型多红外飞行器目标具有更高泛化能力。在模型训练过程中采用轻量化网络模型处理技术，将网络模型卷积层中权重参数和特征值参数进行定点量化处理，得到识别精度高、资源占用少的检测模型。本发明方法已在红外飞行器目标数据集中完成训练和测试，能够高效检测小尺度红外图像中的飞行器目标。

技术领域

本发明一种基于卷积神经网络的红外图像目标检测网络压缩方法，属于计算机视觉和红外图像处理领域，可以应用在红外图像识别领域中。

背景技术

红外场景图像存在目标的数量和位置的不确定性、低信噪比、缺乏背景统计的先验信息等问题。因此，复杂环境下的红外目标检测仍然是一个具有挑战性的研究问题。面向红外图像目标提取方法研究目前常用的目标提取方法包括传统的数字图像处理算法如SIFT算法、达到筛选目的的背景减除法、基于神经网络的智能特征提取方法等，其中传统的图像处理算法红外目标、背景变化和干扰对抗的适应能力较差，尤其是抗干扰信息处理未能充分利用目标形状、运动信息及挖掘隐性对抗信息，不能完全满足和适应复杂环境的要求。因此，针对复杂环境中的随机不确定性问题，要求信息处理算法具备更强的自适应能力，需要寻求一种更有效的信息处理框架。基于深度学习的卷积神经网络目标识别分类技术，主要是能在高维特征空间对目标分类识别进行精细化建模与学习，实现对目标特征进行认知。近年来，深度学习技术在准确性、鲁棒性等方面愈发凸现优势，网络结构也不断发展完善，在卷积神经网络(CNN)基础上催生了适于不同需求的R-CNN、Fast R-CNN、FasterR-CNN等网络结构，但以一个中等规模的深度学习网络模型为例，通常拥有百万级甚至上亿级的参数量，在运算过程中对硬件计算和存储的开销需要非常大，目前基于DSP+FPGA的嵌入式信息处理架构运算能力十分有限，导致智能算法模型目标识别的帧频不高，使得基于深度学习的目标识别算法模型难以在弹载、星载等终端嵌入式平台上进行工程化部署应用，因此急需开展面向工程应用的卷积神经网络优化设计技术和训练策略方法研究。

发明内容

本发明解决的技术问题为：克服现有技术不足，提出了一种基于卷积神经网络的红外图像目标检测网络压缩方法，能够快速有效地检测红外图像中的飞行器目标，比传统算法识别精度和效率更高，同时网络使用的存储空间和计算资源减少，减轻了弹载、星载等终端平台对资源需求的负担。

为实现上述目的采用的技术方案为：

一种基于卷积神经网络的红外图像目标检测网络压缩方法，其步骤如下：

步骤1，采集不同气候环境下、不同背景下和不同干扰下飞行器红外图像，对每个飞行器红外图像进行属性标定，形成红外图像数据集，分成训练图像集和测试图像集；由标定的属性，确定飞行器红外图像的特征值，作为特征真值；

步骤2，使用图像样本，训练卷积神经网络模型，得到初始化的卷积神经网络模型；

步骤3，读取训练图像集的图像，训练步骤2初始化的卷积神经网络模型，通过反向传播方式更新卷积神经网络模型中卷积核权重，以降低训练后的卷积神经网络模型输出的飞行器红外图像的特征值与步骤1确定的特征真值的误差；当该误差小于设定的误差阈值，则停止训练；在训练过程中对初始化的卷积神经网络模型进行网络模型参数轻量化，得到轻量化的卷积神经网络模型；

步骤4，读取测试图像集中的图像，将测试图像集中的图像输入到步骤3轻量化的卷积神经网络模型中，得到飞行器的类型以及在图像中的位置。

未经轻量化的卷积神经网络模型占用较多存储空间和计算资源，进行网络模型参数轻量化，通过在训练过程中将步骤2初始化的卷积神经网络模型参数中的浮点参数转化为定点参数，减少网络模型工作所占用的资源，进而达到网络轻量化的目标。