[发明专利]一种弱小目标智能检测识别方法

权利要求书

1.一种弱小目标智能检测识别方法，其特征在于，包括如下步骤：

提取多类图像的语义信息，并基于所述语义信息，构建条件对抗变分自编码器；通过前移尺度检测结构和调整卷积结构，构建改进的YOLO V3模型；

对接收到的红外图像进行去噪处理，得到去噪后图像，加入无噪声图像集；

将所述无噪声图像集输入构建的所述条件对抗变分自编码器，得到扩展图像集，将所述扩展图像集分为训练集和测试集；

基于所述训练集，对改进的YOLO V3模型进行训练得到目标识别模型；将所述测试集输入所述目标识别模型中，得到所述红外图像中目标的识别结果，包括目标的位置和类型。

2.根据权利要求1所述的弱小目标智能检测识别方法，其特征在于，所述提取多类图像的语义信息，包括：

基于公共图像数据集，得到训练好的神经网络；其中训练好的神经网络的输入是公共图像数据集中的图像，输出是图像特征；

从公共图像数据集中，随机选择多类背景图像，每类选择多张，作为公共样本集；

将公共样本集中的每张图像输入所述训练好的神经网络，获取全连接层输出的图像特征，作为每张图像的语义信息；

根据每张图像的语义信息和图像类别，求和取平均后得到每类图像的语义信息。

3.根据权利要求2所述的弱小目标智能检测识别方法，其特征在于，所述条件对抗变分自编码器包括：编码器模块、解码器模块、判别器模块；其中，

所述编码器模块，用于根据输入图像的特征图，得到服从正态分布的特征图；

所述解码器模块，用于对融合语义信息的特征图进行解码，生成重构图像和随机图像；所述正态分布的特征图、所述图像的语义信息和随机生成的语义信息拼接得到所述融合语义信息的特征图；

所述判别器模块，用于对输入图像、重构图像和随机图像分别进行判别，得到所述输入图像、重构图像和随机图像是否携带真实信息的判别结果。

4.根据权利要求3所述的弱小目标智能检测识别方法，其特征在于，所述条件对抗变分自编码器中的损失函数包括：变分自编码器损失函数和判别器损失函数；其中，

所述变分自编码器损失函数包括：KL散度、边际似然变分下限和重构图像的判别损失函数；

所述判别器损失函数包括：输入图像的判别损失函数和随机图像的判别损失函数。

5.根据权利要求1或4所述的弱小目标智能检测识别方法，其特征在于，所述通过前移尺度检测结构和调整卷积结构，构建改进的YOLO V3模型，包括：

将YOLO V3模型中原有的3个尺度检测结构全部前移一个模块，3个尺度大小分别为26×26，52×52和104×104，分别输出1:1，1:2和2:1三种宽高比；

对主干网络中输出8倍下采样特征图进行2倍上采样，使尺寸与主干网络的4倍下采样特征图匹配；

将经2倍上采样处理后的8倍降采样特征图与4倍降采样特征图进行拼接融合，在得到104×104大小的特征图上进行分类和坐标回归；

将卷积层与批归一化层合并成一层。

6.根据权利要求1所述的弱小目标智能检测识别方法，其特征在于，还包括：将所述目标的识别结果与所述测试集进行对比，根据所述目标的识别结果中目标的类型，识别是否存在于测试集中对应图像上，若不存在，则所述目标为虚警目标，设置虚警标志；

从目标的识别结果中按固定数量取出图像序列，识别所述图像序列的平均虚警率是否大于虚警率指标；如果大于，则通过滑窗迭代识别出当前图像序列中的真实目标，删除对应的虚警标志，输出优化后的图像序列；否则，直接输出当前图像序列，再按固定数量取出下一批图像序列继续识别和输出。

7.根据权利要求6所述的弱小目标智能检测识别方法，其特征在于，所述滑窗的步长为1，滑窗的长度根据下式得到：

其中，S表示红外图像帧频为S帧/秒，m表示目标速度为m米/秒，[S/2]表示对S/2的值向上取整。