一种基于卷积神经网络的红外弱小目标检测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112419359A(43)申请公布日2021.02.26(21)申请号202011245209.6(22)申请日2020.11.10(71)申请人中国电子科技集团公司第十一研究所地址100015北京市朝阳区酒仙桥路4号(72)发明人王礼贺杨德振黄成章乔志平王伟丞李凯峰(74)专利代理机构工业和信息化部电子专利中心11010代理人罗丹(51)Int.Cl.G06T7/194(2017.01)G06T7/136(2017.01)G06T7/73(2017.01)G06N3/04(2006.01)权利要求书2页说明书7页附图5页(54)发明名称一种基于卷积神经网络的红外弱小目标检测方法及装置(57)摘要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。CN112419359ACN112419359A权利要求书1/2页1.一种基于卷积神经网络的红外弱小目标检测方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1所述的方法，其特征在于，所述检测输入图像中的像素点建立盲元表，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。4.根据权利要求1或3所述的方法，其特征在于，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。5.根据权利要求3所述的方法，其特征在于，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；若关联次数达到预设次数阈值，则判定该疑似目标为真实目标；若当前帧没有疑似目标或者当前帧与前一帧前景掩码图像中的疑似的距离大于预设阈值或者关联次数未达到预设次数阈值，则目标丢失，重新查找目标。6.一种基于卷积神经网络的红外弱小目标检测装置，其特征在于，包括；处理单元，用于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；检测单元，用于检测输入图像中的像素点建立盲元表；剔除单元，用于利用所述盲元表剔除所述前景掩码图像的盲闪元；关联单元，用于关联多帧所述前景掩码图像得到真实目标。7.根据权利要求6所述的装置，其特征在于，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，且包括5个层级，每个层级包括卷积层、BN层以及激活函数层；其中，每一层级的卷积层包含2个3×3×3大小的卷积核，2CN112419359A权利要求书2/2页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。8.根据权利要求6所述的装置，其特征在于，所述检测单元具体用于：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，判定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。9.根据权利要求6或8所述的装置，其特征在于，所述剔除单元具体用于：根据所述盲元表记