CN111784743B - 一种红外弱小目标检测方法 - Google Patents

Abstract

本发明属于图像处理技术领域，具体涉及一种红外弱小目标检测方法。本发明提供了使用卷积神经网络的空中红外弱小目标检测方法，使用MNIST手写数据集生成需要的数据集，针对基于单帧红外图像的滤波器难以设计的问题，让卷积神经网络学习背景的分布模式，通过学习到的滤波器可以对红外图像的背景进行很好的抑制；避免了通过自己来设计滤波器这一步骤，因为只需要使用简单的滤波器来进行背景抑制，所以对检测速度也有很好的提升。本发明测试红外弱小目标的图像都能很好的检测出来，并且同其他的算法进行ROC曲线对比也有比较好的效果。

Description

一种红外弱小目标检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种红外弱小目标检测方法。

背景技术

红外成像探测技术是指运用光电探测技术将物体的热辐射信号转换成可供人类视觉分辨的图像和图形，即：利用目标的红外辐射能量来获取目标的相关信息。这一技术的发展使得人眼的视觉范围扩展到肉眼看不到的红外辐射区域。红外探测技术具有诸多优点。它采用连续无源被动的工作方式，具有较强的隐蔽性和抗干扰能力，且红外探测系统结构简单可靠、体积小、重量轻，易于携带，因此在现代军事防御系统中发挥着巨大的作用。

目前红外弱小目标图像多是运用于军事领域，存在数据比较少的问题。而且由于红外探测器的限制，使得红外成像的弱小目标面积往往小于10*10个像素，且信噪比低。这类目标的特点是目标面积小、对比度较低、背景复杂、易受杂波干扰、特征较少等特点。对于这类目标的检测，主要有两种不同方向的解决方法：

其一是基于序列的红外小目标检测算法，这种算法更注重使用目标间的时域关联性，通过配合关于目标运动速度等的先验知识，来取得比较好的检测效果。这种算法也分为两类：先检测后跟踪和先跟踪后检测。先检测后跟踪有基于匹配滤波器的算法、还有利用小波分析的算法。先跟踪后检测的方法一般首先利用频率差异将红外图像中的高低频分离，尽可能地抑制平滑的低频背景杂波；然后利用连续几帧红外序列中小目标的运动信息来分割可疑的候选目标，最后分割后跟踪出少量的目标。另外一种是基于单帧图像检测算法，这类检测方法是根据目标强度、背景和目标的差异等特性来设计滤波器达到消除杂波和抑制背景。故此我们可以利用卷积神经网络来帮助我们构建滤波器。

发明内容

本发明的目的在于提供一种使用神经网络低层卷积核进行红外弱小目标检测的方法，使用构建的数据集进行训练，然后训练完成后，选取其中低层卷积核筛选得到最后需要的滤波器，实现背景抑制，进而实现检测效果。

本发明的技术方案为：一种红外弱小目标检测方法，包括以下步骤：

S1、构建训练数据集：

S11、采用随机采样的方式，在红外图像上进行背景部分的采集，采集8*8的背景块，并舍弃与目标有重叠的背景块；

S12、对得到背景块进行填充处理，以2为步长进行全覆盖式的填充，得到一个32*32的背景图像；

S13、利用MNIST手写数据集作为前景目标，先将MNIST数据中的数据变为背景为黑，数字为白色的图像G，变换的公式如下：

G＝255-I

其中I为原始的MNIST手写数据集图像；

S14、采用变换后的MNIST图像替换步骤S12中得到的背景图像中的对应位置，得到训练图像，对训练图像进行高斯滤波，高斯滤波器的大小为5*5或7*7，高斯滤波器的标准差在(0.1,5)中进行随机选取；经过高斯滤波后的训练图像构成训练数据集；

S2、构建分类网络：

采用卷积层、ReLU激活函数层、最大池化层构成三个结构相同的通道，具体结构为：第一通道依次包括第一卷积层、第一ReLU激活函数层、第一最大池化层、第四卷积层、第四ReLU激活函数层、第四最大池化层；第二通道依次包括第二卷积层、第二ReLU激活函数层、第二最大池化层、第五卷积层、第五ReLU激活函数层、第五最大池化层；第三通道依次包括第三卷积层、第三ReLU激活函数层、第三最大池化层、第六卷积层、第六ReLU激活函数层、第六最大池化层；其中，第一卷积层的卷积核大小为3*3，维数为6，第二卷积层的卷积核大小为5*5，维数为8，第三卷积层的卷积核大小为7*7，维数为12，第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5*5，对应的维数分别为6、8、12；三个通道的输出，即第四最大池化层、第五最大池化层和第六最大池化层的输出加和后输入第七卷积层，第七卷积层的卷积核大小为3*3，维数为8，第七卷积层后依次级联第八全卷积层和第九全卷积层，第八全卷积层和第九全卷积层的维数分别为128和10；第九全卷积层的输出即对应MNIST手写数据集中的类别；

S3、采用训练数据集对构建的分类网络进行训练，获得训练好的分类网络，即获得分类网络中所有的卷积核参数；

S4、根据训练好的分类网络，选取卷积核参数累加小于0的卷积核：

mean(K_i)<0,i＝1,2...,12

其中，K_i代表第i个卷积核(例如选取的7*7，里面对应的就是12个卷积核，这是代表按公式对12个进行筛选)，mean(·)代表所有元素相加求均值；

利用选择出来的卷积核，每个卷积核对空中红外图像进行滤波处理，然后按平均权重叠加得到最终的检测结果图。

其中，Out为输出图，m为选出来的卷积核个数，I为原始的空中红外图像，w_i代表第i个卷积核，

代表卷积操作。

本发明的有益效果是：

本发明提供了使用卷积神经网络的空中红外弱小目标检测方法，使用MNIST手写数据集生成需要的数据集，针对基于单帧红外图像的滤波器难以设计的问题，让卷积神经网络学习背景的分布模式，通过学习到的滤波器可以对红外图像的背景进行很好的抑制；去除了通过自己来设计滤波器这一步骤，因为只需要使用简单的滤波器来进行背景抑制，所以对检测速度也有很好的提升。本发明测试红外弱小目标的图像都能很好的检测出来，并且同其他的算法进行ROC曲线对比也有比较好的效果。

附图说明

图1为本发明实施例中的红外弱小目标检测方法流程图示意图；

图2为本发明实施例中数据集构建示意图；

图3为本发明实施例中的卷积神经网络结构示意图；

图4为本发明实施例中的检测效果ROC曲线对比图，其中(a)～(c)分别为三个序列的对比结果图；

图5为本发明实施例中红外弱小目标检测效果示意图，其中(a)～(f)，(g)～(l)分别为三个序列的红外弱小目标原图和对应的检测结果。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

实施例

如图1所示，本例包括以下步骤：

步骤1：训练数据集构建，如图2所示；采用随机采样的方式，在红外图像上进行背景部分的采集8*8的背景块，当采集到的背景块与目标有重叠时就舍弃。对得到背景块进行填充处理，以2为步长进行全覆盖式的填充，得到一个32*32的背景图像；利用MNIST手写数据集作为前景目标，先将MNIST数据中的数据变为背景为黑，数字为白色的图像G，变换的公式如下：

G＝255-I

其中I为原始的MNIST手写数据集图像，将MNIST图像在背景图像上的对应位置进行替换，对应位置是指MINST在原来坐标的基础上进行加2处理，这样可以保证目标位于中心的位置。将上述的图像进行高斯滤波进行模糊，高斯滤波器大小为5*5和7*7进行随机选取，高斯滤波器的标准差也在(0.1,5)中进行随机选取，最后高斯滤波后会得到一个32*32的图像作为网络的输入。

步骤2：分类网络的构建利用卷积层、池化层、ReLU激活函数和全卷积层构成了本方法中的分类网络。网络的输入大小为32*32，具体结构依次是：

第一层：有三种尺寸的卷积核，大小分别是3*3、5*5、7*7，每种尺寸对应的维数分别是6、8、12，分别取名为C1，C2，C3；

第二层：ReLU激活函数层，也是三个，对前一层的特征进行非线性操作，分别取名R1，R2，R3，这三个对应的输入是C1，C2，C3对应的输出作为输入。

第三层：池化层，同上一致，也是对应ReLU激活函数层的输出作为输入，选择的是最大值池化，步长为2，分别取名为P1，P2，P3。

第四层：卷积层，此层的三个卷积核的尺寸均为5*5，但是对应的维数分别为6、8、12，分别取名为C4，C5，C6，P1的输出作为C4的输入，P2的输出作为C5的输入，P3的输出作为C6的输入。

第五层：ReLU激活函数层，也是三个，对前一层的特征进行非线性操作，分别取名R4，R5，R6，这三个对应的输入是C4，C5，C6对应的输出作为输入。

第六层：池化层，对应上一层的ReLU激活函数层的输出作为输入，选择的是最大值池化，步长为2，分别取名为P4，P5，P6。

第七层：卷积层，只有一种卷积核，尺寸为3*3，维数为8，取名为C7，该层的输入是将P4，P5，P6的输出进行加和后作为输入。

第八层：全卷积层，维数为128，取名为F1，输入为C7的输出。

第九层：全卷积层，维数为10，取名为F2，输入为F1的输出。该层的输出对应MNIST手写数据集中的十类。

其中第一层网络使用三种尺度的来进行实验，最后采用的卷积核大小为7*7。网络结果如图3，其中卷积层和激活函数结合的计算公式如下：

上式中x表示输出，w表示卷积层中的每一个卷积核，I代表这层卷积的输入图像，θ代表偏置项，

代表卷积操作。f(·)代表ReLU激活函数，具体的公式如下：

f(x)＝max(x,0)

最后计算每一类的输出概率使用SoftMax函数σ(z)＝(σ₁(z),…,σ_m(z))，公式为：

其中，i代表第几类，a_i是全连接层的类别的输出，是第i类的概率值。训练时，对softmax的结果计算交叉熵分类损失函数为：

式中，σ_i(a)是第i类的概率值，N是一个训练批次的大小。训练中的参数求解使用的是随机梯度下降法更新权值。训练集的总有60000张图片进行训练。全连接的层数输出也和数据的类别相对应。通过前面构建的训练数据集对网络进行训练，得到对应的网络参数。利用C3中部分的卷积核来进行检测，部分的卷积核的选取过程在下一步骤有说明。

步骤3：利用步骤2中得到的参数进行空中红外小目标检测，在包含空中红外小目标的图像对该目标进行提取，背景去除。过滤出需要的卷积核，通过卷积核中的参数进行提取，针对红外目标的特点，选取卷积核参数累加小于0的卷积核，其余的卷积核则舍弃，公式如下:

mean(K_i)<0,i＝1,2...,12

其中，K_i代表第i个卷积核，mean(·)代表所有元素相加求均值。利用上述过程中选择出来的卷积核，每个卷积核对空中红外图像进行滤波处理，然后按平均权重叠加得到结果图。

上式中，Out为输出图，m为上述过程中选出来的卷积核个数，实际测试时，该值为8，此值并完全唯一，具体由实施时的网络确定。I为原始的空中红外图像，w_i代表第i个卷积核，

代表卷积操作。

根据上述实施方案，对空中的红外弱小目标的检测效果对比分析，其受试者工作特征曲线(ROC)对比如图4所示，红外弱小目标检测结果如图5所示。由图4和图5可以表明，本实施例的检测方法有较好的检测效果和量化指标。

Claims (1)

1.一种红外弱小目标检测方法，其特征在于，包括以下步骤：

S1、构建训练数据集：

S11、采用随机采样的方式，在红外图像上进行背景部分的采集，采集8*8的背景块，并舍弃与目标有重叠的背景块；

S12、对得到背景块进行填充处理，以2为步长进行全覆盖式的填充，得到一个32*32的背景图像；

S13、利用MNIST手写数据集作为前景目标，先将MNIST数据中的数据变为背景为黑，数字为白色的图像G，变换的公式如下：

G＝255-I

其中I为原始的MNIST手写数据集图像；

S14、采用变换后的MNIST图像替换步骤S12中得到的背景图像中的对应位置，得到训练图像，对训练图像进行高斯滤波，高斯滤波器的大小为5*5或7*7，高斯滤波器的标准差在(0.1,5)中进行随机选取；经过高斯滤波后的训练图像构成训练数据集；

S2、构建分类网络：

采用卷积层、ReLU激活函数层、最大池化层构成三个结构相同的通道，具体结构为：第一通道依次包括第一卷积层、第一ReLU激活函数层、第一最大池化层、第四卷积层、第四ReLU激活函数层、第四最大池化层；第二通道依次包括第二卷积层、第二ReLU激活函数层、第二最大池化层、第五卷积层、第五ReLU激活函数层、第五最大池化层；第三通道依次包括第三卷积层、第三ReLU激活函数层、第三最大池化层、第六卷积层、第六ReLU激活函数层、第六最大池化层；其中，第一卷积层的卷积核大小为3*3，维数为6，第二卷积层的卷积核大小为5*5，维数为8，第三卷积层的卷积核大小为7*7，维数为12，第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5*5，对应的维数分别为6、8、12；三个通道的输出，即第四最大池化层、第五最大池化层和第六最大池化层的输出加和后输入第七卷积层，第七卷积层的卷积核大小为3*3，维数为8，第七卷积层后依次级联第八全卷积层和第九全卷积层，第八全卷积层和第九全卷积层的维数分别为128和10；第九全卷积层的输出即对应MNIST手写数据集中的类别；

S3、采用训练数据集对构建的分类网络进行训练，获得训练好的分类网络，即获得分类网络中所有的卷积核参数；

S4、根据训练好的分类网络，选取卷积核参数累加小于0的卷积核：

mean(K_i)<0,i＝1,2...,12

其中，K_i代表第i个卷积核，mean(·)代表所有元素相加求均值；

利用选择出来的卷积核，每个卷积核对空中红外图像进行滤波处理，然后按平均权重叠加得到最终的检测结果图；

其中，Out为输出图，m为选出来的卷积核个数，I为原始的空中红外图像，w_i代表第i个卷积核，

代表卷积操作。

Images