CN113537253B - 一种红外图像目标检测方法、装置、计算设备及存储介质 - Google Patents
一种红外图像目标检测方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113537253B CN113537253B CN202110968147.XA CN202110968147A CN113537253B CN 113537253 B CN113537253 B CN 113537253B CN 202110968147 A CN202110968147 A CN 202110968147A CN 113537253 B CN113537253 B CN 113537253B
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- infrared image
- target detection
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及红外图像目标检测领域,特别涉及一种红外图像目标检测方法、装置、计算设备及存储介质。该方法包括:利用样本红外图像的特征集合训练目标检测模型;其中,特征集合至少包括样本红外图像的灰度特征、梯度特征和深层特征,灰度特征和梯度特征是对样本红外图像灰度化的图像提取得到的,深层特征是利用预设的神经网络模型对样本红外图像提取得到的;提取待检测红外图像中的候选目标,并将候选目标输入到训练好的所述目标检测模型中,输出目标检测结果。本方案能够提高红外图像目标检测的准确率。
Description
技术领域
本发明涉及红外图像目标检测领域,尤其涉及一种红外图像目标检测方法、装置、计算设备及存储介质。
背景技术
随着红外成像技术的发展,红外成像技术被广泛地应用于各国军事、民用等相关领域,尤其是红外小目标检测,在预警系统、精确打击武器等方面发挥着巨大的作用。
一方面,红外成像具有成像距离远且易受环境因素干扰的特点;另一方面,红外弱小目标在图像中尺寸较小且没有明显的形状特征。因此,红外弱小目标检测一直是目标检测领域的一个难题。
因此,目前亟待需要一种红外目标检测方法来解决上述技术问题。
发明内容
为了提高红外图像目标检测的准确率,本发明提供了一种红外图像目标检测方法。
第一方面,本发明实施例提供了一种红外图像目标检测方法,包括:
利用样本红外图像的特征集合训练目标检测模型;其中,所述特征集合至少包括所述样本红外图像的灰度特征、梯度特征和深层特征,所述灰度特征和所述梯度特征是对所述样本红外图像灰度化的图像提取得到的,所述深层特征是利用预设的神经网络模型对所述样本红外图像提取得到的;
提取待检测红外图像中的候选目标,并将所述候选目标输入到训练好的所述目标检测模型中,输出目标检测结果。
在一种可能的设计中,所述利用样本红外图像的特征集合训练目标检测模型,包括:
将样本红外图像进行滤波处理;
对滤波处理后的样本红外图像进行特征提取,得到灰度特征和梯度特征;
将滤波处理后的样本红外图像输入到预设的神经网络模型中,得到深层特征;
将所述灰度特征、所述梯度特征和所述深层特征进行特征融合,得到特征集合;
利用所述特征集合训练目标检测模型。
在一种可能的设计中,所述对滤波处理后的样本红外图像进行特征提取,得到灰度特征,包括:
针对滤波处理后的样本红外图像,执行:
针对该样本红外图像中的每一个像素点,在当前像素点的第一预设邻域内,判断当前像素点的灰度值是否为所述第一预设邻域内所有像素点的灰度值按照预设顺序排列的极大值,并且判断当前像素点的灰度值是否大于预设的灰度阈值;若是极大值且大于所述灰度阈值,则将当前像素点确定为中心点;
针对确定出的每一个中心点,在当前中心点的第二预设邻域内,确定所述第二预设邻域内的按照所述预设顺序排列的各个中心点的灰度值的波峰以及与所述波峰相邻的波谷,并将所述波谷的灰度值作为分割阈值;
基于所述分割阈值,对该样本红外图像进行二值化分割,得到包含候选目标的连通区域;
确定所述候选目标的灰度特征;其中,所述灰度特征包括如下中的至少一种:包围所述连通区域的最小矩形的长、宽、长宽比、所述连通区域内的像素点的个数、所述连通区域内的像素点的个数和所述最小矩形的面积的比值、所述连通区域内的像素点的灰度值。
在一种可能的设计中,所述对滤波处理后的样本红外图像进行特征提取,得到梯度特征,包括:
针对滤波处理后的样本红外图像,执行:
采用Gamma校正法对所述样本红外图像进行颜色空间的标准化;
计算标准化后的样本红外图像中每个像素点的梯度值和方向;
将标准化后的样本红外图像划分为多个细胞单元,并统计每个细胞单元的梯度直方图,以构建针对HOG特征的第一特征向量;
压缩标准化后的样本红外图像,并对压缩后的样本红外图像进行HOG特征的提取,以得到针对HOG特征的第二特征向量;
将所述第一特征向量和所述第二特征向量进行拼接,得到梯度特征。
在一种可能的设计中,所述深层特征是利用预设的神经网络模型对所述样本红外图像提取得到的,包括:
对样本红外图像执行去均值操作,并将去均值操作后的样本红外图像分为训练集和测试集;
使用训练集对卷积神经网络进行训练,确定神经网络的参数并保存;
将测试集输入训练好后的神经网络模型,得到全连接层输出的特征向量,使用该向量表征红外图像的深层特征;
在一种可能的设计中,所述灰度特征、所述梯度特征和所述深层特征均包括基于不同维度的子特征;
所述将所述灰度特征、所述梯度特征和所述深层特征进行特征融合,得到特征集合,包括:
将所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合;
将确定出的次优子特征加入所述特征集合,对所述特征集合按照所述评价方式进行评价,如果评价分数提高,则在所述特征集合中保留所述次优子特征,否则,删除所述特征集合中的次优子特征,循环执行所述将确定出的次优子特征加入所述特征集合,直至完成对所有子特征的评价。
在一种可能的设计中,所述将所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合,包括:
针对所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征,执行:利用当前子特征训练目标检测模型;将已知的候选目标输入到训练好的目标检测模型中,输出目标检测结果;其中,所述目标检测结果包括目标检测名称和目标检测分数;
在所述目标检测名称和已知的候选目标的名称相同时,按照所述目标检测分数的高低顺序对所述灰度特征、所述梯度特征和所述深层特征各自的所有子特征进行优劣排序,以确定出所述灰度特征、所述梯度特征和所述深层特征各自的最优子特征,并将所述最优子特征加入特征集合。
在一种可能的设计中,所述将确定出的次优子特征加入所述特征集合,对所述特征集合按照所述评价方式进行评价,包括:
将确定出的次优子特征加入所述特征集合;
利用当前特征集合训练目标检测模型;
将已知的候选目标输入到训练好的目标检测模型中,输出目标检测分数;
基于当前特征集合对应的目标检测分数,对所述特征集合进行评价。
第二方面,本发明实施例还提供了一种红外图像目标检测装置,包括:
训练模块,用于利用样本红外图像的特征集合训练目标检测模型;其中,所述特征集合至少包括所述样本红外图像的灰度特征、梯度特征和深层特征,所述灰度特征和所述梯度特征是对所述样本红外图像灰度化的图像提取得到的,所述深层特征是利用预设的神经网络模型对所述样本红外图像提取得到的;
检测模块,用于提取待检测红外图像中的候选目标,并将所述候选目标输入到训练好的所述目标检测模型中,输出目标检测结果。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项所述的方法。
本发明实施例提供了一种红外图像目标检测方法、装置、电子设备及存储介质,通过分别提取红外图像中候选目标的灰度特征、梯度特征和深度特征,将三个特征进行特征融合,得到最优特征集合,利用该特征集合训练目标检测模型,这样使得训练得到的目标检测模型可以检测到更丰富的特征和更优的特征,如此利用训练好后的目标检测模型对待检测红外图像进行检测,提高了目标检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种红外图像目标检测方法流程图;
图2是本发明一实施例提供的一种计算设备的硬件架构图;
图3是本发明一实施例提供的一种红外图像目标检测装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种红外图像目标检测方法,该方法包括如下步骤:
步骤100:利用样本红外图像的特征集合训练目标检测模型;其中,特征集合至少包括样本红外图像的灰度特征、梯度特征和深层特征,灰度特征和梯度特征是对样本红外图像灰度化的图像提取得到的,深层特征是利用预设的神经网络模型对样本红外图像提取得到的;
步骤102:提取待检测红外图像中的候选目标,并将候选目标输入到训练好的目标检测模型中,输出目标检测结果。
在本发明实施例中,通过分别提取红外图像中候选目标的灰度特征、梯度特征和深度特征,将三个特征进行特征融合,得到最优特征集合,利用该特征集合训练目标检测模型,这样使得训练得到的目标检测模型可以检测到更丰富的特征和更优的特征,如此利用训练好后的目标检测模型对待检测红外图像进行检测,提高了目标检测的准确率。
下面描述各步骤的实现过程。
针对步骤100,在一些实施方式中,步骤100具体可以包括:
步骤A、将样本红外图像进行滤波处理;
步骤B、对滤波处理后的样本红外图像进行特征提取,得到灰度特征和梯度特征;
步骤C、将滤波处理后的样本红外图像输入到预设的神经网络模型中,得到深层特征;
步骤D、将灰度特征、梯度特征和深层特征进行特征融合,得到特征集合;
步骤E、利用特征集合训练目标检测模型。
在该实施例中,首先通过对样本红外图像进行滤波处理,如此对样本红外图像进行去噪,增强了样本红外图像中的目标亮度,从而有利于后续的特征提取;接着,分别提取滤波处理后的样本红外图像的灰度特征、梯度特征和深层特征,并利用灰度特征、梯度特征和深层特征进行特征融合,如此使得训练目标检测模型的特征样本增多,从而可以提高目标检测模型的目标检测准确率。
针对步骤A,滤波处理的方式例如可以是形态学滤波、均值滤波、中值滤波、最大最小值滤波、双边滤波或引导滤波,在此不进行具体限定。
针对步骤B,在一些实施方式中,步骤B具体可以包括:
针对滤波处理后的样本红外图像,执行:
步骤B1、针对该样本红外图像中的每一个像素点,在当前像素点的第一预设邻域内,判断当前像素点的灰度值是否为第一预设邻域内所有像素点的灰度值按照预设顺序排列的极大值,并且判断当前像素点的灰度值是否大于预设的灰度阈值;若是极大值且大于灰度阈值,则将当前像素点确定为中心点;
步骤B2、针对确定出的每一个中心点,在当前中心点的第二预设邻域内,确定第二预设邻域内的按照预设顺序排列的各个中心点的灰度值的波峰以及与波峰相邻的波谷,并将波谷的灰度值作为分割阈值;
步骤B3、基于分割阈值,对该样本红外图像进行二值化分割,得到包含候选目标的连通区域;
步骤B4、确定候选目标的灰度特征;其中,灰度特征包括如下中的至少一种:包围连通区域的最小矩形的长、宽、长宽比、连通区域内的像素点的个数、连通区域内的像素点的个数和最小矩形的面积的比值、连通区域内的像素点的灰度值。
在该实施例中,先通过确定候选目标的中心点,然后通过各中心点的灰度值的分布确定分割阈值,再通过分割阈值确定出包含候选目标的连通区域,这样就确定出了候选目标的灰度特征。采用上述方式确定出的候选目标的灰度特征,能够更精确地表征红外图像中目标的特征。
针对步骤B1,第一预设邻域例如可以选择3*3(即第一预设领域中包含3*3个像素点)的方式,这样可以保证确定出一个中心点的第一预设邻域的面积最小,如此有利于检测到红外图像中的小目标。
判断当前像素点的灰度值是否为第一预设邻域内所有像素点的灰度值按照预设顺序排列的极大值,并且判断当前像素点的灰度值是否大于预设的灰度阈值,通过这样的判断方式,可以使得确定出的中心点更能准确地表征目标的位置和准确率,从而有利于后续对目标的分割。
针对步骤B2,在一些实施方式中,第二预设邻域的面积大于第一预设邻域的面积,这样可以保证第二预设邻域的边界可以囊括目标的轮廓所在的像素点,从而有利于后续分割出的目标的完整性。当然,第二预设邻域的面积也不能过大,否则会囊括过多的非目标像素点,如此会导致确定出的分割阈值不够准确,即会影响到目标分割的准确度。例如,第二预设邻域可以选择11*11(即第二预设领域中包含11*11个像素点)的方式。
第二预设邻域内的按照预设顺序排列的各个中心点的灰度值的波峰以及与波峰相邻的波谷,并将波谷的灰度值作为分割阈值,这样所确定出的分割阈值更加精确。
针对步骤B4,包含候选目标的连通区域即为候选目标的轮廓,包围连通区域的最小矩形即为bounding box,在此不进行赘述。
在一些实施方式中,步骤B具体可以包括:
针对滤波处理后的样本红外图像,执行:
采用Gamma校正法对样本红外图像进行颜色空间的标准化;
计算标准化后的样本红外图像中每个像素点的梯度值和方向;
将标准化后的样本红外图像划分为多个细胞单元,并统计每个细胞单元的梯度直方图,以构建针对HOG特征的第一特征向量;
压缩标准化后的样本红外图像,并对压缩后的样本红外图像进行HOG特征的提取,以得到针对HOG特征的第二特征向量;
将第一特征向量和第二特征向量进行拼接,得到梯度特征。
在该实施例中,通过对图像颜色空间的标准化处理,可以很好的调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,并抑制噪音的干扰;通过计算每个像素点的梯度,可以捕获图像的轮廓信息,并进一步弱化光照的干扰。此外,将原图像压缩后提取的HOG特征向量结合原图像提取的HOG特征向量,使其能更好的表征图像的梯度特征,并对红外图像几何的和光学的形变都能保持更好的不变性。
在一些实施方式中,步骤C具体可以包括:
对样本红外图像进行去均值操作,并将去均值操作后的样本红外图像分为训练集和测试集;
使用训练集对卷积神经网络进行训练,确定神经网络的参数并保存;
将测试集输入训练好后的神经网络模型,得到全连接层输出的特征向量,使用该向量表征红外图像的深层特征;
本方案中,由于卷积神经网络具有局部感知和参数共享的特点,局部感知即卷积神经网络提出每个神经元不需要感知图像中的全部像素,只对图像的局部像素进行感知,然后在更高层将这些局部的信息进行合并,从而得到图像的全部表征信息。因此,本方案提取的深层特征可以很好的表征图像信息。
需要说明的是,灰度特征、梯度特征和深层特征均包括基于不同维度的子特征,例如,灰度特征的子特征包括:包围连通区域的最小矩形的长、宽、长宽比、连通区域内的像素点的个数、连通区域内的像素点的个数和最小矩形的面积的比值、连通区域内的像素点的灰度值;至于梯度特征和深层特征的子特征,在此不进行赘述。
在一些实施方式中,步骤D具体可以包括:
步骤D1、将灰度特征、梯度特征和深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合;
步骤D2、将确定出的次优子特征加入特征集合,对该特征集合按照预设的评价方式进行评价,如果评价分数提高,则在特征集合中保留该次优子特征,否则,删除特征集合中的次优子特征,循环执行步骤D2,直至完成对所有子特征的评价。
在该实施例中,通过采用对图像的各子特征进行优劣排序,并依次加入特征集合的方法,能够有效筛选评价高的子特征,剔除评价低或者对评价影响不大的子特征,从而确保特征集合中不会混入无效或冗余的特征,保证特征集合简洁且有效。这样,利用该特征集合训练目标检测模型时,不仅可以降低检测时间,还可以得到更好的目标检测模型。
在一些实施方式中,步骤D1具体可以包括:
针对灰度特征、梯度特征和深层特征各自包括的每个子特征,执行:利用当前子特征训练目标检测模型;将已知的候选目标输入到训练好的目标检测模型中,输出目标检测结果;其中,目标检测结果包括目标检测名称和目标检测分数;
在目标检测名称和已知的候选目标的名称相同时,按照目标检测分数的高低顺序对灰度特征、梯度特征和深层特征各自的所有子特征进行优劣排序,以确定出灰度特征、梯度特征和深层特征各自的最优子特征,并将最优子特征加入特征集合。
在该实施例中,通过利用图像的各子特征逐一对已知的候选目标进行检测,并输出得到各子特征分别对应的目标检测分数,如此可以基于目标检测分数对各子特征进行优劣排序。
在一些实施方式中,步骤D2具体可以包括:
将确定出的次优子特征加入特征集合;
利用当前特征集合训练目标检测模型;
将已知的候选目标输入到训练好的目标检测模型中,输出目标检测分数;
基于当前特征集合对应的目标检测分数,对特征集合进行评价。
在该实施例中,通过基于目标检测分数,对每一次新加入次优子特征的特征集合进行优劣评价,如此可以筛选出新加入的次优子特征是否可以加入到特征集合中。也就是说,如果新加入次优子特征的特征集合对应的目标检测分数比在加入次优子特征之前的特征集合对应的目标检测分数高,则可以将该次优子特征加入到特征集合中,否则不能加入到特征集合中,从而可以确保特征集合中不会混入无效或冗余的特征。这样,利用该特征集合所训练得到的目标检测模型,不仅可以保证检测精度高,也可以保证训练的时间短。
针对步骤102,在一些实施方式中,例如可以采用对待检测红外图像进行高帽变换处理的方式得到候选目标。
需要说明的是,目标检测结果可以包括目标检测名称和目标检测分数。举例来说,所训练的目标检测模型用于检测红外图像中的飞机,在提取到一张待检测红外图像中的候选目标后,将该候选目标输入到该目标检测模型中,输出的结果可以是:飞机和用于表征飞机的分数(即分数越高,代表准确率越高),也可以是:不是飞机(在该输出结果时,无需输出目标检测分数)。
如图2和图3所示,本发明实施例提供了一种红外图像目标检测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种红外图像目标检测装置所在计算设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种红外图像目标检测装置,包括:
训练模块300,用于利用样本红外图像的特征集合训练目标检测模型;其中,特征集合至少包括样本红外图像的灰度特征、梯度特征和深层特征,灰度特征和梯度特征是对样本红外图像灰度化的图像提取得到的,深层特征是利用预设的神经网络模型对样本红外图像提取得到的;
检测模块302,用于提取待检测红外图像中的候选目标,并将候选目标输入到训练好的目标检测模型中,输出目标检测结果。
在本发明实施例中,训练模块300可用于执行上述方法实施例中的步骤100,检测模块302可用于执行上述方法实施例中的步骤102。
在本发明一个实施例中,训练模块300,用于执行如下操作:
将样本红外图像进行滤波处理;
对滤波处理后的样本红外图像进行特征提取,得到灰度特征和梯度特征;
将滤波处理后的样本红外图像输入到预设的神经网络模型中,得到深层特征;
将灰度特征、梯度特征和深层特征进行特征融合,得到特征集合;
利用特征集合训练目标检测模型。
在本发明一个实施例中,训练模块300在执行所述对滤波处理后的样本红外图像进行特征提取,得到灰度特征时,用于执行如下操作:
针对滤波处理后的样本红外图像,执行:
针对该样本红外图像中的每一个像素点,在当前像素点的第一预设邻域内,判断当前像素点的灰度值是否为第一预设邻域内所有像素点的灰度值按照预设顺序排列的极大值,并且判断当前像素点的灰度值是否大于预设的灰度阈值;若是极大值且大于灰度阈值,则将当前像素点确定为中心点;
针对确定出的每一个中心点,在当前中心点的第二预设邻域内,确定第二预设邻域内的按照预设顺序排列的各个中心点的灰度值的波峰以及与波峰相邻的波谷,并将波谷的灰度值作为分割阈值;
基于分割阈值,对该样本红外图像进行二值化分割,得到包含候选目标的连通区域;
确定候选目标的灰度特征;其中,灰度特征包括如下中的至少一种:包围连通区域的最小矩形的长、宽、长宽比、连通区域内的像素点的个数、连通区域内的像素点的个数和最小矩形的面积的比值、连通区域内的像素点的灰度值。
在本发明一个实施例中,训练模块300在执行所述对滤波处理后的样本红外图像进行特征提取,得到梯度特征时,用于执行如下操作:
针对滤波处理后的样本红外图像,执行:
采用Gamma校正法对样本红外图像进行颜色空间的标准化;
计算标准化后的样本红外图像中每个像素点的梯度值和方向;
将标准化后的样本红外图像划分为多个细胞单元,并统计每个细胞单元的梯度直方图,以构建针对HOG特征的第一特征向量;
压缩标准化后的样本红外图像,并对压缩后的样本红外图像进行HOG特征的提取,以得到针对HOG特征的第二特征向量;
将第一特征向量和第二特征向量进行拼接,得到梯度特征。
在本发明一个实施例中,灰度特征、梯度特征和深层特征均包括基于不同维度的子特征;
训练模块300在执行所述将灰度特征、梯度特征和深层特征进行特征融合,得到特征集合时,用于执行如下操作:
将灰度特征、梯度特征和深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合;
将确定出的次优子特征加入特征集合,对特征集合按照评价方式进行评价,如果评价分数提高,则在特征集合中保留次优子特征,否则,删除特征集合中的次优子特征,重复这个过程,直至添加完所有子特征,循环执行将确定出的次优子特征加入特征集合,直至完成对所有子特征的评价。
在本发明一个实施例中,训练模块300在执行所述将灰度特征、梯度特征和深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合时,用于执行如下操作:
针对灰度特征、梯度特征和深层特征各自包括的每个子特征,执行:利用当前子特征训练目标检测模型;将已知的候选目标输入到训练好的目标检测模型中,输出目标检测结果;其中,目标检测结果包括目标检测名称和目标检测分数;
在目标检测名称和已知的候选目标的名称相同时,按照目标检测分数的高低顺序对灰度特征、梯度特征和深层特征各自的所有子特征进行优劣排序,以确定出灰度特征、梯度特征和深层特征各自的最优子特征,并将最优子特征加入特征集合。
在本发明一个实施例中,训练模块300在执行所述将确定出的次优子特征加入特征集合,对特征集合按照评价方式进行评价时,用于执行如下操作:
将确定出的次优子特征加入特征集合;
利用当前特征集合训练目标检测模型;
将已知的候选目标输入到训练好的目标检测模型中,输出目标检测分数;
基于当前特征集合对应的目标检测分数,对特征集合进行评价。
可以理解的是,本发明实施例示意的结构并不构成对一种红外图像目标检测装置的具体限定。在本发明的另一些实施例中,一种红外图像目标检测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时,实现本发明任一实施例中的一种异常登录检测方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序在被处理器执行时,使处理器执行本发明任一实施例中的一种红外图像目标检测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种检测红外图像中的目标的方法,其特征在于,包括:
利用样本红外图像的特征集合训练目标检测模型;其中,所述特征集合至少包括所述样本红外图像的灰度特征、梯度特征和深层特征,所述灰度特征和所述梯度特征是对所述样本红外图像灰度化的图像提取得到的,所述深层特征是利用预设的神经网络模型对所述样本红外图像提取得到的;
提取待检测红外图像中的候选目标,并将所述候选目标输入到训练好的所述目标检测模型中,输出目标检测结果;
所述利用样本红外图像的特征集合训练目标检测模型,包括:
将样本红外图像进行滤波处理;
对滤波处理后的样本红外图像进行特征提取,得到灰度特征和梯度特征;
将滤波处理后的样本红外图像输入到预设的神经网络模型中,得到深层特征;
将所述灰度特征、所述梯度特征和所述深层特征进行特征融合,得到特征集合;
利用所述特征集合训练目标检测模型;
所述灰度特征、所述梯度特征和所述深层特征均包括基于不同维度的子特征;
所述将所述灰度特征、所述梯度特征和所述深层特征进行特征融合,得到特征集合,包括:
将所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合;
将确定出的次优子特征加入所述特征集合,对所述特征集合按照所述评价方式进行评价,如果评价分数提高,则在所述特征集合中保留所述次优子特征,否则,删除所述特征集合中的次优子特征,重复这个过程,直至添加完所有子特征,循环执行所述将确定出的次优子特征加入所述特征集合,直至完成对所有子特征的评价;
所述将所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合,包括:
针对所述灰度特征、所述梯度特征和所述深层特征各自包括的每个子特征,执行:利用当前子特征训练目标检测模型;将已知的候选目标输入到训练好的目标检测模型中,输出目标检测结果;其中,所述目标检测结果包括目标检测名称和目标检测分数;
在所述目标检测名称和已知的候选目标的名称相同时,按照所述目标检测分数的高低顺序对所述灰度特征、所述梯度特征和所述深层特征各自的所有子特征进行优劣排序,以确定出所述灰度特征、所述梯度特征和所述深层特征各自的最优子特征,并将所述最优子特征加入特征集合。
2.根据权利要求1所述的方法,其特征在于,所述对滤波处理后的样本红外图像进行特征提取,得到灰度特征,包括:
针对滤波处理后的样本红外图像,执行:
针对该样本红外图像中的每一个像素点,在当前像素点的第一预设邻域内,判断当前像素点的灰度值是否为所述第一预设邻域内所有像素点的灰度值按照预设顺序排列的极大值,并且判断当前像素点的灰度值是否大于预设的灰度阈值;若是极大值且大于所述灰度阈值,则将当前像素点确定为中心点;
针对确定出的每一个中心点,在当前中心点的第二预设邻域内,确定所述第二预设邻域内的按照所述预设顺序排列的各个中心点的灰度值的波峰以及与所述波峰相邻的波谷,并将所述波谷的灰度值作为分割阈值;
基于所述分割阈值,对该样本红外图像进行二值化分割,得到包含候选目标的连通区域;
确定所述候选目标的灰度特征;其中,所述灰度特征包括如下中的至少一种:包围所述连通区域的最小矩形的长、宽、长宽比、所述连通区域内的像素点的个数、所述连通区域内的像素点的个数和所述最小矩形的面积的比值、所述连通区域内的像素点的灰度值。
3.根据权利要求1所述的方法,其特征在于,所述对滤波处理后的样本红外图像进行特征提取,得到梯度特征,包括:
针对滤波处理后的样本红外图像,执行:
采用Gamma校正法对所述样本红外图像进行颜色空间的标准化;
计算标准化后的样本红外图像中每个像素点的梯度值和方向;
将标准化后的样本红外图像划分为多个细胞单元,并统计每个细胞单元的梯度直方图,以构建针对HOG特征的第一特征向量;
压缩标准化后的样本红外图像,并对压缩后的样本红外图像进行HOG特征的提取,以得到针对HOG特征的第二特征向量;
将所述第一特征向量和所述第二特征向量进行拼接,得到梯度特征。
4.根据权利要求1所述的方法,其特征在于,所述将确定出的次优子特征加入所述特征集合,对所述特征集合按照所述评价方式进行评价,包括:
将确定出的次优子特征加入所述特征集合;
利用当前特征集合训练目标检测模型;
将已知的候选目标输入到训练好的目标检测模型中,输出目标检测分数;
基于当前特征集合对应的目标检测分数,对所述特征集合进行评价。
5.一种红外图像目标检测装置,其特征在于,包括:
训练模块,用于利用样本红外图像的特征集合训练目标检测模型;其中,所述特征集合至少包括所述样本红外图像的灰度特征、梯度特征和深层特征,所述灰度特征和所述梯度特征是对所述样本红外图像灰度化的图像提取得到的,所述深层特征是利用预设的神经网络模型对所述样本红外图像提取得到的;
检测模块,用于提取待检测红外图像中的候选目标,并将所述候选目标输入到训练好的所述目标检测模型中,输出目标检测结果;
所述训练模块用于执行如下操作:
将样本红外图像进行滤波处理;
对滤波处理后的样本红外图像进行特征提取,得到灰度特征和梯度特征;
将滤波处理后的样本红外图像输入到预设的神经网络模型中,得到深层特征;
将灰度特征、梯度特征和深层特征进行特征融合,得到特征集合;
利用特征集合训练目标检测模型;
训练模块在执行所述将灰度特征、梯度特征和深层特征进行特征融合,得到特征集合时,用于执行如下操作:
将灰度特征、梯度特征和深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合;
将确定出的次优子特征加入特征集合,对特征集合按照评价方式进行评价,如果评价分数提高,则在特征集合中保留次优子特征,否则,删除特征集合中的次优子特征,重复这个过程,直至添加完所有子特征,循环执行将确定出的次优子特征加入特征集合,直至完成对所有子特征的评价;
训练模块在执行所述将灰度特征、梯度特征和深层特征各自包括的每个子特征按照预设的评价方式进行优劣排序,将确定出的最优子特征加入特征集合时,用于执行如下操作:
针对灰度特征、梯度特征和深层特征各自包括的每个子特征,执行:利用当前子特征训练目标检测模型;将已知的候选目标输入到训练好的目标检测模型中,输出目标检测结果;其中,目标检测结果包括目标检测名称和目标检测分数;
在目标检测名称和已知的候选目标的名称相同时,按照目标检测分数的高低顺序对灰度特征、梯度特征和深层特征各自的所有子特征进行优劣排序,以确定出灰度特征、梯度特征和深层特征各自的最优子特征,并将最优子特征加入特征集合。
6.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968147.XA CN113537253B (zh) | 2021-08-23 | 2021-08-23 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968147.XA CN113537253B (zh) | 2021-08-23 | 2021-08-23 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537253A CN113537253A (zh) | 2021-10-22 |
CN113537253B true CN113537253B (zh) | 2024-01-23 |
Family
ID=78091332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968147.XA Active CN113537253B (zh) | 2021-08-23 | 2021-08-23 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537253B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363390B (zh) * | 2023-05-25 | 2023-09-19 | 之江实验室 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN107644430A (zh) * | 2017-07-27 | 2018-01-30 | 孙战里 | 基于自适应特征融合的目标跟踪 |
CN109558765A (zh) * | 2017-09-25 | 2019-04-02 | 比亚迪股份有限公司 | 汽车及车道线的检测方法、装置 |
CN109741396A (zh) * | 2018-12-12 | 2019-05-10 | 天津津航技术物理研究所 | 一种极弱小红外目标检测方法 |
CN110021036A (zh) * | 2019-04-13 | 2019-07-16 | 北京环境特性研究所 | 红外目标检测方法、装置、计算机设备和存储介质 |
CN110428450A (zh) * | 2019-08-01 | 2019-11-08 | 中国矿业大学 | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 |
CN113269809A (zh) * | 2021-05-07 | 2021-08-17 | 桂林电子科技大学 | 一种多特征融合相关滤波目标跟踪方法及计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719727B2 (en) * | 2014-10-01 | 2020-07-21 | Apple Inc. | Method and system for determining at least one property related to at least part of a real environment |
US10949711B2 (en) * | 2018-04-23 | 2021-03-16 | Intel Corporation | Non-maximum suppression of features for object detection |
-
2021
- 2021-08-23 CN CN202110968147.XA patent/CN113537253B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN107644430A (zh) * | 2017-07-27 | 2018-01-30 | 孙战里 | 基于自适应特征融合的目标跟踪 |
CN109558765A (zh) * | 2017-09-25 | 2019-04-02 | 比亚迪股份有限公司 | 汽车及车道线的检测方法、装置 |
CN109741396A (zh) * | 2018-12-12 | 2019-05-10 | 天津津航技术物理研究所 | 一种极弱小红外目标检测方法 |
CN110021036A (zh) * | 2019-04-13 | 2019-07-16 | 北京环境特性研究所 | 红外目标检测方法、装置、计算机设备和存储介质 |
CN110428450A (zh) * | 2019-08-01 | 2019-11-08 | 中国矿业大学 | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 |
CN113269809A (zh) * | 2021-05-07 | 2021-08-17 | 桂林电子科技大学 | 一种多特征融合相关滤波目标跟踪方法及计算机设备 |
Non-Patent Citations (2)
Title |
---|
FE-YOLO: A Feature Enhancement Network for Remote Sensing Target Detection;Danqing Xu等;《Remote Sensing Image Processing》;1-28 * |
基于背景约束与卷积特征的目标跟踪方法;王思奎;刘云鹏;亓琳;张钟毓;林智远;;计算机工程与应用(08);205-214 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537253A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10817741B2 (en) | Word segmentation system, method and device | |
Chung et al. | Efficient shadow detection of color aerial images based on successive thresholding scheme | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
JP2014531097A (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
CN114972922B (zh) | 基于机器学习的煤矸分选识别方法、装置及设备 | |
CN112037185B (zh) | 染色体分裂相图像筛选方法、装置及终端设备 | |
CN111723634B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
Messaoud et al. | New binarization approach based on text block extraction | |
Mukherjee et al. | Enhancement of image resolution by binarization | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN115273115A (zh) | 一种文档元素标注方法、装置、电子设备和存储介质 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
CN111709951B (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
CN116863458A (zh) | 车牌识别方法、装置、系统及存储介质 | |
CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及系统 | |
CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |