CN115690587A - 一种红外小目标方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种红外小目标检测方法、装置、设备及存储介质，涉及目标检测技术领域，包括：获取若干帧原始红外图像；分别对每帧原始红外图像进行空域卷积处理，以得到每帧原始红外图像的空域特征图，并对各帧原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；对拼接后空域特征图进行时域卷积处理，以得到与若干帧原始红外图像对应的时空融合特征图；从若干帧原始红外图像中确定出当前待处理图像，并从时空融合特征图中分离出当前待处理图像对应的时空融合特征图；基于当前待处理图像对应的时空融合特征图对当前待处理图像中的红外小目标进行定位处理。本申请基于红外小目标在时空维度上的联合表征进行检测，提高了目标检测的性能。

Description

一种红外小目标方法、装置、设备及存储介质

技术领域

本发明涉及目标检测技术领域，特别涉及一种红外小目标检测方法、装置、设备及存储介质。

背景技术

红外小目标检测的目的是将目标从杂波背景中分离出来并准确定位，广泛应用于民用、和军事领域，如火灾报警系统、无人机视觉系统和早期预警系统。随着科学技术的发展和社会的进步，红外小目标检测取得了很大进展。

近几年来，基于深度学习的红外小目标检测方法由于其强大的特征学习能力而取得了良好的效果。然而，大多数现有的基于深度学习的红外小目标检测方法都是仅利用目标的空域显著特征进行检测，这样的检测方法在性能提升方面存在一定的问题。

发明内容

有鉴于此，本发明的目的在于提供一种红外小目标检测方法、装置、设备及存储介质，可以结合待处理图像的空域特征和时域特征，基于红外小目标在时空维度上的联合表征进行检测，从而提高了目标检测的性能。其具体方案如下：

第一方面，本申请提供了一种红外小目标检测方法，包括：

获取若干帧原始红外图像；

分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；

对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；

从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；

基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

可选的，所述分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，包括：

分别对每帧所述原始红外图像进行分离卷积操作，以得到每帧所述原始红外图像的初步空域特征图；

对每帧所述原始红外图像的初步空域特征图进行Hourglass操作，以得到每帧所述原始红外图像的空域特征图；所述Hourglass操作中包含预设数量次下采样处理。

可选的，所述对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图，包括：

对各帧所述原始红外图像的空域特征图在预设维度上进行拼接以得到拼接后空域特征图。

可选的，所述基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，包括：

利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，并在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图；

基于所述分割结果图对所述当前待处理图像中的红外小目标进行定位处理。

可选的，所述基于所述分割结果图对所述当前待处理图像中的红外小目标进行定位处理，包括：

基于所述分割结果图确定目标二值图；

利用预设质心确定规则确定与所述目标二值图对应的八邻域连通域的目标质心，并基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。

可选的，所述基于所述分割结果图确定目标二值图，包括：

对所述分割结果图执行针对目标的概率图分离操作，以得到目标通道图；

对所述目标通道图进行阈值分割处理，以得到所述目标二值图。

第二方面，本申请提供了一种红外小目标检测装置，包括：

原始图像获取模块，用于获取若干帧原始红外图像；

空域卷积模块，用于分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；

时域卷积模块，用于对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；

时空融合特征图分离模块，用于从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；

目标定位模块，用于基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

可选的，所述目标定位模块，包括：

特征融合子模块，用于利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理；

归一化处理子模块，用于在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图。

第三方面，本申请提供了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序以实现前述的红外小目标检测方法。

第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的红外小目标检测方法。

本申请中，获取若干帧原始红外图像；分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。这样一来，通过对与待处理图像对应的时空融合特征图进行处理分析，定位所述待处理图像中的红外小目标，避免了仅对目标的空域特征进行检测，本申请结合待处理图像的空域特征和时域特征，基于红外小目标在时空维度上的联合表征进行检测，从而提高了目标检测的性能。

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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种红外小目标检测方法流程图；

图2为本申请提供的一种具体的红外小目标检测方法流程图；

图3为本申请提供的一种实验结果的图像对比图；

图4为本申请提供的一种红外小目标检测装置结构示意图；

图5为本申请提供的一种电子设备结构图。

具体实施方式

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，所描述的实施例仅仅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。

近几年来，基于深度学习的红外小目标检测方法由于其强大的特征学习能力而取得了良好的效果。然而，大多数现有的基于深度学习的红外小目标检测方法都是仅利用目标的空域显著特征进行检测，这样的检测方法在性能提升方面存在一定的问题。因此，本申请结合待处理图像的空域特征和时域特征，基于红外小目标在时空维度上的联合表征进行检测，从而提高了目标检测的性能。

参见图1所示，本发明实施例公开了一种红外小目标检测方法，包括：

步骤S11、获取若干帧原始红外图像。

本实施例中，获取若干帧包含红外小目标的原始图像，可以理解的是，所述若干帧原始红外图像可以从历史的红外小目标视频序列中获取，并且原始红外图像帧的数量可以预先设定，例如，获取五帧原始红外图像。

步骤S12、分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图。

本实施例中，可以将若干帧原始红外图像输入预先建立的空域卷积模块，以分别对每帧所述原始红外图像进行空域卷积处理，从而得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图。

需要指出的是，所述分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，具体可以包括：分别对每帧所述原始红外图像进行分离卷积操作，以得到每帧所述原始红外图像的初步空域特征图；对每帧所述原始红外图像的初步空域特征图进行Hourglass操作，以得到每帧所述原始红外图像的空域特征图；所述Hourglass操作中包含预设数量次下采样处理。可以理解的是，所述分离卷积操作和下采样处理的次数均可以由用户根据自身需求自行设定，例如，可以分别对每帧所述原始红外图像进行四次分离卷积操作，以得到每帧原始红外图像的初步空域特征图，然后对所述原始红外图像的初步空域特征图进行包含四次下采样处理的Hourglass操作。

需要指出的是，所述对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图，具体可以包括：对各帧所述原始红外图像的空域特征图在预设维度上进行拼接以得到拼接后空域特征图。可以理解的是，所述维度和拼接的方法均可以由用户根据自身需求自行设定，例如，可以对各帧原始红外图像的空域特征图在第一维度上进行串联拼接，以得到拼接后空域特征图。

步骤S13、对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图。

本实施例中，可以将所述拼接后空域特征图输入预先建立的时域卷积模块，以便对所述拼接后空域特征图进行时域卷积处理，从而得到与所述若干帧原始红外图像对应的时空融合特征图。

步骤S14、从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图。

在一种具体实施方式中，可以直接将上述若干帧原始红外图像中的最后一帧作为当前待处理图像，以便后续对当前输入至网络的图像序列中的最后一帧进行红外小目标的定位。当然，本实施例也不排除可以根据用户的实际应用需要从上述若干帧原始红外图像中筛选出感兴趣的一帧图像作为当前待处理图像。

步骤S15、基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

本实施例中，获取若干帧原始红外图像；分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。这样一来，通过对与待处理图像对应的时空融合特征图进行处理分析，定位所述待处理图像中的红外小目标，避免了仅对目标的空域特征进行检测，本申请结合待处理图像的空域特征和时域特征，基于红外小目标在时空维度上的联合表征进行检测，从而提高了目标检测的性能。

参见图2所示，本发明实施例公开了一种具体的红外小目标检测方法，包括：

步骤S21、获取若干帧原始红外图像。

步骤S22、分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图。

步骤S23、对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图。

步骤S24、从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图。

步骤S25、利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，并在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图。

本实施例中，可以将所述当前待处理图像对应的时空融合特征图输入到预先建立的包含两层二维卷积层的分割模块，利用所述分割模块中对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理以得到分别代表预测为目标的得分通道和预测为背景的得分通道，然后再利用Soffmax函数对上述两个通道的得分值进行归一化处理，以得到与所述当前待处理图像对应的分割结果图，其中该分割结果图中包含目标和背景的概率图。

步骤S26、基于所述分割结果图确定目标二值图。

本实施例中，需要指出的是，所述基于所述分割结果图确定目标二值图，具体可以包括：对所述分割结果图执行针对目标的概率图分离操作，以得到目标通道图；对所述目标通道图进行阈值分割处理，以得到所述目标二值图。也即，将分类为目标的概率图从分割结果图中分离出来，得到目标通道图，然后对所述目标通道图进行阈值分割处理以得到目标二值图，其中，所述目标二值图中值为1的像素被分类为前景，值为0的像素被分类为背景。

步骤S27、利用预设质心确定规则确定与所述目标二值图对应的八邻域连通域的目标质心，并基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。

本实施例中，获取与所述目标二值图对应的八邻域连通域，并利用预设质心确定规则确定所述八邻域连通域的目标质心，以便基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。在一种具体实施方式中，所述预设质心确定规则可以包括基于Image Moments(图像距)算法的质心确定规则。

关于步骤S21至步骤S24的具体过程可以参考前述实施例公开的相应内容，在此不再进行赘述。

本实施例中，获取若干帧原始红外图像；分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，并在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图；基于所述分割结果图确定目标二值图；利用预设质心确定规则确定与所述目标二值图对应的八邻域连通域的目标质心，并基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。通过上述方案，对待处理图像对应的时空融合特征图中的通道中的特征进行融合及归一化处理，得到分割结果图，并基于分割结果图确定目标二值图，利用所述目标二值图确定红外小目标的定位结果，这样一来，本申请通过计算目标二值图的八邻域连通域的目标质心来确定红外小目标的目标定位结果，提高了目标检测的准确性，从而提高了目标检测的性能。

下面结合针对本申请进行的一项实验，对本申请的具体实施方式进行说明。

实验准备：本实验采用32个不同场景的序列，使用点注释制作目标标签。根据信杂比将22个真实序列作为训练集，并将10个序列作为测试集。在测试集中，6个序列是真实场景，与训练集具有相似的数据分布，而其他4个序列是将模拟目标添加到真实背景的场景。其中，可以选择上述四个不同数据分布的模拟序列，以验证基于深度学习的方法在不同数据分布序列中的泛化能力。测试集中的10个序列中的大多数红外小目标较弱，小于5×5像素，并且背景复杂，这样一来，可以更简洁明了地评估算法在复杂情况下的性能。此外，实验中真实序列的灰度为4096，模拟序列的灰度为256。

实验利用恺明方法初始化卷积层的权重，并使用均匀分布的随机初始化方法以初始化偏差值。实验中输入的具有长时域信息的5个不连续帧中，每个帧的大小均为512×512，批处理的大小设置为2，初始学习率设置为0.001，并且所有训练在10个epoch后停止。其中本实验在进行评估时所采用的评估参数包括检测率和虚警率，其中检测率表示正确检出目标数与总目标数之间的比值，虚警率表示虚警像素数与图像总像素数之间的比值。

实验过程：首先，向目标检测网络中输入五帧原始红外图像，所述原始红外图像的数据维度为1*H(高)*W(宽)。将五帧原始红外图像输入预先建立的空域卷积模块，以分别对每帧所述原始红外图像进行空域卷积处理，从而得到相应的五帧空域特征图，并对所述五帧空域特征图进行拼接以得到拼接后空域特征图，其中，所述空域卷积模块有四层卷积层，上述卷积层的尺寸分别为1*3、3*1、1*3和3*1，每层卷积的激活函数均为ReLU(RectifiedLinear Unit，线性修正单元)函数，经过每层卷积之后每帧原始红外图像的数据维度分别为16*H*W，16*H*W，32*H*W，32*H*W；并且利用预设子模块对卷积后的每帧原始红外图像进行四次下采样，所述下采样的过程中保持图像数据的第一维度不变，始终保持为32。最终得到与所述五帧原始红外图像一一对应的五帧空域特征图，所述空域特征图的数据维度为32*H*W。

将五帧所述空域特征图在第一维度上进行串联拼接，以得到五帧图像的拼接后空域特征图，所述拼接后空域特征图的维度为5*32*H*W，将所述拼接后空域特征图输入预先建立的时域卷积模块，所述时域卷积模块共两层时域卷积层(尺寸为5*1*1)，每层卷积激活函数均为ReLU函数，以得到与所述五帧原始红外图像对应的时空融合特征图，所述时空融合特征图数据维度为5*32*H*W。

从所述五帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图，维度为32*H*W，将所述当前待处理图像对应的时空融合特征图输入到预先建立的分割模块，利用所述分割模块中的预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，然后利用Softmax层进行归一化处理，以得到与所述当前待处理图像对应的分割结果图(尺寸为2*H*W)，其中，所述预设卷积层为两层二维卷积层(尺寸为1*1)，用于融合不同通道特征，每层卷积的激活函数均为ReLU函数，在每层卷积之后数据的维度为64*H*W，2*H*W。

将分类为目标的概率图从分割结果图中分离出来，得到目标通道图，然后对所述目标通道图进行阈值分割处理以得到目标二值图，尺寸为1*H*W，其中，所述目标二值图中值为1的像素被分类为目标，值为0的像素被分类为背景。对所述目标二值图求八邻域连通域，并求所述八邻域连通域的质心，所述质心即为红外小目标的目标定位结果。

实验结果：考虑到验证本发明公开的红外小目标检测方法的有效性，可以将本申请中的方法与几种现有先进的检测方法进行比较，其中，本申请中的方法可以定义为STDFnet(即Spatio-Temporal Decoupled Fusion Network，时空解耦融合网络)。所述现有先进的检测方法包括单帧检测算法，Top-hat(顶帽变换算法)、IPI(infrared patch-imagemodel，基于红外图像块表达的方法)、PLCM(part local contrast measure，区域局部对比度方法)、RIPT(reweighted infrared patch-tensor，重加权红外块张量)和多帧检测算法如NMoG算法(non-i.i.d.mixture ofGaussians，基于非独立同分布混合高斯模型)、MSLSTIPT算法(Multiple Subspace Learning and Spatial-Temporal Infrared Patch-Tensor Model，多子空间学习与时空红外张量块模型)以及几种基于深度学习的方法，包括ACM算法(Asymmetric Contextual Modulation，非对称上下文调制模块)、ALCNet算法(即Attentional Local Contrast Networks，局部对比度注意力网络)、DNANet算法(即DenseNested Attention Network，即密集嵌套注意力网络)。考虑到本实验使用了点注释，因此利用HPM损失(即Hard Point Mining loss，难点挖掘损失)来训练其他基于深度学习的方法，以便进行比较。考虑到真实序列和模拟序列之间的数据分布和目标强度不同，因此分别给出了两组结果。实验结果如图3所示。

表一 真实序列结果

表二 模拟序列结果

分别在真实序列和模拟序列上进行检测的结果如表一和表二所示。由此可见，本发明公开的红外小目标检测方法实现了检测率和虚警率的平衡，并且在降低虚警率的同时能够保持很高的检测率。

对于本申请，通过使用时空融合网络，深度提取更多的空间信息和时间信息，其中空间信息用于获得可疑目标的更多响应，并且利用时间信息最大限度地抑制虚警。因此，可以在检测率和虚警率上实现良好的性能。如表一所示，本申请在真实序列上的检测率可以保持在99.59％，而虚警率仅为4.9×10^-6。

相对于其他三种基于深度学习的方法，这些方法在真实序列中的性能优于传统方法，但在数据分布与训练集不同的仿真序列中，上述其他三种基于深度学习的方法的性能更差。在真实序列和仿真序列的空间分布不同的情况下，由于时间分布相似，当目标出现时，两者的强度均出现峰值。本申请可以通过时间卷积模块捕获时间维度的变化，而其他三种基于深度学习的方法只能感知空间信息。由此可知，本发明公开的红外小目标检测方法提高了目标检测的泛化能力。

参见图4所示，本发明公开了一种红外小目标检测装置，包括：

原始图像获取模块11，用于获取若干帧原始红外图像；

空域卷积模块12，用于分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；

时域卷积模块13，用于对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；

时空融合特征图分离模块14，用于从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；

目标定位模块15，用于基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

本实施例中，获取若干帧原始红外图像；分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。这样一来，通过对与待处理图像对应的时空融合特征图进行处理分析，定位所述待处理图像中的红外小目标，避免了仅对目标的空域特征进行检测，本申请结合待处理图像的空域特征和时域特征，基于红外小目标在时空维度上的联合表征进行检测，从而提高了目标检测的性能。

在一些具体实施例中，所述空域卷积模块12，具体可以包括：

分离卷积单元，用于分别对每帧所述原始红外图像进行分离卷积操作，以得到每帧所述原始红外图像的初步空域特征图；

Hourglass单元，用于对每帧所述原始红外图像的初步空域特征图进行Hourglass操作，以得到每帧所述原始红外图像的空域特征图；所述Hourglass操作中包含预设数量次下采样处理。

在一些具体实施例中，所述空域卷积模块12，具体可以包括：

图像拼接单元，用于对各帧所述原始红外图像的空域特征图在预设维度上进行拼接以得到拼接后空域特征图。

在一些具体实施例中，所述目标定位模块15，具体可以包括：

融合归一单元，用于利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，并在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图。

在一些具体实施例中，所述红外小目标检测装置，具体可以包括：

二值图确定单元，用于基于所述分割结果图确定目标二值图；

质心确定单元，用于利用预设质心确定规则确定与所述目标二值图对应的八邻域连通域的目标质心，并基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。

在一些具体实施例中，所述红外小目标检测装置，具体可以包括：

通道图确定单元，用于对所述分割结果图执行针对目标的概率图分离操作，以得到目标通道图；

阈值分割单元，用于对所述目标通道图进行阈值分割处理，以得到所述目标二值图。

在一些具体实施例中，所述目标定位模块15，具体可以包括：

特征融合子模块，用于利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理；

归一化处理子模块，用于在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图。

进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的红外小目标检测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的红外小目标检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的红外小目标检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等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要素。

以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种红外小目标检测方法，其特征在于，包括：

获取若干帧原始红外图像；

分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；

对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；

从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；

基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

2.根据权利要求1所述的红外小目标检测方法，其特征在于，所述分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，包括：

分别对每帧所述原始红外图像进行分离卷积操作，以得到每帧所述原始红外图像的初步空域特征图；

对每帧所述原始红外图像的初步空域特征图进行Hourglass操作，以得到每帧所述原始红外图像的空域特征图；所述Hourglass操作中包含预设数量次下采样处理。

3.根据权利要求1所述的红外小目标检测方法，其特征在于，所述对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图，包括：

对各帧所述原始红外图像的空域特征图在预设维度上进行拼接以得到拼接后空域特征图。

4.根据权利要求1至3任一项所述的红外小目标检测方法，其特征在于，所述基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，包括：

利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理，并在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图；

基于所述分割结果图对所述当前待处理图像中的红外小目标进行定位处理。

5.根据权利要求4所述的红外小目标检测方法，其特征在于，所述基于所述分割结果图对所述当前待处理图像中的红外小目标进行定位处理，包括：

基于所述分割结果图确定目标二值图；

利用预设质心确定规则确定与所述目标二值图对应的八邻域连通域的目标质心，并基于所述目标质心确定所述当前待处理图像中的红外小目标的定位结果。

6.根据权利要求5所述的红外小目标检测方法，其特征在于，所述基于所述分割结果图确定目标二值图，包括：

对所述分割结果图执行针对目标的概率图分离操作，以得到目标通道图；

对所述目标通道图进行阈值分割处理，以得到所述目标二值图。

7.一种红外小目标检测装置，其特征在于，包括：

原始图像获取模块，用于获取若干帧原始红外图像；

空域卷积模块，用于分别对每帧所述原始红外图像进行空域卷积处理，以得到每帧所述原始红外图像的空域特征图，并对各帧所述原始红外图像的空域特征图进行拼接以得到拼接后空域特征图；

时域卷积模块，用于对所述拼接后空域特征图进行时域卷积处理，以得到与所述若干帧原始红外图像对应的时空融合特征图；

时空融合特征图分离模块，用于从所述若干帧原始红外图像中确定出当前待处理图像，并从所述时空融合特征图中分离出所述当前待处理图像对应的时空融合特征图；

目标定位模块，用于基于所述当前待处理图像对应的时空融合特征图对所述当前待处理图像中的红外小目标进行定位处理，以得到目标定位结果。

8.根据权利要求7所述的红外小目标检测装置，其特征在于，所述目标定位模块，包括：

特征融合子模块，用于利用预设卷积层对所述当前待处理图像对应的时空融合特征图中的不同通道中的特征进行融合处理；

归一化处理子模块，用于在融合处理后进行归一化，以得到与所述当前待处理图像对应的分割结果图。

9.一种电子设备，其特征在于，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序以实现如权利要求1至6任一项所述的红外小目标检测方法。

10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的红外小目标检测方法。

Images