一种红外目标检测方法、装置、电子设备及存储介质

技术领域

本发明属于图像处理技术领域，特别是涉及一种红外目标检测方法、装置、电子设备及存储介质。

背景技术

随着红外探测系统性能的不断提高，红外探测技术已经广泛应用于医学病变细胞诊断和工业探伤等民用领域， 并取得了显著成就。 在医疗等民用领域中，高检测率、低虚警率的实时红外小目标检测是实际应用的必然需求。然而在大多数实际应用的红外成像系统中，待检测目标与探测器之间的距离较远，使得红外目标占整幅红外图像的面积非常小（一般少于 100个像素），加上背景复杂多变的特点，为检测带来困难。

目前红外弱小目标检测算法主要分为基于单帧图像的方法和基于序列图像的方法。虽然近年来计算机的性能得到了很大的发展，但一些计算量较大的基于序列图像的算法仍然受到计算机计算能力的限制。另外，在进行基于序列图像的算法研究及应用的过程中也需要采用许多基于单帧图像算法中的关键步骤，因此基于单帧图像算法的研究将是近年来的热点。但是现有单帧红外图像的目标检测算法难以在运算量和性能鲁棒性之间取得平衡，给红外弱小目标的检测算法的应用带来了很大的局限。

发明内容

本发明的目的在于克服现有技术的不足，提供一种红外目标检测方法、装置、电子设备及存储介质。

本发明的目的是通过以下技术方案来实现的：根据本发明的第一方面，一种红外目标检测方法，应用于边缘计算平台。所述红外目标检测方法包括：

对目标图像进行增强，得到增强图像；

检测所述增强图像中的候选区域；

计算所述候选区域的特征向量；

将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；

判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。

进一步地，对目标图像进行增强，得到增强图像，包括：

将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；

将所述多个浅层特征图合并为三维的浅层特征矩阵；

利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；

利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；

对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；

将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。

进一步地，检测所述增强图像中的候选区域，包括：

计算增强图像的全局分割阈值；

基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像；

计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域；

进一步地，计算增强图像的全局分割阈值，包括：

计算增强图像的灰度直方图；

从最大灰度值开始，统计增强图像的灰度值大于该灰度值的像素数量；

当增强图像的灰度值大于某个灰度值的像素数量大于设定的阈值时，该灰度值即为全局分割的阈值。

进一步地，所述特征向量的计算公式为：

式中，

进一步地，候选区域的面积比的计算公式为：

式中，

候选区域的长宽比的计算公式为：

；

候选区域的局部灰度对比度的计算公式为：

式中，

候选区域的局部灰度熵的计算公式为：

/>

式中，

候选区域的局部对比度的计算公式为：

式中，

候选区域的局部熵的计算公式：

式中，

根据本发明的第二方面，一种红外目标检测装置，应用于边缘计算平台。所述红外目标检测装置包括：

预处理模块，用于对目标图像进行增强，得到增强图像；

候选区域检测模块，用于对所述增强图像进行候选区域检测；

特征向量计算模块，用于计算所述候选区域的特征向量；

分类模块，用于对所述特征向量进行分类，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；

目标判断模块，用于判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。

进一步地，所述预处理模块具体用于：

将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；

将所述多个浅层特征图合并为三维的浅层特征矩阵；

利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；

利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；

对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；

将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。

根据本发明的第三方面，一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序指令时实现如本发明的第一方面所述的红外目标检测方法。

根据本发明的第四方面，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明的第一方面所述的红外目标检测方法。

本发明的有益效果是：

（1）本发明在图像预处理阶段采用轻量化的卷积网络架构，一方面提高了目标与背景的对比度，另一方面充分利用了边缘计算平台的卷积运算算子充分提高计算效率，减少了算法所需的运算时间；

（2）本发明在目标的候选区域提取阶段，采用简单且鲁棒性强的全局阈值分割方法，提高了算法的计算速度；

（3）本发明在目标的特征提取阶段，采用确定的特征计算方法，设计了一种鲁棒性好计算量小的特征向量；

（4）本发明通过对已有红外弱小目标数据集的学习，自动学习候选区域特征与目标之间的函数关系，解决了人工设计候选区域特征与目标之间函数关系的问题；

（5）本发明针对单个目标区域采用结构和参数灵活的轻量化神经网络达到红外弱小目标识别的目的，该方法计算量小，且多个候选区域可以进行并行计算，适用于边缘计算平台。

附图说明

图1为本发明中红外目标检测方法的一种实施例的流程图；

图2为本发明中目标图像进行增强方法的一种示意图；

图3为本发明中全局分割阈值计算方法的一种示意图；

图4为本发明中分类网络的一种示意图；

图5为本发明中红外目标检测装置的一种实施例的组成框图。

具体实施方式

下面将结合实施例，对本发明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，本领域技术人员在没有付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。

参阅图1至图5，本实施例提供了一种红外目标检测方法、装置、电子设备及存储介质：

本实施例的第一方面提供了一种红外目标检测方法，应用于边缘计算平台。如图1所示，所述红外目标检测方法包括步骤S100至步骤S500，以下详细说明。

步骤S100. 对目标图像进行增强，得到增强图像。

在一些实施例中，对目标图像进行增强，得到增强图像，包括步骤S110至步骤S160。

步骤S110.将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数。

例如，如图2所示，将目标图像通过4个并行的3×3×1的二维滤波器（C

步骤S120.将所述多个浅层特征图合并为三维的浅层特征矩阵。

例如，图中2中，目标图像

步骤S130.利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵。

例如，图中2中采用1×1×4的卷积核对特征图

。

步骤S140.利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵。

步骤S150.对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵。

步骤S160.将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。

本实施例中，多个滤波单元可以并行进行，有利于算法的加速。同时由于采用了卷积神经网络的计算架构，可以有效利用现有的针对边缘计算平台的卷积加速算子对算法进行加速，从而有效提高了算法的执行效率。

步骤S200. 检测所述增强图像中的候选区域。

在一些实施例中，检测所述增强图像中的候选区域，包括步骤S210至步骤S230。

步骤S210.计算增强图像的全局分割阈值。

具体的，计算增强图像的全局分割阈值，包括：计算增强图像的灰度直方图；从最大灰度值开始，统计增强图像的灰度值大于该灰度值的像素数量；当增强图像的灰度值大于某个灰度值的像素数量大于设定的阈值时，该灰度值即为全局分割的阈值。如图3所示，其中图像的灰度直方图

式中，

图3中j表示灰度值，Ncount表示像素计数器的计数值，

步骤S220.基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像。

步骤S230.计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域。

步骤S300. 计算所述候选区域的特征向量。

在一些实施例中，所述特征向量的计算公式为：

式中，

具体的，候选区域的面积比的计算公式为：

式中，

候选区域的长宽比的计算公式为：

。

候选区域的局部灰度对比度的计算方法为：

计算候选区域的灰度均值

计算背景区域的灰度均值：

候选区域的局部灰度对比度的计算公式为：

式中，

候选区域的局部灰度熵的计算方法为：对

。

式中，

候选区域的局部对比度的计算方法为：

计算候选区域的增强图像均值

计算增强图像背景区域的灰度均值：

候选区域的局部对比度的计算公式为：

式中，

候选区域的局部熵的计算方法为：

对

。

式中，

步骤S400. 将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率。

步骤S500. 判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。

在一些实施例中，经过目标特征提取后，每一个目标的特征被抽象为一个

表示隐藏层的输出；/>

本实施例的第二方面提供了一种红外目标检测装置，应用于边缘计算平台。如图5所示，所述红外目标检测装置包括预处理模块、候选区域检测模块、特征向量计算模块、分类模块和目标判断模块。

预处理模块用于对目标图像进行增强，得到增强图像。在一些实施例中，所述预处理模块具体用于：将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；将所述多个浅层特征图合并为三维的浅层特征矩阵；利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。关于所述预处理模块的具体描述可参对所述步骤S100的描述。

候选区域检测模块用于对所述增强图像进行候选区域检测。在一些实施例中，所述候选区域检测模块具体用于：计算增强图像的全局分割阈值；基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像；计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域。关于所述候选区域检测模块的具体描述可参对所述步骤S200的描述。

特征向量计算模块用于计算所述候选区域的特征向量。关于所述特征向量计算模块的具体描述可参对所述步骤S300的描述。

分类模块用于对所述特征向量进行分类，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率。关于所述分类模块的具体描述可参对所述步骤S400的描述。

目标判断模块用于判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。关于所述目标判断模块的具体描述可参对所述步骤S500的描述。

本实施例中的第三方面提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序指令时实现如本实施例的第一方面所述的红外目标检测方法。

本实施例的第四方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本实施例的第一方面所述的红外目标检测方法。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。