一种红外相机智能目标识别方法、系统和设备与流程

本申请涉及目标识别领域，尤其涉及一种红外相机智能目标识别方法系统和设备。

背景技术：

1、红外成像技术无需依赖可见光源，可以在夜间或低光条件下正常工作，红外线的穿透性较好，能够穿透烟雾、尘埃等障碍物，获取被遮挡物体的信息使得其应用广泛。但是，红外图像通常存在信噪比低的问题，这意味着图像中目标信号与背景噪声之间的比例较低，导致目标在图像中难以被清晰地识别。这种情况尤其在背景信息复杂、边缘不清晰的情况下更为突出。由于红外图像目标的灰度分布低、细节差异小，当背景受到大量噪声及杂波的干扰时，图像目标的边缘信息可能被淹没，从而增加了目标检测识别的难度。其次，红外图像目标识别还受到弱小目标成像面积小的影响。由于缺乏形状和纹理等结构信息，系统能够利用的信息主要是目标的局部灰度连续性和运动连续性等，这增加了目标识别的难度，现有技术中红外图像进行目标识别的准确度亟待提高。

技术实现思路

1、本申请提供一种红外相机智能目标识别方法、系统和设备，至少用以解决现有技术中利用红外图像进行目标识别时精度不够的问题。

2、第一方面，本申请提供了一种红外相机智能目标识别方法，包括：

3、步骤s1，构建u-net卷积神经网络模型；

4、步骤s2，拍摄待识别红外图像；

5、步骤s3，基于所述待识别红外图像的像素值，计算每一像素对应的显著度值，将所述显著度值进行归一化得到显著度权重值；

6、步骤s4，所述待识别红外图像输入所述u-net卷积神经网络模型,得到所述u-net卷积神经网络模型的第一下采样结构输出的第一特征图、第二下采样结构输出的第二特征图、第三下采样结构输出的第三特征图，将所述第一特征图、第二特征图、第三特征图像素与其位置对应的所述显著度权重值相乘得到第一增强特征、第二增强特征、第三增强特征，将所述第一增强特征、第二增强特征、第三增强特征与对应的对称路径上采样层进行跳跃连接，网络末端使用一个1×1卷积和soft max层，得到目标识别结果；

7、所述步骤s3中计算每一像素对应的显著度值具体为：

8、步骤s31、构建滤波模板，所述滤波模板为正方形由n×n个子块构成，每个子块的大小为8×8像素；

9、步骤s32、利用所述滤波模板中3×3个子块作为处理单元，所述处理单元的中心子块对应的所述待识别红外图像为待处理目标区域，其余子块对应的所述待识别红外图像为背景区域；

10、步骤s33、基于所述目标区域和所述背景区域像素值计算得到所述目标区域对应像素的显著度值；

11、步骤s34、滑动所述滤波模板重复步骤s31和步骤s32，直至处理完所述待识别红外图像，进而得到每一像素的显著度值。

12、第二方面，本申请提供了一种红外相机智能目标识别系统，包括：

13、红外探测器，用于拍摄待识别红外图像；

14、第一处理模块，用于基于所述待识别红外图像的像素值，计算每一像素对应的显著度值，将所述显著度值进行归一化得到显著度权重值；

15、第二处理模块，用于将所述待识别红外图像输入u-net卷积神经网络模型,得到所述u-net卷积神经网络模型的第一下采样结构输出的第一特征图、第二下采样结构输出的第二特征图、第三下采样结构输出的第三特征图，将所述第一特征图、第二特征图、第三特征图像素与其位置对应的所述显著度权重值相乘得到第一增强特征、第二增强特征、第三增强特征，将所述第一增强特征、第二增强特征、第三增强特征与对应的对称路径上采样层进行跳跃连接，网络末端使用一个1×1卷积和soft max层，得到目标识别结果；

16、所述计算每一像素对应的显著度值具体为：

17、步骤s31、构建滤波模板，所述滤波模板为正方形由n×n个子块构成，每个子块的大小为8×8像素；

18、步骤s32、利用所述滤波模板中3×3个子块作为处理单元，所述处理单元的中心子块对应的所述待识别红外图像为待处理目标区域，其余子块对应的所述待识别红外图像为背景区域；

19、步骤s33、基于所述目标区域和所述背景区域像素值计算得到所述目标区域对应像素的显著度值；

20、步骤s34、滑动所述滤波模板重复步骤s31和步骤s32，直至处理完所述待识别红外图像，进而得到每一像素的显著度值。

21、第三方面，本申请的一些实施例还提供了一种终端设备，包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行上述方法。

22、相较于现有技术，本申请实施例提供的方案中，所述待识别红外图像输入所述u-net卷积神经网络模型,得到所述u-net卷积神经网络模型的第一下采样结构输出的第一特征图、第二下采样结构输出的第二特征图、第三下采样结构输出的第三特征图，将所述第一特征图、第二特征图、第三特征图像素与其位置对应的所述显著度权重值相乘得到第一增强特征、第二增强特征、第三增强特征，将所述第一增强特征、第二增强特征、第三增强特征与对应的对称路径上采样层进行跳跃连接，网络末端使用一个1×1卷积和soft max层，得到目标识别结果。计算每一像素对应的显著度值具体为：步骤s31、构建滤波模板，所述滤波模板为正方形由n×n个子块构成，每个子块的大小为8×8像素；步骤s32、利用所述滤波模板中3×3个子块作为处理单元，所述处理单元的中心子块对应的所述待识别红外图像为待处理目标区域，其余子块对应的所述待识别红外图像为背景区域；步骤s33、基于所述目标区域和所述背景区域像素值计算得到所述目标区域对应像素的显著度值；步骤s34、滑动所述滤波模板重复步骤s31和步骤s32，直至处理完所述待识别红外图像，进而得到每一像素的显著度值。本申请设置将红外图像提取的显著图作为u-net网络提取的红外图像的下采样特征的注意力权重信息进行监督再与对称路径上采样层进行跳跃连接，能够很好的适应不同场景目标大小，提升红外图像目标识别精度。

技术特征：

1.一种红外相机智能目标识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，

5.根据权利要求1所述的方法，其特征在于，

6.一种红外相机智能目标识别系统，其特征在于，包括：

7.一种终端设备，其特征在于，所述设备包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如权利要求1-5所述的方法。

技术总结本申请提供了一种红外相机智能目标识别方法、系统和设备，包括：基于所述待识别红外图像的像素值，计算每一像素对应的显著度值，将所述显著度值进行归一化得到显著度权重值；所述待识别红外图像输入所述U‑net卷积神经网络模型,得到所述U‑net卷积神经网络模型的第一下采样结构输出的第一特征图、第二下采样结构输出的第二特征图、第三下采样结构输出的第三特征图，将所述第一特征图、第二特征图、第三特征图像素与其位置对应的所述显著度权重值相乘得到第一增强特征、第二增强特征、第三增强特征，将所述第一增强特征、第二增强特征、第三增强特征与对应的对称路径上采样层进行跳跃连接，网络末端使用一个1×1卷积和soft max层，得到目标识别结果。可以至少用以解决现有技术中红外图像进行目标识别准确度不高的技术问题。技术研发人员：盛金平,贺鹏飞,宋正春受保护的技术使用者：深圳市探鸽智能科技有限公司技术研发日：技术公布日：2024/7/29