一种基于深度学习的暗弱目标检测方法

本发明属于图像处理领域，具体涉及一种基于深度学习的暗弱目标检测方法。

背景技术：

1、对于探测系统而言，当被检测目标与探测器之间的距离达到十几甚至几十公里时，在大气扰动、光学散射和衍射等外界因素的影响下，成像的目标呈现“弱”和“小”的特征。其中“弱”主要是目标的信噪比以及目标与背景的对比度较低；“小”则主要是目标在整幅图像上所占有的像素数少。低信噪比图像弱小目标常常出现在包括天空、地面和海面等多种场景中，混杂在自然杂波中难以区分，致使目标检测面临高虚警率和低检测率的难题。

2、暗弱目标的检测主要有以下难点：

3、目标对比度低，可用于目标检测的特征少。在远距离情况下，探测器接收到的目标信号强度有限，信噪比很低。目标成像面积小，有的只有几个像素，因而缺少轮廓和形状特征，可供利用的信息比较少。

4、背景复杂，目标常淹没在背景或噪声中远距离目标通常受到复杂背景的干扰，如天空云层背景、地面背景和海面背景，这些背景的统计特性是不同的，且往往在不断变化。

5、目标的机动性不易掌握，被探测的目标的运动轨迹不确定，有时呈现出较强的机动性，另外跟踪过程中可能遇到噪声和类目标的干扰。

6、在现有技术中，有许多对暗弱目标的提取方法。比如，利用累加法叠加多帧图像，增强目标信息，这种方法在提升信噪比方面存在上限且不适合运动目标。也有文献利用目标与背景、噪声在图像局部强度、梯度和散度等结构特征上的差异性、奇异性进行暗弱目标检测，但是这种方法计算量大，不利于实时检测跟踪。总而言之，现有的方法尚未完全解决背景杂波和强噪声的影响，从而对低信噪比图像暗弱目标检测的实用化造成了障碍。

技术实现思路

1、针对以上技术问题，本发明提供一种基于深度学习的暗弱目标检测方法，一种基于深度学习的暗弱目标检测方法，所述方法包括以下步骤：

2、步骤1、获取真实的暗弱目标图像，构建训练数据集；

3、步骤2、构建预处理算法，对步骤1中采集的暗弱目标图像进行初步预处理，预处理算法包括：多帧图像累加、去除背景噪声、去除随机噪声；构建验证数据集；

4、步骤3、构建深度学习模型，利用步骤1和步骤2中得到的训练数据集和验证数据集训练该深度学习模型，得到训练后的深度学习模型；深度学习模型为使用基于u-net的循环残差卷积神经网络，循环残差卷积神经网络包括多层循环残差卷积神经网络块，循环残差卷积神经网络块由标准卷积层、循环卷积层和残差块组成；标准卷积层对输入数据进行卷积，并通过激活函数得到初始的特征图和状态；循环卷积层在第一个时间步，先使用一组卷积核在输入数据上进行卷积操作，以提取空间特征；在后续的时间步，将前一时间步的状态与当前时间步的输入数据一起送入卷积核，进行卷积操作，更新状态，并通过激活函数得到当前时间步的特征图；重复上述过程，直到处理完所有时间步的数据；残差块则使用跳跃连接令输入跳过某些层与当前层的输出直接相加；

5、步骤4、基于上述训练后的深度学习模型，进行暗弱目标检测得到的暗弱目标的位置；

6、步骤5、用得到的暗弱目标的位置，在真实的暗弱目标图像中用方框表示出暗弱目标。

7、本发明与现有技术相比的有益效果在于：

8、（1）本发明可以在未知目标数目的前提下，对多目标图像进行检测；

9、（2）即使背景、杂波的强度大于目标强度，也不影响目标的正确检测；

10、（3）计算量小，且目标的检测速度不受目标个数的影响；

11、（4）适应性强，外界环境的亮度变化几乎不影响探测结果。

技术特征：

1.一种基于深度学习的暗弱目标检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的暗弱目标检测方法，其特征在于：步骤3中，

3.根据权利要求1所述的一种基于深度学习的暗弱目标检测方法，其特征在于：多帧图像累加的具体算法为：若相机采集频率达到100hz以上，采用直接叠加取均值的方法累加n帧图像，n∈[0,400]。

4.根据权利要求1所述的一种基于深度学习的暗弱目标检测方法，其特征在于：去除背景噪声的步骤为：

5.根据权利要求4所述的一种基于深度学习的暗弱目标检测方法，其特征在于：分水岭算法的输入为灰度图像i；输出为包含分水岭线的标记图像l，具体步骤如下：

技术总结本发明提供了一种基于深度学习的暗弱目标检测方法，属于图像处理技术领域，包括以下步骤：获取真实的暗弱目标图像；构建预处理算法，对采集的图像进行初步预处理，包括：多帧图像累加、去除背景噪声、去除随机噪声等；构建深度学习模型，利用得到的图像建立训练数据集和验证数据集；训练该深度学习模型，得到训练后的深度学习模型；基于上述训练后的深度学习模型，进行暗弱目标检测，用得到的暗弱目标的位置，在原图中用方框表示出暗弱目标。本发明方法利用深度学习实现目标特征的自动选择；并能适应于原始图像、累加图像或是预处理后的图像；相比于传统图像处理方法，运行时间少，更容易避免伪目标的影响，有利于实时目标检测。技术研发人员：夏诗烨,刘雅卿,罗一涵,王志文受保护的技术使用者：中国科学院光电技术研究所技术研发日：技术公布日：2024/11/14