J-MSF 一种新的多通道多尺度红外弱小目标检测算法.docx

红外弱小目标检测算法 红外弱小目标检测是计算机视觉中的一个关键问题，因为目标上几乎没有可利用的信号，一般小目标于文中研究的红外小目标相比，其内在特征的稀缺性和背景复杂性有所不同，红外弱小目标的局部信噪比低。红外弱小目标检测是指通过红外系统对打击目标进行识别检测和跟踪，主要应用在预警技术、导弹精确制导、海上巡逻预警监测等领域。 红外弱小目标检测的传统算法有基于滤波的算法和基于人类视觉系统的方法。基于滤波的算法有基于最恰对比度显著性、背景抑制中的二维空域廓线法等，通过滤波的方式增强目标特征和抑制背景信息，总体计算量小，但检出率较低。基于人类视觉系统的方法有基于局部对比度的算法、基于低秩稀疏恢复等，通过人类感知特性对图像局部差分形成显著化目标特征，准确率高，但存在建模过程复杂，泛化能力较差等问题。 红外图像数据集背景和目标特征多样化，使得传统检测算法必须与数据集高度匹配，且传统数学建模算法设计过程复杂，泛化性低，使得检测红外弱小目标成本较高。通过深度卷积神经网络识别检测红外弱小目标具有泛化能力强、建模过程更智能、鲁棒性更强等优点，运用深度学习建立通用性较强的红外检测系统成为越来越多学者的研究方向。 深度学习在红外弱小目标检测的研究主要有：赵琰等人使用 YOLOv3 的方法在自建数据集上进行检测，但是在公开数据集上准确率较低；冯小雨等人使用 Faster RCNN 进行检测，实时性低，且准确率有待提高。总体而言，深度学习在检测红外弱小目标方面需要解决以下问题：(1) 卷积神经网络结构在对局部信噪比较低的图像进行特征提取时具有敏感度低、特征信息消失等不利因素；(2) 深度学习对复杂背景下的弱小目标检测能力较差，误检率较高；(3) 红外数据集作为深度学习的训练数据集时，不同背景信息的图像数量需符合正比例分布。 本文在深入研究 YOLO 系列算法的基础上，提出了一种基于红外弱小目标检测的多尺度特征融合检测算法 J-MSF，以采用单帧目标检测的实时算法 YOLO 框架为基础，以地/空背景下红外图像弱小飞机目标检测跟踪数据集为研究对象，通过实验结果证明了所提出的红外弱小目标检测算法 J-MSF 的优越性，较 YOLOv3 系列算法和 YOLOv4 算法都有一定提升。 J-MSF 算法的检测流程可分为三大部分：第一部分首先通过主干提取网络采集多层特征图信息；第二部分对提取到的不同特征图进行上采样并与对应特征融合叠加，获得精细化的语义特征表示；第三部分为分类与回归输出模块，主要对目标进行分类及边框预测。YOLOv3 主干特征提取网络采用的是 Darknet-53，YOLOv4 的主干提取框架是 CSPDarknet-53，后者在前者基础之上对每个残差块增加自上而下的并行连接，增加特征的初始特性，并与 PAN 自下向上的路径相互作用，使得梯度流分裂，梯度流通过不同的网络路径进行传播，增加特征提取的丰富度。 J-MSF 算法在 YOLOv3 和 YOLOv4 的基础上进行改进补充，将 Darknet-53 改进升级为 CSPDarknet-53，以及增加 SPP 模块，增加注意力机制模块，优化训练框架等，检测模块边界框回归依然采用原法。检测模块和主干提取网络部分采用的 PAN 通过自下向上的路径增强浅层中准确的定位信息流，建立浅层特征和深层特征的交流通道。 红外弱小目标检测是计算机视觉中的一个关键问题，检测红外弱小目标需要解决多种挑战，如低信噪比、复杂背景、目标稀缺性等问题。本文提出了一种基于红外弱小目标检测的多尺度特征融合检测算法 J-MSF，以解决红外弱小目标检测的挑战。