本發(fā)明屬于圖像目標(biāo)檢測方法，具體涉及基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法。

背景技術(shù)：

1、在軍事監(jiān)視、搜救和遙感等應(yīng)用中，精確檢測紅外圖像中的弱小目標(biāo)至關(guān)重要。然而，傳統(tǒng)的視覺檢測方法依賴人工設(shè)計的特征和先驗知識，在復(fù)雜多變的實際場景中難以達(dá)到理想效果，面臨顯著的性能瓶頸。相比之下，深度學(xué)習(xí)技術(shù)憑借其強大的自動特征提取和表示能力，顯著提升了紅外弱小目標(biāo)檢測的性能，克服了傳統(tǒng)方法的局限，為該領(lǐng)域提供了更具魯棒性和適應(yīng)性的解決方案。

2、深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)等，已經(jīng)在圖像識別和特征提取方面取得了顯著的成果。但現(xiàn)有方法依然無法有效利用頻率域信息來增強對目標(biāo)感知同時在特征融合過程使用插值上采樣會引入插值偽影造成目標(biāo)的微弱特征被淹沒，導(dǎo)致現(xiàn)有方法依然存在檢測精度低且虛警率高的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，能夠提升紅外弱小目標(biāo)的檢測精度。

2、本發(fā)明所采用的技術(shù)方案是，基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，具體按照以下步驟實施：

3、步驟1、構(gòu)建紅外弱小目標(biāo)檢測數(shù)據(jù)集；

4、步驟2、構(gòu)建編碼器，編碼器包括卷積層和動態(tài)頻率自適應(yīng)模塊；

5、步驟3、構(gòu)建解碼器，解碼器包括混合特征融合模塊和全連接層；

6、步驟4、利用數(shù)據(jù)集訓(xùn)練構(gòu)建的檢測網(wǎng)絡(luò)，實現(xiàn)對紅外弱小目標(biāo)檢測。

7、本發(fā)明技術(shù)方案的特點還在于：

8、步驟2具體為：使用卷積層獲得目標(biāo)的淺層特征嵌入并對噪聲進(jìn)行初步抑制，之后使用動態(tài)頻率自適應(yīng)模塊在空間域和頻率域雙域上對目標(biāo)的全局和局部信息實現(xiàn)高效建模。

9、步驟2中的動態(tài)頻率自適應(yīng)模塊，經(jīng)過一組并行的分支組合實現(xiàn)跨域?qū)θ痔卣鞯奶崛。阂唤M分支首先經(jīng)過層歸一化使得網(wǎng)絡(luò)的輸入分布更加穩(wěn)定，之后利用視覺狀態(tài)空間模塊對空間域全局長距離依賴交互關(guān)系進(jìn)行捕獲；另一組分支使用小波引導(dǎo)模塊實現(xiàn)頻域線索的引入，增強視覺狀態(tài)空間模塊對全局信息感知；經(jīng)過并行分支提取目標(biāo)全局特征后，將進(jìn)一步使用層歸一化并結(jié)合混合修復(fù)門控網(wǎng)絡(luò)模塊進(jìn)行的局部信息建模。

10、視覺狀態(tài)空間模塊，輸入特征經(jīng)過兩個并行的分支進(jìn)行處理：在主分支中，輸入特征經(jīng)首先經(jīng)過線性層進(jìn)行對通道進(jìn)行擴(kuò)展、之后經(jīng)過分別深度可分離卷積、silu激活函數(shù)、選擇掃描模塊和層歸一化等操作的堆疊；在第二個分支中，使用線性層實現(xiàn)通道擴(kuò)展后由silu激活，最后，通過元素相乘結(jié)合兩個分支的輸入，并通過線性層調(diào)整通道與輸入通道相同；

11、小波引導(dǎo)模塊，輸入特征首先通過離散小波變化，產(chǎn)生一個近似分量ll以及水平hl、垂直lh和對角線hh方向上組成的細(xì)節(jié)分量h，之后，l分量通過深度可分離卷積做語義信息細(xì)化得到低頻分量l'，h分量則先經(jīng)過1x1卷積升維和深度可分離卷積在高維中捕捉更多特征模式，降低噪聲影響，之后通過1x1卷積減少通道維數(shù)過濾冗余信息，得到高頻分量h'，最后，將l'分量與h'分量進(jìn)行逆離散小波變換恢復(fù)特征尺寸，并結(jié)合深度可分離卷積濾除逆離散小波變化所產(chǎn)生的邊緣效應(yīng)，平滑頻域特征；

12、混合修復(fù)門控網(wǎng)絡(luò)模塊，該模塊利用兩組信息流共同作用，第一組信息流使用卷積核大小為3×3，步長為1，擴(kuò)張率分別為2，4，2的卷積的膨脹卷積并結(jié)合特征相加擴(kuò)大感受野增強對局部特征中空間鄰近像素感知，第二組信息流中使用深度可分離卷積和gelu激活函數(shù)生成像素級門控掩膜，最后，將兩組信息流進(jìn)元素相乘進(jìn)行交互實現(xiàn)凸顯微弱目標(biāo)的特征，同時通過一個由卷積核大小為3×3，步長為1的卷積細(xì)化輸出特征。

13、步驟3具體為：使用混合特征融合模塊，融合并增強來自編解碼器的低級和高級特征，促進(jìn)不同層級的特征共享，之后利用全連接層對特征圖的通道數(shù)進(jìn)行調(diào)整并輸出最終檢測圖像。

14、步驟3中的混合特征融合模塊，對來自編碼器和解碼器經(jīng)過尺度因子為2的雙線性插值進(jìn)行上采樣的兩個特征映射進(jìn)行合并；之后，通過channel?mixing對通道間特征關(guān)系進(jìn)行增強，首先采用平均池化和最大池化操作，產(chǎn)生兩個獨立聚合通道信息的特征描述符；接下來，將兩個描述符輸入進(jìn)共享多層感知機中，并將多層感知機的輸出進(jìn)行求和；最后，通過將編解碼器合并特征與多層感知機求和后并利用sigmoid進(jìn)行激活后的特征進(jìn)行元素級相乘。

15、經(jīng)過channel?mixing增強的特征將通過spatial?mixing來校正空間位置扭曲所造成的虛警；首先，利用逐深度卷積對channel?mxing得到的特征進(jìn)行細(xì)化，之后采用卷積核大小為3×3，步長為1，擴(kuò)張率分別為2，4，2的卷積的膨脹卷積捕獲不同感受野下空間關(guān)系，接下來通過將深度可分離卷積和不同膨脹卷積提取到的特征進(jìn)行求和并通過1x1卷積實現(xiàn)目標(biāo)信息共享，促進(jìn)對各空間位置目標(biāo)的選擇性聚合，最后將聚合后的特征利用sigmoid進(jìn)行激活后的特征與channel?mixing輸出特征進(jìn)行元素級相乘同時結(jié)合殘差連接。

16、本發(fā)明的有益效果是：

17、本發(fā)明基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，通過動態(tài)頻率自適應(yīng)模塊和混合特征融合模塊，能夠有效在頻域、空間域和維度域三個方向上對目標(biāo)特征進(jìn)行提取，改善現(xiàn)有技術(shù)條件下對細(xì)節(jié)和紋理細(xì)節(jié)提取不充足的現(xiàn)象并抑制特征融合過程中使用插值上采樣所引入的插值偽影問題。同時，構(gòu)建采用該方法的神經(jīng)網(wǎng)絡(luò)時通過調(diào)整訓(xùn)練參數(shù)和損失函數(shù)進(jìn)行網(wǎng)絡(luò)優(yōu)化，可以得到更好的紅外弱小目標(biāo)檢測效果。

技術(shù)特征：

1.基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，具體按照以下步驟實施：

2.根據(jù)權(quán)利要求1所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，所述步驟2具體為：使用卷積層獲得目標(biāo)的淺層特征嵌入并對噪聲進(jìn)行初步抑制，之后使用動態(tài)頻率自適應(yīng)模塊在空間域和頻率域雙域上對目標(biāo)的全局和局部信息實現(xiàn)高效建模。

3.根據(jù)權(quán)利要求2所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，所述步驟2中的動態(tài)頻率自適應(yīng)模塊，經(jīng)過一組并行的分支組合實現(xiàn)跨域?qū)θ痔卣鞯奶崛。阂唤M分支首先經(jīng)過層歸一化使得網(wǎng)絡(luò)的輸入分布更加穩(wěn)定，之后利用視覺狀態(tài)空間模塊對空間域全局長距離依賴交互關(guān)系進(jìn)行捕獲；另一組分支使用小波引導(dǎo)模塊實現(xiàn)頻域線索的引入，增強視覺狀態(tài)空間模塊對全局信息感知；經(jīng)過并行分支提取目標(biāo)全局特征后，將進(jìn)一步使用層歸一化并結(jié)合混合修復(fù)門控網(wǎng)絡(luò)模塊進(jìn)行的局部信息建模。

4.根據(jù)權(quán)利要求3所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，所述視覺狀態(tài)空間模塊，輸入特征經(jīng)過兩個并行的分支進(jìn)行處理：在主分支中，輸入特征經(jīng)首先經(jīng)過線性層進(jìn)行對通道進(jìn)行擴(kuò)展、之后經(jīng)過分別深度可分離卷積、silu激活函數(shù)、選擇掃描模塊和層歸一化操作的堆疊；在第二個分支中，使用線性層實現(xiàn)通道擴(kuò)展后由silu激活，最后，通過元素相乘結(jié)合兩個分支的輸入，并通過線性層調(diào)整通道與輸入通道相同；

5.根據(jù)權(quán)利要求1所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，所述步驟3具體為：使用混合特征融合模塊，融合并增強來自編解碼器的低級和高級特征，促進(jìn)不同層級的特征共享，之后利用全連接層對特征圖的通道數(shù)進(jìn)行調(diào)整并輸出最終檢測圖像。

6.根據(jù)權(quán)利要求5所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，所述步驟3中的混合特征融合模塊，對來自編碼器和解碼器經(jīng)過尺度因子為2的雙線性插值進(jìn)行上采樣的兩個特征映射進(jìn)行合并；之后，通過channel?mixing對通道間特征關(guān)系進(jìn)行增強，首先采用平均池化和最大池化操作，產(chǎn)生兩個獨立聚合通道信息的特征描述符；接下來，將兩個描述符輸入進(jìn)共享多層感知機中，并將多層感知機的輸出進(jìn)行求和；最后，通過將編解碼器合并特征與多層感知機求和后并利用sigmoid進(jìn)行激活后的特征進(jìn)行元素級相乘。

7.根據(jù)權(quán)利要求6所述的基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，其特征在于，經(jīng)過channel?mixing增強的特征將通過spatial?mixing來校正空間位置扭曲所造成的虛警；首先，利用逐深度卷積對channel?mxing得到的特征進(jìn)行細(xì)化，之后采用卷積核大小為3×3，步長為1，擴(kuò)張率分別為2，4，2的卷積的膨脹卷積捕獲不同感受野下空間關(guān)系，接下來通過將深度可分離卷積和不同膨脹卷積提取到的特征進(jìn)行求和并通過1x1卷積實現(xiàn)目標(biāo)信息共享，促進(jìn)對各空間位置目標(biāo)的選擇性聚合，最后將聚合后的特征利用sigmoid進(jìn)行激活后的特征與channel?mixing輸出特征進(jìn)行元素級相乘同時結(jié)合殘差連接。

技術(shù)總結(jié)
本發(fā)明公開了基于小波引導(dǎo)狀態(tài)空間模型的紅外弱小目標(biāo)檢測方法，具體按照以下步驟實施：步驟1、構(gòu)建紅外弱小目標(biāo)檢測數(shù)據(jù)集；步驟2、構(gòu)建編碼器，編碼器包括卷積層和動態(tài)頻率自適應(yīng)模塊；步驟3、構(gòu)建解碼器，解碼器包括混合特征融合模塊和全連接層；步驟4、利用數(shù)據(jù)集訓(xùn)練構(gòu)建的檢測網(wǎng)絡(luò)，實現(xiàn)對紅外弱小目標(biāo)檢測。本發(fā)明可以有效增強對不同尺度下紅外弱小目標(biāo)特征捕獲能力，提高在低信噪比條件下對目標(biāo)位置的感知，降低目標(biāo)檢測的虛警率并提升檢測率。

技術(shù)研發(fā)人員：成寬洪,馬騰,郎吉林,吳鈺博,李軍懷,費蓉
受保護(hù)的技術(shù)使用者：西安理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6