买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京环境特性研究所;天津职业技术师范大学(中国职业培训指导教师进修中心)

摘要：本发明提供了一种红外低慢小目标检测方法、装置、计算设备及存储介质，其中方法包括：获取待检测的红外图像；将所述红外图像输入至预先训练生成的检测模型中；所述检测模型基于YOLOv4‑tiny网络训练得到，所述YOLOv4‑tiny网络依次利用主干网络、颈部网络、坐标注意力处理模块和头部网络对所述红外图像进行特征识别；根据所述检测模型由所述头部网络输出的结果，得到所述红外图像中的低慢小目标的检测结果。本方案，能够准确根据红外图像检测出低慢小目标。

主权项：1.一种红外低慢小目标检测方法，其特征在于，包括：获取待检测的红外图像；将所述红外图像输入至预先训练生成的检测模型中；所述检测模型基于YOLOv4-tiny网络训练得到，所述YOLOv4-tiny网络依次利用主干网络、颈部网络、坐标注意力处理模块和头部网络对所述红外图像进行特征识别；所述主干网络采用CSPdarknet53-Tiny网络，所述CSPdarknet53-Tiny网络在对残差块进行处理时，将残差块的堆叠拆分成两部分，主干部分进行残差块的堆叠，卷积结果和另一部分残差块引入一条残差边，且所述主干网络中的激活函数修为LeakyReLU；根据所述检测模型由所述头部网络输出的结果，得到所述红外图像中的低慢小目标的检测结果；所述检测模型的训练方式，包括：获取若干个被标注有标签的数据样本，所述数据样本为包括低慢小目标的图像；所述若干个数据样本满足：图像背景覆盖指定的背景环境、目标类型覆盖指定的类型、目标尺寸不小于设定尺寸中的一种或多种；将数据样本分为训练集、验证集和测试集；针对训练集中每一个数据样本，均执行：将该数据样本输入至所述主干网络中，将所述主干网络输出的数据样本输入至颈部网络中，利用所述坐标注意力处理模块对由所述颈部网络输出的数据样本进行坐标注意力处理，将坐标注意力处理后的数据样本输入至所述头部网络中；所述头部网络预先利用K-means聚类算法训练生成基于训练集的预选锚框；所述预选锚框为9个，且尺寸不同，尺寸依次为10,10，14,13，16,16，22,18，24,9，26,21，31,13，40,33，47,17；利用迁移学习，使用训练集对所述YOLOv4-tiny网络进行训练，使用验证集对训练到设定次数的每个模型进行验证，以挑选损失函数收敛时的训练模型，预选设定数量的训练模型；并使用测试集对预选的训练模型进行测试，根据评价指标选定最优的检测模型，得到训练后的所述检测模型；所述评价指标分别为平均精度、准确率和召回率；所述根据评价指标选定最优的检测模型，包括：使用如下公式根据准确率和召回率绘制P-R曲线： 其中，P为精确率，R为召回率，C为类别数，AP为根据准确率和召回率绘制的P-R曲线与坐标轴间的面积，mAP为各类别平均AP值；根据评价指标中平均精度越高、AP、mAP值越大，模型的检测性能、效果越好，将评价指标最好的训练模型确定为最优的检测模型；所述将坐标注意力处理后的数据样本输入至所述头部网络中，包括：所述头部网络对坐标注意力处理后的每一个数据样本进行特征识别时，先生成多个预选锚框，然后为每个预选锚框预测类别以及偏移量，接着根据预测的偏移量调整预选锚框位置从而得到预测边界框，最后筛选含有低慢小目标的预测边界框；所述头部网络根据每一个预测边界框识别出框中是否含有低慢小目标以及含有低慢小目标的类别、中心点横坐标、中心点纵坐标、目标宽度和目标长度；所述利用所述坐标注意力处理模块对由所述颈部网络输出的数据样本进行坐标注意力处理，包括：对数据样本分别沿水平坐标方向和垂直坐标方向对每个通道进行编码，得到水平张量矩阵和垂直张量矩阵；将水平张量矩阵和垂直张量矩阵进行特征映射得到特征映射矩阵，并对所述特征映射矩阵沿水平坐标方向和垂直坐标方向分别进行分解，得到与该数据样本具有相同通道数的水平注意力权重矩阵和垂直注意力权重矩阵；将该数据样本每个通道与对应的水平注意力权重矩阵、垂直注意力权重矩阵相乘，得到坐标注意力处理后的数据样本；所述将水平张量矩阵和垂直张量矩阵进行特征映射得到特征映射矩阵，包括：f＝δF1[Bh,Bw]其中，式中δ为非线性激活函数，F1为1×1卷积操作，[.,.]为沿着空间维数的concatenate操作，Bh为水平张量矩阵，Bw为垂直张量矩阵，f是得到的特征映射矩阵；所述对所述特征映射矩阵沿水平坐标方向和垂直坐标方向分别进行分解，得到与该数据样本具有相同通道数的水平注意力权重矩阵和垂直注意力权重矩阵，包括：沿着水平坐标方向和垂直坐标方向将所述特征映射矩阵分解为2个单独的张量矩阵，再分别通过1*1的卷积操作两个张量矩阵变为与该数据样本通道数相同的水平注意力权重矩阵和垂直注意力权重矩阵；将所述特征映射矩阵进行分解的方式为：gh＝σFhfhgw＝σFwfw其中，gh和gw分别为该数据样本的水平注意力权重矩阵和垂直注意力权重矩阵，σ为sigmoid激活函数，Fh和Fw为1×1卷积操作，fh和fw分别为特征映射矩阵f分解得到的水平特征映射张量矩阵和垂直特征映射张量矩阵。

全文数据：

权利要求：

百度查询： 北京环境特性研究所 天津职业技术师范大学(中国职业培训指导教师进修中心) 红外低慢小目标检测方法、装置、计算设备及存储介质