[发明专利]低能见度下的小目标检测方法和系统

权利要求书

1.一种低能见度下的小目标检测方法，其特征在于，使用RefineDet作为检测器，采用带色彩恢复的多尺度视网膜增强对目标图像进行处理，得到增强图像，使用锚点细化模型滤除增强图像中的负锚点，建立锚点细化模型与目标检测模型之间的关联关系，基于关联关系将锚点细化模型中的特征图像分享到目标检测模型中进行回归和预测类别，并输出识别结果。

2.根据权利要求1所述的低能见度下的小目标检测方法，其特征在于，包括以下步骤：

图像增强步骤：将输入的目标图像根据RGB分量分解为三幅图像，根据波长尺度区分计算波段内像素间的明暗关系，以确定每个像素的色彩度，根据色彩度对目标图像进行色彩增强，得到增强图像；

锚点细化步骤：基于锚点细化模型，通过锚点细化将增强图像基于不同尺度分别产生锚点窗口，预测锚点窗口的位置、前景置信度或背景置信度、前景类别或背景类别，从多个锚点窗口中滤除高概率的负样本，调整锚点窗口的位置和大小，得到区域提议；

特征转换步骤：将区域提议通过特征转化为目标检测模型特征，将不同网络层进行特征融合，通过在传输的特征中添加高层特征以集成大尺度语义信息，采用反卷积放大得到高层特征图，按像素求和后加入一个卷积层，得到转换图像；

候选框精调步骤：将增强图像作为基础层通过特征金字塔方式连接，对区域提议进行类别细分和位置精修，进行目标预测后对各层的预测结果进行综合，输出识别结果。

3.根据权利要求2所述的低能见度下的小目标检测方法，其特征在于，还包括损失计算步骤：在锚点细化时进行二分类损失计算和回归损失计算，在目标预测时进行多分类损失计算和回归损失计算。

4.根据权利要求3所述的低能见度下的小目标检测方法，其特征在于，所述二分类损失计算、多分类损失计算、回归损失计算均采用以下损失函数：

其中，下标i表示批梯度下降中锚点的索引；

表示第i个锚点所对应的真实类别的标签；

表示第i个锚点所对应的真实边框的位置和大小；

p_i表示预测出来的第i个锚点的二分类置信度；

x_i表示预测出来的第i个锚点的细化后锚点的坐标；

c_i表示预测出的目标分类；

t_i表示预测出的最终的目标框坐标；

N_ARM和N_ODM分别表示锚点细化中和目标检测中正样本的数量；

二分类损失L_b为交叉熵损失函数；

多分类损失L_m为Softmax函数；

L_r为smooth L₁损失函数；

[]为示性函数，框内表达式为真时，输出1，否则输出0；

当N_ARM或N_ODM为0时，则将对应损失置0。

5.根据权利要求2所述的低能见度下的小目标检测方法，其特征在于，所述波长尺度按照大、中、小三种尺度进行区分；所述波段分为长波波段、中波波段和短波波段。

6.一种低能见度下的小目标检测系统，其特征在于，使用RefineDet作为检测器，采用带色彩恢复的多尺度视网膜增强对目标图像进行处理，得到增强图像，使用锚点细化模型滤除增强图像中的负锚点，建立锚点细化模型与目标检测模型之间的关联关系，基于关联关系将锚点细化模型中的特征图像分享到目标检测模型中进行回归和预测类别，并输出识别结果。