[发明专利]一种基于特征对齐和关键点辅助激励的目标检测方法

说明书

本发明公开了一种基于特征对齐和关键点辅助激励的目标检测方法，用于基于退化热成像图进行目标检测实现目标定位，基于特征对齐和关键点辅助激励的目标检测方法，包括：获取带标签的退化热成像图以及对应的可见光图生成训练集；构建损失函数，利用训练集优化预构建的目标检测模型；利用优化后的目标检测模型处理待检测的退化热成像图，输出标记目标后的退化热成像图。本发明提供的基于特征对齐和关键点辅助激励的目标检测方法，其检测精度高，定位热成像目标精准，可拓展性强。

技术领域

本申请属于图像处理技术领域，具体涉及一种基于特征对齐和关键点辅助激励的目标检测方法。

背景技术

由于热成像在恶劣天气(黑夜、雨雪、大雾)下的稳定性，热成像图目标检测已经广泛应用于全天候自动驾驶，工业安保和国防军事领域。虽然现阶段热成像图目标检测已经取得了长足的发展，但是仍然存在一些问题。首先，热成像图存在低对比度，高噪声和单一颜色空间的退化现象。现有方法为了从退化热成像图中提取更多特征，往往采用图像预处理和特征融合的策略，此策略虽然能在一定程度上提升退化热成像图目标检测的精度，但是模型依赖融合后的特征进行后续检测。其次，退化热成像图中的目标边界模糊，而且现有深度学习方法网络高层细节信息不足，导致模型很难准确定位到热成像目标。最后，主流方法预定义的锚点框，并不能很好地覆盖热成像目标，导致模型检测精度不高。

退化热成像图目标检测方法可分为传统机器学习方法和基于深度学习的方法。传统机器学习方法主要通过手工提取目标特征和使用分类器进行检测。例如引入LBP进行目标纹理分类，然后使用HOG提取特征，最后运用SVM进行检测。还有使用稀疏字典来分别计算退化热成像图的前景与背景，通过计算样本与稀疏表示之间的差异来进行加进行检测。传统机器学习方法能达到的精度有限，而且速度不快，很难实现大规模的商业化应用。

随着计算机硬件技术的发展和深度学习的崛起，基于卷积神经网络的端到端的方法成为主流方法。受益于卷积神经网络的细节、语义信息提取和多尺度预测，基于此方法的检测精度大大高于传统机器学习方法。

现阶段大部分基于深度学习的方法主要采取的策略是特征融合与域适应。特征融合算法主要通过融合可见光图特征与退化热成像图特征来进行训练和检测，该策略弥补了退化热成像图中特征不足的问题，检测精度相比基准也有所提高，但是应用该策略的模型对融合特征有较强的依赖性(在模型训练和检测阶段均需要融合特征)。域适应方法是通过将图像进行迁移变换，从而拉近可见光域与热成像域之间的距离，此策略能取得较高的检测精度，但是模型设计相对复杂。

发明内容

本申请的目的在于提供一种基于特征对齐和关键点辅助激励的目标检测方法，其检测精度高，定位热成像目标精准，可拓展性强。

为实现上述目的，本申请所采取的技术方案为：

一种基于特征对齐和关键点辅助激励的目标检测方法，用于基于退化热成像图进行目标检测实现目标定位，所述基于特征对齐和关键点辅助激励的目标检测方法，包括：

步骤S1、获取带标签的退化热成像图以及对应的可见光图生成训练集；

步骤S2、构建损失函数，利用所述训练集优化预构建的目标检测模型；

步骤S3、利用优化后的目标检测模型处理待检测的退化热成像图，输出标记目标后的退化热成像图；

其中，所述目标检测模型基于YOLOv3模型构建，所述目标检测模型包括骨干网络、特征对齐单元、网络优化单元和检测网络；

所述骨干网络采用YOLOv3模型的Darknet53网络，所述Darknet53网络共有75层，其中包含53个卷积层，75层依次命名为Layer-0至Layer-74，在Layer-0至Layer-74中，前一层的输出作为后一层的输入，所述退化热成像图作为Darknet53网络的输入；