[发明专利]一种红外图像目标检测方法、装置、设备及存储介质

说明书

本申请公开了一种红外图像目标检测方法、装置、设备及存储介质，包括：建立红外图像数据集，并进行数据增强预处理，生成训练样本集；根据嵌入式平台所支持的算子与所提供的算力，构建红外图像目标检测网络，其主干网络采用1个focus图像重排模块、多个带有残差结构的Ghost‑depthWise卷积模块和1个SPP卷积模块进行构建；其多尺度目标检测层采用FPN网络结合PAN网络进行构建；使用训练样本集对网络进行训练；对训练完的网络进行通道剪枝并重新训练；按照目标平台要求对重新训练完的网络进行转换。这样避免了使用复杂的算子计算，舍弃冗余特征信息，丰富特征的表征内容，不存在模组转换问题，运算速度快，检测精度高。

技术领域

本发明涉及红外图像处理领域，特别是涉及一种红外图像目标检测方法、装置、设备及存储介质。

背景技术

近年来，红外成像技术在自动驾驶、智能安防、遥感以及工业监测等领域得到广泛的应用，鉴于全天候不间断侦测的需求，双光设备(可见光+红外)部署越来越多，同时对于视觉图像处理技术的需求也逐渐增多。在天气状况良好时，利用普通可见设备可满足绝大部分需求，然而在雨天、雾天或夜间等状况下可见光设备成像效果较差，不利于后端图像处理，长波红外利用其被动成像原理恰好可弥补可见光在恶劣天气无法获取高质量图像效果的情况。在利用双光设备进行实时监测的应用领域中，目标检测和分类是其重要机器视觉业务需求之一。

随着智能科学技术与社会的共同发展，人工智能技术在目标检测和识别领域取得了很深的进展，在各类场景中都取得了极好的识别效果。典型的单阶段目标检测网络包括DetectorNet、OverFeat、YOLO系列和SSD(Single Shot Detector)等，具有速度快精度稍低等特点；典型的双阶段目标检测网络包括RCNN系列、SPPNet(Spatial Pyramid Pooling)、RFCN(Region based Fully ConvNet)和MRCNN等，具有检测精度高运行速度慢等特点。上述网络其骨干结构多为VGG、ResNet、GoogleNet、Darknet或AlexNet等，一方面它们大多应用于RGB彩色图像，通常可以较为容易的提取其颜色、纹理等特征用于网络训练，得到较为精确的识别和定位，而对于红外图像，主要是通过提取其轮廓特征进行识别，所以一般的深度目标检测网络不能很好的直接迁移应用于红外图像；另一方面当前目标检测网络模型相对于低成本低算力嵌入式平台上仍然难以部署，在模型推理过程会消耗大量的计算资源和存储资源，导致无法在相同嵌入式平台上同时运行其他业务，若所设计的网络模型中有较多自定义算子或较新算子时，并且需要部署的平台无法对该算子进行解析计算，则整个模型设计工作需要从头开始。基于传统运动目标检测的方式虽然可完成目标定位，但无法判断所侦测到的目标类别(人、车、非机动车等)，并且传统方法比较适用于监测设备固定的情况下，即背景是基本不发生变化的情况，若搭载的设备是车载或转动云台等设备时刻在发生变换的场景，使用传统方法会出现大量误检测。

发明内容

有鉴于此，本发明的目的在于提供一种红外图像目标检测方法、装置、设备及存储介质，可以解决当前基于深度学习的人车目标检测网络模型复杂、参数过多、运算慢、对红外小目标检测差的问题。其具体方案如下：

一种红外图像目标检测方法，包括：

建立红外图像数据集，并进行数据增强预处理，生成训练样本集；

根据嵌入式平台所支持的算子与所提供的算力，构建红外图像目标检测网络；所述红外图像目标检测网络的目标特征提取主干网络采用1个focus图像重排模块、多个带有残差结构的Ghost-depthWise卷积模块和1个SPP卷积模块进行构建；所述红外图像目标检测网络的多尺度目标检测层采用由FPN网络和PAN网络组合的金字塔结构进行构建；

使用所述训练样本集对构建的所述红外图像目标检测网络进行训练；

对训练完成的所述红外图像目标检测网络进行通道剪枝并重新训练；