[发明专利]红外移动对象目标部位的检测方法、装置及系统

说明书

本发明公开了一种红外移动对象目标部位的检测方法、装置及系统，旨在解决现有检测方法对红外移动对象目标部位检测速度慢、检测精度低、对像素值要求高的技术难题。本申请涉及的检测方法包括：图片数据增强、标注移动对象目标部位数据集、搭建基于Pytorch深度学习框架的YOLOv5模型，针对红外移动对象的特征，对该模型的多尺度检测结构、主干特征提取网络结构、空间金字塔结构以及特征融合网络结构进行改进工作，此外，还对损失函数与非极大抑制算法进行了优化，改进后的YOLOv5模型更加适合红外移动对象目标部位检测的应用场景。能够在检测精度不变的情况下，大幅减少参数量、计算量，做到对高速运动的移动对象的实时检测。

技术领域

本发明涉及目标跟踪检测技术领域，更具体地，涉及一种红外移动对象目标部位的高精度低延时检测方法、装置及系统。

背景技术

红外移动对象目标部位检测是计算机视觉领域的一个难题，而且有着非常广泛的应用场景。例如，有很多无人机爱好者热衷于在晚上航拍城市夜景，当无人机在机场上空飞行时，容易与客机相撞，可能会引发严重的空难事故。因此对目标检测算法的要求也越来越高，一旦发现空中移动对象出现，探测系统要能立刻进行检测并锁定位置，通过后台确认是否为违法飞行，判断要不要对其进行威肋消除，从而大幅加强对空域的有效管控，极大地减少一些难以预测的空中安全事故。

在对红外移动对象目标部位进行检测时，往往会遇到非常多的困难。实际应用中，探测器与移动对象的距离往往非常遥远，因此移动对象的分辨率往往都很低，而且由于大气干扰，光学散射和衍射等因素的影响，导致红外目标和背景之间的对比度不够明显，在检测红外移动对象很容易将背景错误检测为红外目标，因此虚警率很高。由于红外移动对象太小，缺乏形状信息、纹理特征信息，实际检测时很容易被各种随机噪声浸没。远距离实现对红外移动对象目标部位的检测是一项非常困难的任务。

现阶段，我们国家红外小目标检测技术和一些发达国家(例如德国、美国等)相比，还有很大的差距。随着以深度学习为代表的人工智能技术的迅猛发展，深度学习已经在人脸识别、车辆识别等其他目标检测领域展现出优异的性能，卷积神经网络作为深度学习的典型算法，是现有使用较多的目标检测算法，具备强大的非线性表达能力和泛化能力，能够快速、准确完成对图像中指定类型的识别。

但是，红外移动对象目标部位检测具有独特的应用场景。首先，红外移动对象通常都在高速移动且距离遥远，其在图像上通常都较小且清晰度不高；其次，实际应用中要求对红外移动对象的检测帧率高、识别率高、检测精度高，现有的目标检测算法无法满足这些要求，因此迫切需要一种适用于红外移动对象目标部位的高精度、低延时检测方法及系统。

总而言之，在检测红外移动对象时需要克服的难点众多，现阶段的目标检测算法在对红外移动对象目标部位检测时存在识别率低、虚警率高以及检测精度低的缺陷，而且现有目标检测算法的模型参数量多，对内存的要求高，需要占用更多的硬件开销，对于高速移动的空中红外目标无法做到实时检测。此外，目标检测算法通过构造维度更高的运算核去提取目标特征，因此运算量很大，算法模型硬件实现非常困难，用常规的硬件实现的话存在体积大、功耗高、性能低、可靠性差的缺陷。

发明内容

针对现有技术的缺陷，本发明提出了一种红外移动对象目标部位的高精度、低延时检测方法、装置及系统，以解决现有检测方法对红外移动对象目标部位检测速度慢、检测精度低、对像素值要求高的技术难题。

为了解决上述问题，第一方面，本申请提供了一种红外移动对象目标部位的高精度低延时检测方法，包含以下步骤：

S1、在获取移动对象图片后，使用数据增强方法增加图片数量；

S2、标注图片中的移动对象目标部位，生成数据集，并将所述数据集按照一定比例随机划分为训练集和测试集；

S3、安装CONDA环境管理系统，搭建Pytorch深度学习框架，其中模型的配置利用YOLOv5模型完成；