[发明专利]一种基于深度稀疏低秩神经网络的红外弱小目标检测方法

说明书

一种基于深度稀疏低秩神经网络的红外弱小目标检测方法，属于遥感数字图像处理中的红外数据处理领域。由于红外弱小目标的体积小、亮度低，使得其难以从图像中被检测到，因此，本发明的提出为了提高红外弱小目标检测算法在小目标检测方面的性能，解决其在杂波背景下的目标检测结果不准确的问题。具体包括：利用滑动窗将原始红外图像分割为一系列的红外图像块；建立基于目标稀疏表示和背景低秩约束的目标检测模型；输入红外图像块，利用交替方向乘子法求解目标检测模型的各个变量；并将所提出的模型展开成卷积神经网络，不断更新模型中相关的参数；重构得到的红外图像块中的目标检测结果；输出红外图像的目标检测结果。本发明在不同背景环境下对具有不同属性的红外目标均能够取得较好的检测结果。

技术领域

本发明隶属于遥感数字图像处理中的红外数据处理领域，具体涉及一种基于深度稀疏低秩神经网络的红外图像中弱小目标检测的算法。

背景技术

具有夜间探测能力的红外弱小目标检测在目标搜索与跟踪系统中具有重要意义，该系统已广泛应用于军事监视和精确制导武器领域。目前公认的对红外弱小目标的定义为红外目标的大小在2×2和9×9的范围内，或者占整个图像的比例小于0.15％。红外搜索与跟踪系统依赖于目标检测方法的精确检测结果。然而，由于红外弱小目标常常具备体积小、亮度低特点，使其通常不具备空间特征。并且待检测的目标往往处于复杂背景中或者受到海杂波、云杂波的影响，使得噪声和背景经常被错误检测为目标。

近年来，许多学者致力于提高红外弱小目标检测方法的性能，并针对这一任务提出了各种检测算法。通常，所提出的红外弱小目标检测方法可大致分为两类，即检测前跟踪算法和跟踪前检测算法。基于检测前跟踪的方法旨在基于一致轨迹假设的前提下，在多帧图像中跟踪红外弱小目标。许多检测前跟踪算法是基于3D匹配滤波、最大似然估计算提出的。这类算法通常需要处理数百帧的数据，因此一般具有较高的时间复杂度。基于跟踪前检测方法的模型旨在抑制背景并突出显示小目标。这类方法目前分为4种：基于背景空间一致性方法、基于神经网络的学习模型、基于目标显著性方法和基于红外块图像方法。这些算法都需要计算目标和背景的特性，通过目标增强和背景抑制的方式来检测图像。然而，由于弱小目标不具备特异性的空间特征，使得跟踪前检测方法经常受到背景和噪声的干扰。

发明内容

本发明为了解决不同环境背景下，红外图像中弱小目标精确检测的问题，提出了一种基于深度稀疏低秩神经网络的红外弱小目标检测方法。通过构建的稀疏红外图像块模型检测红外小目标，利用交替方向乘子法对模型中的变量进行迭代更新，并将构建的模型展开成卷积神经网络以更新模型参数，以获得最终的目标检测结果。

为解决上述难题，本发明采取授权书内容的技术方案为：

本发明的技术要点为：输入一张待检测的红外图像，并在红外图像中设置一个从左上到右下移动的滑动窗口来提取红外局部图像块。矢量化这些局部图像块，形成图像块矩阵。因为背景信息通常具有低秩特性，而且弱小目标在每个图像块中具有稀疏特性，我们构建优化方程来解决红外弱小目标检测问题。此外，在稀疏正则项中使用学习稀疏变换来抑制边缘和角点。提出的优化模型可以用交替方向乘子法算法有效地求解。最后，将提出的弱小目标检测模型的迭代步骤展开到深度网络中。提出的深度稀疏低秩神经网络包含四层，分别是稀疏先验层、低秩先验层、重构层和乘子更新层。通过设计多个卷积神经网络层对学习稀疏变换进行训练。网络中的参数在不同层之间进行训练和共享。

本发明为解决红外弱小目标检测问题所采取的技术方案是：

步骤一、输入一张空间尺寸为M×N的红外图像f_D。设计一个滑动窗口w，按照固定步长s从红外图像f_D的左上角移动到右下角，提取红外图像f_D中的局部图像块。并将提取得到所有局部图像块向量化，组成空间尺寸为m×n的红外块图像D；