【技術實現步驟摘要】
本專利技術屬于退化圖像目標檢測領域，具體涉及一種聯合紅外非均勻偏差場校正的無人機檢測方法及系統。
技術介紹
1、在現有的紅外無人機監控系統中，由于溫度引起的低頻非均勻性效應常導致圖像質量下降，嚴重影響無人機目標的檢測性能。現有方法在進行非均勻性校正后，再進行目標檢測，往往無法有效提高檢測的精度和可靠性。現有研究大多將非均勻性校正和目標檢測分開處理，未能有效解決二者相互影響的問題。
2、當前的非均勻性校正方法主要分為基于模型和基于深度學習的兩類。基于模型的方法通常通過雙變量多項式擬合來校正圖像偏差，但在處理復雜或嚴重退化的非均勻性場景時，容易出現過擬合或收斂性差的問題。現有基于模型的校正方法對專家經驗的依賴性強，容易導致校正過度或不足，尤其在面對復雜或嚴重退化的圖像時，難以獲得滿意效果。基于深度學習的方法則依賴于復雜的網絡結構和大量的高質量訓練數據，但在實際應用中難以獲得真實的退化和清晰圖像對，導致其應用效果受限。
3、更重要的是，現有的研究多關注于提高圖像視覺質量，而較少考慮非均勻性校正對目標檢測的影響，缺乏一個能夠同時解決這兩個問題的統一框架，使得在復雜環境中的無人機目標檢測仍然面臨較大挑戰。
技術實現思路
1、本專利技術的目的在于克服現有紅外無人機圖像處理中非均勻性效應和無人機目標檢測不能同時聯合處理的問題，提出了一種聯合紅外非均勻偏差場校正的無人機檢測方法及系統。
2、為達到上述目的，本專利技術采用如下技術方案：
3、第一方面，
4、獲取退化紅外圖像，將退化紅外圖像輸入紅外圖像非均勻校正與無人機檢測統一框架進行非均勻校正與無人機目標檢測，輸出無人機目標檢測結果；
5、所述紅外圖像非均勻校正與無人機檢測統一框架包括偏差場校正模塊和無人機目標檢測模塊，偏差場校正模塊包括偏差場預測網絡和偏差場清除結構；
6、所述將退化紅外圖像輸入紅外圖像非均勻校正與無人機檢測統一框架進行非均勻校正與無人機目標檢測，包括以下步驟：
7、將退化紅外圖像輸入偏差場校正模塊，經過偏差場預測網絡進行偏差場預測生成預測偏差場，將預測偏差場與退化紅外圖像輸入偏差場清除結構清除退化紅外圖像中的預測偏差場得到校正圖像；
8、將校正圖像傳輸到無人機目標檢測模塊進行無人機識別得到校正圖像中的無人機目標。
9、進一步地，所述偏差場預測網絡包括下采樣、全局與局部特征編碼器、卷積、全連接和偏差場預測模型；
10、所述將退化紅外圖像輸入偏差場預測模塊進行偏差場預測生成預測偏差場，包括如下步驟：
11、對退化紅外圖像進行下采樣得到下采樣退化紅外圖像，將下采樣退化紅外圖像輸入全局與局部特征編碼器進行特征提取，獲取退化紅外圖像的非均勻性特征；將退化紅外圖像的非均勻性特征輸入卷積進行卷積操作后，輸入全連接層進行全連接操作，得到整合估計特征；將整合估計特征輸入偏差場預測模型進行偏差場預測，得到預測偏差場；
12、所述全局與局部特征編碼器包括全局編碼器和局部編碼器，所述全局編碼器提取下采樣退化紅外圖像的全局非均勻性特征，所述局部編碼器提取下采樣退化紅外圖像的局部非均勻性特征，所述下采樣退化紅外圖像的全局非均勻性特征與下采樣退化紅外圖像的局部非均勻性特征融合后得到退化紅外圖像的非均勻性特征。
13、進一步地，所述偏差場預測模型如下所示：
14、
15、
16、其中， b( xi, yj)表示偏差場圖像，( xi, yj)表示圖像中的坐標位置值， d表示多項式階數，表示單個系數， t和 s為中間變量，表示所有多項式系數組成的系數向量； fc表示全連接操作，conv5表示5個卷積操作， ffused表示通過全局與局部特征編碼器得到的退化紅外圖像的非均勻性特征。
17、進一步地，所述無人機目標檢測模塊包括多層卷積神經網絡、損失優化和檢測頭，所述損失優化包括目標增強與背景抑制損失和偏置魯棒損失；
18、所述將校正圖像傳輸到無人機目標檢測模塊進行無人機識別得到校正圖像中的無人機目標，包括如下步驟：
19、將校正圖像輸入多層卷積神經網絡對各個特征提取層進行不同尺度的目標特征提取得到校正圖像特征圖，對校正圖像特征圖利用目標增強與背景抑制損失和偏置魯棒損失進行聯合優化，得到背景噪聲干擾抑制后的多層次特征，將背景噪聲干擾抑制后的多層次特征進行特征融合后通過檢測頭輸出無人機目標檢測結果，所述目標檢測結果包括無人機的位置信息和置信度。
20、進一步地，所述目標增強與背景抑制損失的計算公式如下式所示：
21、
22、
23、其中， ltebs表示目標增強與背景抑制損失， lce (·,·)表示交叉熵損失， m表示背景框的二進制掩碼， x表示圖像橫坐標， y表示圖像縱坐標， fi表示多層卷積神經網絡的第 i階段的特征圖，target?region表示目標區域，background?region表示背景區域。
24、進一步地，所述偏置魯棒損失的計算公式如下式所示：
25、
26、其中，表示偏置魯棒損失，表示多層卷積神經網絡的第 i階段的余弦相似度。
27、第二方面，本專利技術提供一種聯合紅外非均勻偏差場校正的無人機檢測裝置，利用所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，包括無人機監控設備，所述無人機監控設備包括紅外攝像頭和嵌入式處理器，所述紅外攝像頭和嵌入式處理器連接，所述嵌入式處理器設置圖像處理單元，所述圖像處理單元包括偏差場校正模塊與目標檢測模塊。
28、第三方面，本專利技術提供一種聯合紅外非均勻偏差場校正的無人機檢測系統，利用所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，包括：
29、紅外圖像獲取模塊，用于獲取退化紅外圖像；
30、無人機檢測模塊，用于將退化紅外圖像輸入紅外圖像非均勻校正與無人機檢測統一框架進行非均勻校正與無人機目標檢測，輸出無人機目標檢測結果；所述紅外圖像非均勻校正與無人機檢測統一框架包括偏差場校正模塊和無人機目標檢測模塊，偏差場校正模塊包括偏差場預測網絡本文檔來自技高網...
【技術保護點】
1.一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏差場預測網絡包括下采樣、全局與局部特征編碼器、卷積、全連接和偏差場預測模型；
3.根據權利要求2所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏差場預測模型如下所示：
4.根據權利要求1所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述無人機目標檢測模塊包括多層卷積神經網絡、損失優化和檢測頭，所述損失優化包括目標增強與背景抑制損失和偏置魯棒損失；
5.根據權利要求4所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述目標增強與背景抑制損失的計算公式如下式所示：
6.根據權利要求4所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏置魯棒損失的計算公式如下式所示：
7.一種聯合紅外非均勻偏差場校正的無人機檢測裝置，利用權利要求1-6任一項中所述的一種聯合紅外非均勻偏差場校正的
8.一種聯合紅外非均勻偏差場校正的無人機檢測系統，利用權利要求1-6任一項中所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現權利要求1-6任一項中所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-6任一項中所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法。
...【技術特征摘要】
1.一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏差場預測網絡包括下采樣、全局與局部特征編碼器、卷積、全連接和偏差場預測模型；
3.根據權利要求2所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏差場預測模型如下所示：
4.根據權利要求1所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述無人機目標檢測模塊包括多層卷積神經網絡、損失優化和檢測頭，所述損失優化包括目標增強與背景抑制損失和偏置魯棒損失；
5.根據權利要求4所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述目標增強與背景抑制損失的計算公式如下式所示：
6.根據權利要求4所述的一種聯合紅外非均勻偏差場校正的無人機檢測方法，其特征在于，所述偏置魯棒損失的計算公式如下式所示：
7.一種聯合紅外非...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。