增强型轻量级网络的红外小目标检测_刘坚.pdf

第 44 卷 第 4 期2023 年 4 月 激光杂志LASER JOURNALVol.44,No.4April,2023http /收稿日期:2022-07-11基金项目:江西省科技厅自然科学基金(No.20202BABL212005)作者简介:刘坚(1982-),男,硕士,讲师,研究方向:计算机应用。增强型轻量级网络的红外小目标检测刘 坚,江 峰萍乡学院,江西 萍乡 337000摘 要:当前红外小目标检测方法存在一定的缺陷,如检测精度低,易受外界环境干扰。为了实现高精度红外小目标检测,提出基于增强型轻量级网络的红外小目标智能检测方法。该方法采集红外小目标的红外图像,采用小波变换对红外图像进行预见处理,然后提取红外小目标检测特征,并采用增强型轻量级网络技术实现红外小目标智能检测。经测试分析证明:该方法的红外小目标采集数量正确比重为 1 左右,受外界环境干扰较小,频谱有效带宽信号频率集中在 275 kHz 附近;红外小目标检测边界相对误差均为 1%左右,边界绝对误差低于 1 mm,检测精度高于 98.2%,检测时间低于 5.9 ms,提高了检测效果。关键词:增强型轻量级网络;红外小目标;检测提取;仿真测试中图分类号:TN292 文献标识码:A doi:10.14016/ki.jgzz.2023.04.249Infrared small target detection based on enhanced lightweight networkLIU Jian,JIANG FengPingxiang University,Pingxiang Jiangxi 337000,ChinaAbstract:The current infrared small target detection methods have certain defects,such as low detection accuracy and easy interference from the external environment.In order to achieve high-precision infrared small target detection,an intelligent detection method based on enhanced lightweight network is proposed.This method collects the infrared image of infrared small target,predicts the infrared image by wavelet transform,extracts the detection characteristics of infrared small target,and realizes the intelligent detection of infrared small target by using enhanced lightweight net-work technology.Test and analysis show that the correct proportion of infrared small target acquisition quantity of this method is about 1,the interference from the external environment is small,and the signal frequency of spectral effec-tive band is concentrated near 275 kHz;The relative error of infrared small target detection boundary is about 1%,the absolute error of boundary is less than 1 mm,the detection accuracy is higher than 98.2%,and the detection time is less than 5.9 ms,which improves the detection effect.Key words:enhanced lightweight network;small infrared targets;detection extraction;simulation test1 引言由于目标部位极小,很难直接发现,需要通过相关方法去完成红外小目标检测1-2。例如:有学者等人研究的基于非线性超声调制方法的目标识别与检测3,该方法通过对应变片单元和应变数据的划分和动态监控,保证异常应变数据能够及时发现,利用小概率事件原则完成判断,实现结构目标的检测。但该方法易受外界环境干扰,检测精度较差;有学者研究的基于多频率数据融合的红外波目标检测方法4,该方法通过小波分析提取多组特定频率下的信号后,利用加权平均处理方法获取目标位置到两换能器的距离之和,再采用基于椭圆检测法确定目标位置。该方法检测步骤较为复杂,检测时间较长。上述方法虽然能够完成目标检测,但是在多种频率及多种目标大小的情况下,检测能力较差。因此,提出基于增强型轻量级网络的红外小目标智能检测方法。利用 AE 传感器采集红外小目标的红外图像;采用小波变换甄别处理红外图像,采用基于 S0 模态异常能量的目标检测算法提取小目标检测特征;采用增强型轻量级网络技术计算能量异常值,实现红外小目标智能检测。http /2基于增强型轻量级网络的红外小目标智能检测2.1 红外小目标的红外图像采集红外小目标的红外图像采集装置主要包括三部分,分别是激励单元、传感单元、数据采集和控制单元5。其原理如图 1 所示。图 1 红外小目标的红外图像原理(1)激励单元:利用脉冲激光器产生的激光,对红外小目标图像的配点结构完成红外波激励6-7。(2)传感单元:利用 AE 传感器完成目标的采集配点结构中传播的红外波信号的检测8。(3)数据采集与控制单元:主要包括数据采集卡和计算机。数据采集卡能够完成在激光激发时的脉冲信号时,传感器同步输出的电压信号的采集,并将采集的信号传输及保存到计算机中9;计算机通过对信号发生器的控制,使发生器产生有规律的电压信号,以此完成振镜偏转控制,实现激光对目标的采集配点图像的二维面扫描10。红外小目标的红外图像采集流程如下:(1)根据被检测件的大小和检测的精度标准,通过计算获取激励所需的空间分辨率,即被检测件上各激励点的位置坐标11。(2)激励单元完成激光的激励光路调整后,发射激光脉冲。(3)激励单元在激光脉冲发出的同时产生一个触发信号,数据采集单元完成对信号的采集12,激励与信号采集的时间必须保证同步。(4)利用采集卡采集经过数据采集单元的滤波、放大等处理后的传感器接收到的响应信号,并保存在控制单元中13。(5)控制单元对保存的信号数据展开分析,并采用基于 S0模态异常能量的目标检测算法,完成对红外小目标的检测。其具体流程如图 2 所示。图 2 增强型轻量级网络红外小目标采集流程2.2 基于三维图像分析法的红外小目标采集为了精准无需实现红外小目标的检测,采用三维图像分析法处理红外小目标数据。三维图像分析法能够完成红外图像的甄别处理,对红外图像实行行为识别,并且能够同时完成 5 幅图像数量以上的识别14,设置已知的红外目标特征为eijij|i=1,2,Fj=1,2,p(1)通过目标鉴定构建 g2Fp矩阵为g2Fp=e11e1p11e1peF1eFpF1eFp|(2)如果采集红外图像序列共有 p 个数据点,每幅红外图像拥有 F 个帧,用矩阵中的元素表示红外小目标特征点 Gj为Gj=e1j 1j eFj Fj|(3)式中:红外小目标图片第 j 个目标特征点为 Gj。为了构建目标图像,需要完成点位红外小目标标记,选用的参数函数的变量差为gi=X1jY1jZ1jXFjYFjZFj|(4)其中,X、Y、Z 分别为图像的三维坐标,利用结构矩阵将其替换后,获取转变后的高阶矩阵 Hj,如果能够采用关联矩阵 PM4表示主体红外小目052刘坚,等:增强型轻量级网络的红外小目标检测http /标矩阵 Gj和 Hj的差,则将两种矩阵实行有效融合换算为PM4 =Hij-Gijquater(R)quater(Qi)Gij+Hi-Gij(5)式中:Gij为三维红外小目标数据的理论标记矩阵;Hij为转换后的三维红外小目标数据的理论标记矩阵;R和 Qi为融合相关系数。通过式(5)最终得出矩阵陈列式,实现红外小目标配点数据采集。2.3 基于 S0模态异常能量的目标检测算法采用基于 S0模态异常能量的目标检测算法,无须通过密集测量点重建波场,通过小波变换提取图像的有效信号,在此基础上利用移动时间窗提取红外波中的 S0模态信息作为特征值,利用增强型轻量级网络实现红外小目标检测,该方法可以显著节省红外小目标检测时间,提高检测效率。2.3.1 基于小波变换的有效信号提取设时域信号(t)的傅立叶变换为(),当()满足下述条件:C=-|()|2d (6)式中:为圆频率;d 为质点能量;将(t)看作一个母小波函数,对其实行伸缩和平移后得出:a,b(t)=1at-ba()(7)式中:t 为信号量;通过连续小波变换的手段完成信号分析后,提取较单一的模态和较窄的声波频带。信号f(t)连续小波变换的公式为V(a,b)=1a+-f(t)t-ba()dt(8)式中:连续小波变换的系数为 a,b。a 为表示信号的缩放程度即尺度因子;b 表示信号的平移量,即平移因子。由于 Morlet 母小波具备较好的聚集性,能够有效完成有效信号的提取,所以选择 Morlet 母小波,其函数表达公式为(t)=expt22()cos(5t)(9)使用连续小波变换提取中心频率为 f 的信号时,确定伸缩因子的公式为a=52ffs(10)式中:被处理信号的采样频率为 fs。为了便于处理后续信号,通过设置不同的伸缩因子,将不同中心频率的有效信号从宽频带的红外信号中分离出来。2.2.3 基于移动时间窗的目标特征值提取红外波在图像的上下表面及内部传播时,图像中质点产生振动,其振动形式十分复杂,会受到各种参数(图像厚度、频率等)的变化的影响产生变化15。根据图像表面目标配点的振动相位关系,可将红外波的传播模式分为对称模式和反对称模式,分别为用 S0和 A0表示。在图像中传播时,S0的波和 A0的波,不存在相互影响,两者相互独立。不同的红外波模式,具备不同的相速度和群速度,其大小取决于频率和图像厚度的乘积,即频厚积16。采用小波变换处理能够完成包含对称模态 S0和反对称模态 A0的图像红外波有效信号提取,因此,可以只提取红外波中的 S0模态信息作为特征值,完成目标检测,目标区域可以使用 S0模态发生突变区域代替17。为了评价 S0模态信号的影响,提取图像目标配点的任意点(x,y)的 S0模态能量值为特征值,通过移动的时间窗口获取特征值的公式为KS0(x,y)=Tc=nTcVS0(x,y,t)2dt(11)式中:红外波信号 S0模态的开始时间为 Tc;模态的持续时间为 n;激光对不同目标配点扫描时,采集到信号S0模态部分为 VS0(x,y,t)。2.2.4 基于增强型轻量级网络的能量异常计算采用增强型轻量级目标检测网络中的 Tiny-YOLOV3 目标检测模型,计算能量异常值,实现红外小目标检测。该种增强型轻量级网络具有高实时性、高检测精度的优点。主干网络为简化 YOLOV3,由 13个卷积层,6 个池化检测层,1 个维度连接层构成。由于实际上红外小目标会导致垂直于红外波传播方向的目标配点能量产生异常18,因此,利用增强型轻量级网络完成能量异常计算,得出每个测量点与其周围四个红外小目标配点的差异。假设检测区域内某一红外小目标配点为 m1j,该红外小目标配点附近的四个目标配点分别为 m(l-1)j、ml(j-1)、ml(j+1)、m(l+1)j。根据公式(6)计算这些目标配点的 So模态能量值,分别为Klj、K(l-1)j、Kl(j-1)、Kl(j+1)、K(l+1)j。该点处的能量值定义为 lq,其计算公式为lj=|4Klj-K(l-1)j-Kl(j-1)-Kl(j+1)-K(l+1)j|(12)利用增强型轻量级网络计算得出检测区域的每一个目标配点处的能量异常值 lj。假如检测区域共有红外小目标配点数量 XY 个,忽略不计算边界上缺少用于对比的目标配点的点以外,通过计算能够得出能量异常值的数量为(x-2)(y-2)。根据不同位置的能量异常值完成检测区域内的强度图的生成,强度图中任意点 wxy的像素值为 xy。Tiny-YOLOV3 检测层根据输入的图像像素能量值数据,在 XY2 个尺度152刘坚,等:增强型轻量级网络的红外小目标检测http /上的每个神经元中设置多个锚点框以检测目标,输出图像数据的多个滑动窗口位置及该窗口中检测到的目标散射边界和中心成像峰值位置。输出的数据通过维度连接层输入卷积层。由于红外图像的单通道特点,为了提高网络的实时检测能力,在网络中的第一个卷积层采用单通道卷积核的方式进行迭代检测。直到提取出红外波中的所有信息位置特征,目标配点全部对应边界和峰值位置,结束迭代,输出红外信号检测结果,完成目标检测。3 仿真实验3.1 采集性能测试为测试本方法的采集性能,采用文献3和文献4方法进行对比测试,分别测试三种方法对于红外小目标图像采集情况,并统计对比结果,如图 3 所示。测试过程中将红外小目标图像平均分为 6 组进行测试,检测的小目标实例是天空中的飞机,如图 3 所示。图 3 检测目标对图 4 测试结果分析后可以得出:本方法的红外小目标采集数量正确比重为 1 左右;而文献3方法的红外小目标采集数量正确比重为 0.92 左右,文献4方法的红外小目标采集数量正确比重为 0.8 左右,均低于本方法,说明本方法对于红外小目标采集精准度较高,具备较好的采集性能。图 4 红外小目标图像的采集正确比重3.2 红外小目标检测性能测试为了测试本方法的滤波、去噪性能,随机抽取 1幅目标图像,采集原始信号和频谱,采样频率为10 MHz,采样时间为 120 s。采样完成后,利用小波变换提取有效信号和频谱。结果如图 5 所示。分析图 5 能够看出:采集原始信号模态数量较多、频率分散不集中,会导致有效特征很难提取;经小波变换提取有效带宽信号和频谱后,信号的模态数量明显减少,频谱有效带宽信号的频率集中在 275 kHz 附近,信号的其他频率成分大幅度减少,该情况能使目标检测的精准度提高,因此,说明本方法具备较好的检测性能。(a)原始信号(b)原始信号频谱(c)小波变换提取有效信号(d)小波变换提取有效信号频谱图 5 去噪性能测试结果252刘坚,等:增强型轻量级网络的红外小目标检测http /三种方法对于不同尺寸红外小目标的检测结果如表 1表 3 所示。分析表 1 能够得出:在四种不同红外小目标尺寸的情况下,成像峰值位置即为红外小目标的存在位置,检测的成像位置均与实际中心点的位置较为接近,误差较小。并且四种不同红外小目标尺寸的情况下,边界相对误差均为 1%左右,说明本方法能够准确识别出红外小目标散射边界。对红外小目标的识别能力较高,本方法具备良好的有效性和优越性。表 1 本方法不同尺寸大小的红外小目标检测结果目标半径/mm边界绝对误差/mm边界相对误差/%检测准确率/%检测时间/ms21.01.02%98.25.240.30.34%99.55.760.50.51%99.35.580.20.18%99.75.9表 2 文献3方法的红外小目标检测结果目标半径/mm边界绝对误差/mm边界相对误差/%检测准确率/%检测时间/ms22.72.19%96.77.143.12.38%95.27.362.41.94%97.56.883.52.86%95.46.4表 3 文献4方法的红外小目标检测结果目标半径/mm边界绝对误差/mm边界相对误差/%检测准确率/%检测时间/ms23.22.41%94.87.543.42.83%93.27.162.92.14%96.86.583.62.95%92.97.34 结论为了实现红外小目标的检测,提出基于增强型轻量级网络的红外小目标智能检测方法。首先采集红外小目标,然后对红外小目标进行预处理,最后采用设计了增强型轻量级网络的目标检测算法,实现了不同目标大小红外小目标检测。经实验分析得出:本方法能够在多种情况下保证测量红外小目标的准确检测,具备较好的有效性和优越性。接下来的研究中,需要针对在不同目标角度的情况下利用本方法完成红外小目标的检测以及定性定量的研究。参考文献1 王芳,李传强,伍博,等.基于多尺度特征融合的红外小目标检测方法J.红外技术,2021,43(07):688-695.2 朱金辉,张宝华,谷宇,等.基于双邻域对比度的红外小目标检测算法J.激光技术,2021,45(06):794-798.3 韩金辉,蒋亚伟,张小件,等.采用三层窗口局部对比度的红外小目标检测J.红外与激光工程,2021,50(02):244-253.4 何巍,安博文,潘胜达.局部对比度先验下基于低秩模型的红外小目标检测方法J.光子学报,2021,50(11):350-366.5 吴双忱,左峥嵘.基于深度卷积神经网络的红外小目标检测J.红外与毫米波学报,2019,38(03):371-380.6 樊俊良,高永明,吴止锾,等.基于 RPCA 的单帧红外小目标检测算法J.兵器装备工程学报,2018,39(11):147-151.7 张国峰,马洪兵,艾斯卡尔艾木都拉.基于权重强化局部方差对比的红外小目标检测J.电讯技术,2021,61(10):1263-1269.8 吴健,陆书文,芮大庆,等.基于背景抑制的改进 Top-Hat红外小目标检测方法J.电光与控制,2018,25(09):42-44.9 孙泽军,丁萌,王洁,等.基于频域显著性分析的红外小目标检测算法J.电光与控制,2017,24(10):1-6.10 解婷,陈忠,马荣毅.一种基于 PGF、BEMD 和局部逆熵的新型红外小目标检测方法J.红外与毫米波学报,2017,36(01):92-101.11 王东,王敏.基于多滤波算法融合的红外小目标检测J.应用光学,2017,38(01):106-113.12 赵爱罡,王宏力,杨小冈,等.基于非线性局部滤波的红外小目标检测方法J.工程科学学报,2016,38(11):1652-1658.13 杨春伟,刘华平,王仕成,等.基于协作稀疏编码的红外小目标检测J.光电子激光,2016,27(04):398-405.14 赵爱罡,王宏力,杨小冈,等.基于极端学习机背景预测的红外小目标检测算法J.中国惯性技术学报,2016,24(01):36-44.15 李正周,侯倩,戴真,等.基于空时稀疏表示的红外小目标检测算法J.兵工学报,2015,36(07):1273-1279.16 方义强,程正东,樊祥,等.一种基于方差标记的形态学红外小目标检测算法J.电子学报,2015,43(02):338-343.17 凌强,黄树彩,吴潇,等.基于核各向异性扩散的红外小目标检测J.强激光与粒子束,2015,27(01):101-106.18 田红彬.基于双边滤波和巴氏距离的红外小目标检测J.核电子学与探测技术,2014,34(10):1159-1163.352刘坚,等:增强型轻量级网络的红外小目标检测