(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211373188.5 (22)申请日 2022.10.31 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 周艳辉　邓楷文　葛晨阳　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 覃婧婵 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种红外图像小目标检测方法 (57)摘要 一种轻量化红外图像小目标检测的方法， 包 括如下步骤： S100： 采用基于YOLOIR轻量化检测 网络得到小目标红外图像， 其中， 所述基于 YOLOIR轻量化检测网络 结构包括骨干网络、 自适 应特征融合模块、 Attention注意力特征融合模 块和回归头预测模块； S200： 对于所生成的小目 标红外图像进行增强处理。 该方法具有小目标图 像检测准确、 清晰， 支持实时生成的特点， 可广泛 用于智能车、 智能家居、 机器人等领域的自然交 互。 权利要求书1页 说明书6页 附图2页 CN 115546500 A 2022.12.30 CN 115546500 A 1.一种轻量 化红外图像小目标检测的方法， 包括如下步骤： S100： 采用基于YOLOIR轻量化检测网络得到小目标红外图像， 其 中， 所述基于YOLOIR轻 量化检测网络结构包括骨干网络、 自适应特征融合模块、 Attent ion注意力特征融合模块和 回归头预测模块； S200： 对于所生成的小目标红外图像进行增强处 理。 2.根据权利要求1所述的方法， 优选的， 所述骨干网络为轻量级网络Shuf fleNet。 3.根据权利要求1所述的方法， 所述回归头预测模块中的检测头进行解耦， 加入1 ×1卷 积解耦头 。 4.根据权利要求1所述的方法， 其中， 步骤S10 0进一步包括如下步骤： S101： 先验 锚框的生成以及锚框和目标框的匹配； S102： 端到端对输入图像进行 特征提取、 特 征融合最终生成特 征图； S103： 将得到的特征图分别经过目标框坐标回归分支和所属类别置信度回归分支回归 出检测目标在当前坐标系下的坐标和所属类别的最大置信度。 5.如权利要求4所述的方法， 步骤S101中锚框和目标框的匹配进一步包含如下步骤： 将 目标框的宽高相对于锚框的宽高的转换变换到对数空间。 6.根据权利要求 4所述的方法， 步骤S102进一 步包括如下步骤： S1021： 输入图像经 过一个由卷积层堆叠所构成的骨干网络进行 特征提取； S1022： 将骨干网络中间某两层的特征以及最后一层的特征抽取出来送入自适应特征 融合模块进行处 理， 得到三个不同层级的自适应特 征图； S1023： 将骨干网络中间某两层的特征以及最后一层的特征抽取出来送入Attention注 意力特征融合模块进行处 理， 得到三个不同层级带有注意力的特 征图； S1024： 将步骤S102 2和S1023中得到的特 征图进行co ncat融合， 并得到最终的特 征图。 7.根据权利要求6所述的方法， 所述自适应特征融合模块是一种改进的自适应融合 FPN。 8.根据权利 要求6所述的方法， 所述Attention注意力特征融合模块中的查询来自于浅 层特征图的非线性变换， 键和值均来自于深层特 征图经过上采样后的线性变换。 9.如权利要求4所述的方法， 步骤S103中回归目标框坐标的损失函数为针对小目标优 化的交并比损失。 10.如权利要求1所述的方法， 步骤S200中的增强处理包括： 红外图像去噪、 Gamma校正 和超分辨 率。权　利　要　求　书 1/1 页 2 CN 115546500 A 2一种红外图像小目标 检测方法 技术领域 [0001]本公开属于计算机视觉、 模式识别和人工智能技术领域， 特别涉及一种红外图像 小目标检测方法。 背景技术 [0002]随着智能化时代的到来， 人们对视觉系统的应用场景要求越发多样性， 由于可见 光摄像头对光照尤为敏感， 在低亮度或微光环境下存在一定的局限性。 因此红外目标检测 体现出很大的优势和价值。 红外图像具有很强的抗干扰能力， 对热源敏感， 在许多 领域都存 在迫切需求， 如无人机、 智能家居、 机器人、 医疗国防等。 另一方面， 现有的算法多针对近距 离的人、 车检测。 如何获得高精度、 高准确率的微小红外目标已经成为目标检测研究的关 键。 [0003]传统视频流目标检测的一般步骤： 对输入的视频流中的图像进行逐帧目标检测， 先进过特征提取模块输出图像的特征图， 再进过特征融合模块对提取到的特征进 行融合处 理， 得到低维度和高维度信息融合后的特征图， 最后将特征图进 行回归预测， 回归预测得到 检测框的坐标参数以及目标检测的种类置信度， 最终将结果返回到输入图像中。 目前主流 的YOLO等目标检测算法一方面没有针对红外、 微小目标的特点进行额外的设计， 所以直接 用红外数据对微小目标检测的精度难以保证。 另一方面， 模型参数量和计算量普遍 过大， 无 法在移动端达 到实时。 发明内容 [0004]为了解决上述问题， 本 公开提供了一种基于YOLOIR轻量化 红外图像小目标检测的 方法， 包括如下步骤： [0005]S100： 采用基于YOLOIR轻量化检测网络得到小目标红外图像， 其中， 所述基于 YOLOIR轻量化检测网络结构 包括骨干网络、 自适应特征融合模块、 Attention注意力特征融 合模块和回归头预测模块； [0006]S200： 对于所生成的小目标红外图像进行增强处 理。 [0007]通过上述技术方案， 将小目标检测基于YOLOIR的检测网络实现， 具备微小检测定 位准、 精度高、 支持实时生成的特点。 该方法不仅适用于红外图像小目标检测， 也适用于 RGB‑IR视频流中的动态小目标检测， 可广泛用于智能车、 智能家居、 机器人等领域的自然交 互。 本方法可以实现在移动端的实时准确稳定的红外微小目标检测。 附图说明 [0008]图1是本公开一个实施例中所提供的一种基于YOLOIR轻量化 红外图像小目标检测 的方法的流 程示意图； [0009]图2是本公开一个实施例中基于YOLOIR轻量化 红外图像小目标检测网络对微小目 标检测的处 理过程图；说　明　书 1/6 页 3 CN 115546500 A 3