本技術(shù)涉及計算機視覺和圖像處理，尤其涉及一種基于多分支交互引導的紅外小目標檢測方法和裝置。

背景技術(shù)：

1、近年來，紅外小目標檢測在軍事監(jiān)視、安防監(jiān)控以及災難救援等領域的應用逐漸增多，尤其在夜間和復雜環(huán)境中具有不可替代的重要性。由于紅外圖像能夠在低光照或全黑的條件下提供清晰的圖像信息，因此，紅外小目標的檢測能夠有效補充傳統(tǒng)可見光目標檢測的不足，具有廣泛的應用前景。在現(xiàn)代戰(zhàn)場和復雜的監(jiān)控場景中，紅外小目標的實時檢測不僅是保障安全的重要手段，也是提升作戰(zhàn)效果的關鍵因素。因此，如何準確、實時地檢測紅外小目標，成為當前目標檢測領域的研究重點。

2、然而，現(xiàn)有的紅外小目標檢測方法面臨諸多挑戰(zhàn)。傳統(tǒng)的紅外小目標檢測方法多依賴于手工特征和傳統(tǒng)圖像處理技術(shù)，盡管這些方法在一定程度上能夠識別目標，但在復雜背景和噪聲干擾下，檢測效果不穩(wěn)定，尤其是在低對比度、模糊的圖像中，難以提取有效的目標特征。而基于深度學習的檢測方法雖然取得了較大的進展，但大多數(shù)方法在面對小目標時，往往存在目標與背景對比度低、尺度差異大、噪聲干擾嚴重等問題，導致檢測精度和魯棒性不足。現(xiàn)有的方法普遍缺乏充分利用多尺度和多信息的能力，特別是在復雜場景中，難以兼顧不同尺度的小目標的檢測，尤其在關鍵時刻的精準目標識別方面存在挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種基于多分支交互引導的紅外小目標檢測方法和裝置，旨在針對圖像中缺乏清晰的形態(tài)和紋理特征的情況，提高紅外目標檢測的精度。

2、為實現(xiàn)上述目的，本技術(shù)提供一種基于多分支交互引導的紅外小目標檢測方法，包括：獲取待檢測的紅外圖像；基于預構(gòu)建的無損編碼器分支處理所述待檢測的紅外圖像，得到第一紅外特征圖，其中，所述無損編碼器分支的第一編碼器基于haar小波變換處理后的降采樣模塊構(gòu)建；基于預構(gòu)建的邊緣檢測分支處理所述待檢測的紅外圖像，得到第二紅外特征圖，其中，所述邊緣檢測分支包括依次通信連接的第二編碼器和解碼器，所述編碼器和所述解碼器均基于全局平均池化和多層感知器構(gòu)建；基于預構(gòu)建的定位分支處理所述待檢測的紅外圖像，得到第三紅外特征圖，其中，所述定位分支基于多核池化模塊和多個第一卷積模塊構(gòu)建；利用預構(gòu)建的多分支引導融合模塊分別提取所述第一紅外特征圖、所述第二紅外特征圖和第三紅外特征圖的各自的深度特征，并基于交互導模塊對各所述深度特征進行變換，得到所述紅外圖像中的小目標檢測結(jié)果。

3、可選地，所述無損編碼器分支包括：依次通信連接的無損編碼器和多級特征融合模塊。

4、可選地，所述多級特征融合模塊包括：級聯(lián)的至少一個殘差模塊以及級聯(lián)的多個第一上采樣模塊；其中，級聯(lián)的至少一個殘差模塊的輸入端通信連接所述第一編碼器的輸出端，輸出端通信連接級聯(lián)的多個第一上采樣模塊的輸入端，且所述第一編碼器的輸出端均與多個所述第一上采樣模塊的輸入端通信連接，所述第一上采樣模塊的數(shù)量與所述降采樣模塊中下采樣的次數(shù)相同。

5、可選地，所述降采樣模塊包括：特征金字塔模塊，用于提取所述待檢測的紅外圖像的多尺度特征圖，并在所述特征金字塔模塊的下采樣階段，利用haar小波變換處理各所述多尺度特征圖，得到四個子特征圖，組合四個所述子特征圖，得到通道數(shù)為原所述多尺度特征圖四倍的各所述多尺度特征圖。

6、可選地，所述基于預構(gòu)建的定位分支處理所述待檢測的紅外圖像，得到第三紅外特征圖，包括：利用多個所述具有不同內(nèi)核大小的池化模塊分別對輸入的所述紅外圖像分別進行最大池化操作，對應得到大小不同的各目標檢測圖像；利用所述紅外圖像與各所述目標檢測圖像的差值，對應得到背景噪聲抑制后的各所述目標檢測圖像；對各所述目標檢測圖像進行聚合處理，得到聚合后的目標檢測圖像；依次利用殘差連接的各所述第一卷積模塊對聚合后的目標檢測圖像進行定位特征提取，得到第三紅外特征圖。

7、可選地，在所述無損編碼器分支和所述邊緣檢測分支之間設有融合模塊，所述融合模塊的兩個輸入端分別連接所述第一編碼器和所述第二編碼器，所述第一編碼器輸出第二子特征圖，所述基于預構(gòu)建的邊緣檢測分支處理所述紅外圖像，得到第二紅外特征圖，包括：利用全局平均池化和多層感知器對所述紅外圖像中的所述小目標的邊緣細節(jié)進行保護，得到第一子特征圖；利用所述融合模塊對所述第二子特征圖和所述第一子特征圖進行特征融合，得到第三子特征圖，并將所述第一子特征圖和所述第三子特征圖進行殘差連接，得到第四子特征圖；利用所述解碼器對所述第四子特征圖進行解碼操作，得到第二紅外特征圖。

8、可選地，所述解碼器包括依次通信連接的多個第二上采樣模塊、卷積模塊和激活模塊，且各所述上采樣模塊均通信連接所述編碼器，所述利用所述解碼器對所述第四子特征圖進行卷積操作，得到第二紅外特征圖，包括：利用多個所述第二上采樣模塊對輸入的所述第四子特征圖進行上采樣處理，得到與所述紅外圖像尺寸相同的第五子特征圖；利用所述卷積模塊對所述第五子特圖進行邊緣特征提取，得到第六子特征圖；利用激活模塊對所述第六子特征圖進行邊緣特征增強處理，得到第二紅外特征圖。

9、可選地，所述基于預構(gòu)建的無損編碼器分支處理所述待檢測的紅外圖像，得到第一紅外特征圖，包括：利用所述無損編碼器對所述紅外圖像進行無損降采樣處理，得到無損編碼圖；殘差連接所述無損編碼圖和所述第三子特征圖，得到第七子特征圖；利用多個所述第一上采樣模塊依次對所述第七子特征圖進行尺寸恢復處理，得到一紅外特征圖。

10、可選地，多分支引導融合模塊包括卷積引導子模塊和sobel引導子模塊，所述利用預構(gòu)建的多分支引導融合模塊分別提取所述第一紅外特征圖、所述第二紅外特征圖和第三紅外特征圖的各自的深度特征，基于交互導模塊對各所述深度特征進行變換，得到所述紅外圖像中的小目標檢測結(jié)果，包括：對所述第一紅外特征圖、所述第二紅外特征圖和第三紅外特征圖進行拼接處理，得到具有深度特征的第四紅外特征圖；利用所述卷積引導子模塊處理所述第四紅外特征圖，得到第一引導特征圖；計算所述第一引導特征圖和所述第一紅外特征圖的差值，得到第五紅外特征圖；基于所述sobel引導子模塊處理所述第四紅外特征圖，得到第二引導特征圖計算所述第二引導特征圖和所述第五紅外特征圖，得到第六紅外特征圖；利用殘差模塊對所述第六特征圖進行處理，得到所述紅外圖像中的所述小目標檢測結(jié)果。

11、此外，為實現(xiàn)上述目的，本技術(shù)還提供一種基于多分支交互引導的紅外小目標檢測裝置，包括：獲取模塊，用于獲取待檢測的紅外圖像；無損檢測模塊，用于基于預構(gòu)建的無損編碼器分支處理所述待檢測的紅外圖像，得到第一紅外特征圖，其中，所述無損編碼器分支的第一編碼器基于haar小波變換處理后的降采樣模塊構(gòu)建；邊緣檢測模塊，用于基于預構(gòu)建的邊緣檢測分支處理所述待檢測的紅外圖像，得到第二紅外特征圖，其中，所述邊緣檢測分支包括依次通信連接的第二編碼器和解碼器，所述編碼器和所述解碼器均基于全局平均池化和多層感知器構(gòu)建；定位模塊，用于基于預構(gòu)建的定位分支處理所述待檢測的紅外圖像，得到第三紅外特征圖，其中，所述定位分支基于多核池化模塊和多個第一卷積模塊構(gòu)建；融合模塊，用于利用預構(gòu)建的多分支引導融合模塊分別提取所述第一紅外特征圖、所述第二紅外特征圖和第三紅外特征圖的各自的深度特征，并基于交互導模塊對各所述深度特征進行變換，得到所述紅外圖像中的小目標檢測結(jié)果。

12、本技術(shù)實施例提出的一種基于多分支交互引導的紅外小目標檢測方法和裝置，通過獲取待檢測的紅外圖像；基于預構(gòu)建的無損編碼器分支處理待檢測的紅外圖像，得到第一紅外特征圖，其中，無損編碼器基于降采樣模塊和多級特征融合模塊構(gòu)建；基于預構(gòu)建的邊緣檢測分支處理待檢測的紅外圖像，得到第二紅外特征圖，其中，邊緣檢測分支包括依次通信連接的第二編碼器和解碼器，第二編碼器和解碼器均基于全局平均池化和多層感知器構(gòu)建；基于預構(gòu)建的定位分支處理待檢測的紅外圖像，得到第三紅外特征圖，其中，定位分支多核池化模塊和多個卷積模塊構(gòu)建；利用預構(gòu)建的多分支引導融合模塊分別提取第一紅外特征圖、第二紅外特征圖和第三紅外特征圖的各自的深度特征，并基于交互導模塊對各深度特征進行變換，得到紅外圖像中的小目標檢測結(jié)果，該方法由邊緣、定位和檢測三個分支組成，每個分支都從一個獨特的角度設計了一個專門的模塊。在檢測分支中，引入了一種多維無損編碼器，以減輕小目標中的特征損失，在定位分支中，通過可學習的多核模式從圖像中明確識別候選目標的目標定位策略，在邊緣分支中，采用簡單的池化體系結(jié)構(gòu)來增強模型保持目標形狀的能力，為了有效地利用不同分支的知識，引入了一個相互引導的融合模塊來調(diào)整分支內(nèi)部和分支之間的信息，使得各分支之間能夠有效共享信息，從而提升紅外目標檢測的精度和魯棒性。