本技术公开了基于空频域特征融合的空中红外弱小目标检测方法。该方法包括:获取若干个复杂背景下的红外弱小目标图像;将若干个复杂背景下的红外弱小目标图像按照预设比例进行划分,得到若干个复杂背景下的红外弱小目标图像的训练集和测试集;将复杂背景下的红外弱小目标图像的训练集输入至预构建的空频域特征融合的目标检测网络中,对预构建的空频域特征融合的目标检测网络进行训练,得到训练成功的空频域特征融合的目标检测网络。本发明解决了现有的卷积神经网络对复杂背景下的红外弱小目标进行检测,检测精度低,虚警与漏检率较高的技术问题。
背景技术
为了解决红外弱小目标检测的问题,已有多种传统方法被提出,主要分为滤波方法、局部对比度方法、低秩方法;然而,这些方法普遍依赖于先验知识,且对超参数较为敏感,导致它们在实际应用中需要与特定数据集紧密匹配,限制了其通用性和灵活性;此外,传统数学建模算法设计复杂,往往难以有效应对多样化的实际场景,泛化能力较弱;这些因素使得传统方法在复杂背景下的红外弱小目标检测任务中表现不佳。
近年来,随着深度学习技术的发展,卷积神经网络(Convolutional NeuralNetworks,简称为 CNN)凭借其卓越的特征提取和模型拟合能力,在红外弱小目标检测领域崭露头角并逐渐占据主导地位。通过大量样本数据的训练,CNN能够自动学习并提取出数据中复杂的层次化特征,显著提高了目标与背景的区分能力和弱小目标的检测精度。尽管基于深度学习的检测算法有更好的适应性,但由于红外弱小目标成像面积小、受噪声干扰严重,且存在运动模糊和变形,而卷积神经网络结构在对局部信噪比较低的图像进行特征提取时具有敏感度低、特征信息消失等不利因素,复杂背景下的红外弱小目标检测仍然会存在检测精度低,虚警与漏检率较高等难点。因此迫切需要对基于深度学习的红外弱小目标检测方法进行深入研究,提高其检测性能。
实现思路