(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 202210396793.8 (22)申请日 2022.04.15 (71)申请人 武汉工程大 学 地址 430074 湖北省武汉市洪山区雄楚大 街693号 (72)发明人 闵锋　杨朝源　熊文逸　刘朋　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 林文鑫 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/30(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种红外夜视场景 下小目标检测方法 (57)摘要 本发明公开了一种红外夜视场景下小目标 检测方法， 包括： 采集夜间带有小目标的图像或 视频； 对采集到的图像或视频进行逐帧分析， 筛 选剔除不含有预设的小目标的杂点图像， 得到有 效数据并统合形成有效数据集； 对有效数据分别 做高斯加噪、 椒盐加噪、 变明处理以及变暗处理 并分别保存 得到扩充数据， 并统合形成扩充数据 集； 利用k ‑means++算法对扩充数据进行聚类分 析； 对YOLOv 4模型中的主干网CSPDarknet 53进行 优化， 得到新的主干网CSPDarknet53 ‑deeper； 对 优化后的YOL Ov4模型训练形成新的检测模型； 通 过新的检测模 型对扩充数据进行目标检测。 本发 明能获得更适合小目标的先验框， 显著提升了对 夜间小目标检测的精度。 权利要求书1页 说明书4页 附图3页 CN 114821138 A 2022.07.29 CN 114821138 A 1.一种红外夜视场景 下小目标检测方法， 其特 征在于， 包括以下步骤： 采集夜间带有 小目标的图像或视频； 对采集到的图像或视频进行逐帧分析， 筛选剔除不含有预设的小目标的杂点图像， 得 到有效数据并统合形成有效数据集； 对有效数据分别做高斯加噪、 椒盐加噪、 变明处理以及变暗处理并分别保存得到扩充 数据， 并统合形成扩充数据集； 利用k‑means++算法对扩充数据进行聚类分析， 其中k ‑means++算法按如下原则选取K 个聚类中心： 假设已经选取了n个聚类中心(0<n<K)， 则在选取第n+1个聚类中心时， 距离当 前n个聚类中心越远的点会有更高的概 率被选为第n+1个聚类中心； 对YOLOv4模型中的主干网CSPD arknet53进行优化， 具体优化为： 对CSPD arknet53网络 中的每个小残差块做加深处理， 将卷积层设置的str ide设定为 1， 并将小残差块的卷积层数 在原有基础上增 加两层， 得到新的主干网CS PDarknet53‑deeper； 对优化后的YOLOv4模型训练形成新的检测模型； 通过新的检测模型对 扩充数据进行目标检测。 2.根据权利 要求1所述的一种红外夜视场景下小目标检测方法， 其特征在于， k ‑means+ +选取K个聚类中心的具体步骤为： 选取若干随机点作为 “种子点”， 对于每个随机点都计算其和最近的一个 “种子点”的距 离D(x)并保存在一个数组里， 然后把 这些距离加起 来得到Sum(D(x) )； 再取一个随机值， 用权重方式来取计算下一个 “种子点”； 该权重方式计算原则为： 先取 一个能落在Sum(D(x))中的随机值Random， 然后令Random＝Random ‑D(x)， 直到Random≤0， 此时的点 就是下一个“种子点”； 重复上述 步骤直到得到K个聚类中心。 3.根据权利 要求1所述的一种红外夜视场景下小目标检测方法， 其特征在于， 对YOLOv4 模型的优化还包括： 将YOLOv4的input  shape设置为640*640， 以使卷积层 获取更多的目标 特征。 4.一种计算机设备， 包括存储器、 处理器以及存储在存储器上并可在处理器上运行的 计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1‑3任一项所 述方法的步骤。 5.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1 ‑3任一项所述方法的步骤。权　利　要　求　书 1/1 页 2 CN 114821138 A 2一种红外夜视场景下 小目标检测方法 技术领域 [0001]本发明属于人工智能目标检测领域， 具体涉及一种红外夜视场景下小目标检测方 法。 背景技术 [0002]对于红外弱小目标， 占有像素少， 缺少颜色、 形状和纹理等细节信息， 检测难度很 大。 而且红外图像的获取 受环境因素和设备的影响， 会产生背 景噪声和固有噪声， 难以区分 噪声和弱小目标， 使得红外弱小目标检测更加困难。 [0003]传统的红外图像目标检测算法是利用人工设计比例模板， 通过人工设计的目标轮 廓提取方法， 对图像中目标轮廓进行特征提取并与比例模板进行比对， 对图像中的目标进 行判断和定位。 主要的传统检测方法有:梯度直方图算法、 局部二值模式特征算法、 尺度不 变特征检测算法及哈尔特征算法等。 特征提取方法和比例模板的设计对设计人员的经验和 专业知识要求较高， 且应用场景 单一， 泛化能力较弱。 发明内容 [0004]本发明的目的在于， 提供一种红外夜视场景下小 目标检测方法， 能获得更适合小 目标的先验框， 显著提升 了对夜间小目标检测的精度。 [0005]为解决上述技术问题， 本发明的技术方案为： 一种红外夜视场景下小 目标检测方 法， 包括以下步骤： [0006]采集夜间带有 小目标的图像或视频； [0007]对采集到的图像或视频进行逐帧分析， 筛选剔除不含有预设的小目标的杂点图 像， 得到有效数据并统合形成有效数据集； [0008]对有效数据分别做高斯加噪、 椒盐加噪、 变明处理 以及变暗处理并分别保存得到 扩充数据， 并统合形成扩充数据集； [0009]利用k‑means++算法对扩充数据进行聚类分析， 其中k ‑means++算法按如下原则选 取K个聚类中心： 假设已经选取了n个聚类中心(0<n<K)， 则在选取第n +1个聚类中心时， 距离 当前n个聚类中心越远的点会有更高的概 率被选为第n+1个聚类中心； [0010]对YOLOv4模型中的主干网CSPDarknet53进行优化， 具体优化为： 对CSPDarknet53 网络中的每个小残差块做加深处理， 将卷积层设置的stride设定为 1， 并将小残差块的卷积 层数在原有基础上增 加两层， 得到新的主干网CS PDarknet53‑deeper； [0011]对优化后的YOLOv4模型训练形成新的检测模型； [0012]通过新的检测模型对 扩充数据进行目标检测。 [0013]k‑means++选取K个聚类中心的具体步骤为： [0014]选取若干随机点作为 “种子点”， 对于每个随机点都计算其和最近的一个 “种子点” 的距离D(x)并保存在一个数组里， 然后把 这些距离加起 来得到Sum(D(x) )； [0015]再取一个随机值， 用权重方式来取计算下一个 “种子点”； 该权重方式计算原则为：说　明　书 1/4 页 3 CN 114821138 A 3