(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 202211213534.3 (22)申请日 2022.09.30 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 胡悦　周鑫宇　张晔　 (74)专利代理 机构 黑龙江立超同创知识产权代 理有限责任公司 23217 专利代理师 杨立超 (51)Int.Cl. G06F 30/20(2020.01) G06V 10/774(2022.01) G06V 10/28(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) (54)发明名称 一种基于深度稀疏低秩神经网络的红外弱 小目标检测方法 (57)摘要 一种基于深度稀疏低秩神经网络的红外弱 小目标检测方法， 属于遥感数字图像处理中的红 外数据处理领域。 由于红外弱小目标的体积小、 亮度低， 使得其难以从图像中被检测到， 因此， 本 发明的提出为了提高红外弱小目标检测算法在 小目标检测方面的性能， 解决其在杂波背景下的 目标检测结果不准确的问题。 具体包括： 利用滑 动窗将原始红外图像分割为一系列的红外图像 块； 建立基于目标稀疏表示和背景低秩约束的目 标检测模型； 输入红外图像块， 利用交替方向乘 子法求解目标检测模型的各个变量； 并将所提出 的模型展开成卷积神经网络， 不断更新模型中相 关的参数； 重构得到的红外图像块中的目标检测 结果； 输出红外图像的目标检测结果。 本发明在 不同背景环境下对具有不同属性的红外目标均 能够取得较好的检测结果。 权利要求书3页 说明书9页 附图7页 CN 115510660 A 2022.12.23 CN 115510660 A 1.一种基于深度稀疏低秩神经网络的红外弱小目标检测方法， 其特征在于， 所述方法 包含以下步骤： 步骤一、 输入一张空间尺寸为M ×N的红外图像fD； 设计一个滑动窗口w， 按照固定步长s 从红外图像fD的左上角移动到右下角， 提 取红外图像fD中的局部图像 块； 并将提取得到所有 局部图像块向量 化， 组成空间尺寸 为m×n的红外块图像D； 步骤二、 利用红外块图像中背景和目标的低秩与稀疏特性， 建立凸优化方程对红外弱 小目标进行检测； 基于背景一致性假设， 推出红外块图像的背景B是一个低秩矩阵； 同时利 用目标与背景的差异推出目标红外块图像T是一个稀疏矩阵； 步骤三、 利用稀疏学习增强凸优化方程中目标稀疏约束项， 并利用增广拉格朗日算法 对建立的凸优化问题进 行重构； 对于目标图像T的求解引入辅助变量h； 在此基础上， 使用交 替方向乘子法分别迭代 求解目标 红外块图像T， 红外块背 景图像B， 辅助变量h以及拉格朗日 乘子U； 步骤四、 将建立的稀疏目标检测模型展开成卷积神经网络， 分别设计稀疏先验层、 低秩 先验层、 重构层和乘子更新层更新求解各个变量及辅助变量过程中涉及到的参数； 通过构 建神经网络， 实现这些参数的共享以及优化， 以寻 求最优解； 步骤五、 判断红外块图像D与迭代输出的目标红外块图像T， 红外块背景图像B是否满足 收敛条件； 如果满足， 则输出目标红外块图像T和红外块背景图像B； 如果不满足， 则 返回步 骤三继续迭代循环； 步骤六、 将输出的目标红外块图像T和红外块背景图像B中的每一列参照步骤一中的向 量化方法， 恢复为局部图像块； 并按照滑动窗的步长对局部图像块进 行拼接； 将原图中相同 位置像素所对应的各个局部图像块内的像素值取中值作为输出图像中的最终灰度值， 从而 得到红外弱小目标检测结果。 2.根据权利要求1所述的一种基于深度稀疏低秩神经网络的红外弱小目标检测方法， 其特征在于： 所述 步骤二的具体过程 为： 步骤二一、 由于热辐射、 衍射的影响， 提取的局部图像块与其周围的图像块相关， 表现 出非局部自相关特性； 通过对原始红外图像进行奇异 值求解， 可以发现非零奇异 值非常少， 这表明红外块图像的背 景图像B是一个低秩矩阵； 相反， 通常弱小目标的像素强度与周围像 素强度存在较大差异， 目标红外块图像T是一个稀疏矩阵； 因此， 红外小目标检测问题可以 表示为 其中， D是红外块图像， N是噪声， λ是正则化参数， || ·||0代表l0范数， rank( ·)代表矩 阵的秩； 步骤二二、 l0范数的求解是NP ‑hard问题， 不能够直接求解； 因此， 利用l1范数代替l0范 数， 并且用核范 数求解矩阵的秩， 则公式(1)可以改写为 其中， ||·||*代表核范数， || ·||1代表l1范数， ||·||F代表Frobrnius范数， δ是一个 接近于0的常数。 3.根据权利要求1或2所述的一种基于深度稀疏低秩神经网络的红外弱小目标检测方权　利　要　求　书 1/3 页 2 CN 115510660 A 2法， 其特征在于： 所述 步骤三的具体过程 为： 步骤三一、 利用公式(2)检测到的目标通常会受到图像背景和噪声 的影响； 因此， 利用 稀疏转换增强检测目标的稀疏性， 则公式(2)可以被表示 为 其中， D是稀疏转换。 步骤三二、 利用增广拉格朗日乘子法对公式(3)进行优化， 可以得到如下表达形式 其中， ρ 是惩罚参数， Y是拉格朗日乘子， λ1和 λ2是正则化 参数； 步骤三三、 用交替方向乘子法分别求 解公式(4)中的B和T， 如下 所示 其中， 是更新速率。 步骤三四、 对于B的求 解采用奇异值阈值 算法， 如下 所示 其中， σi， ui和vi是对D‑T+U进行奇异值分解之后得到的结果中 的第i个数值,max( ·)代 表求取最大值； Bt代表第t次迭代产生的B的值； 步骤三五、 变量T的求解是一个线性逆问题， 使用迭代收缩阈值算法对其进行求解； 具 体而言， 利用迭代收缩阈值 算法交替 求解辅助变量ht和Tt， 如下所示 其中 是更新速率， Tt可以利用软阈值方法进行求 解， 即 4.根据权利要求1或3所述的一种基于深度稀疏低秩神经网络的红外弱小目标检测方 法， 其特征在于： 所述 步骤四的具体过程 为： 步骤四一、 设计重建层ht； 根据公式(7)， 第t次迭代的重建结果与第t ‑1次迭代的输 出有 关， 即Bt‑1、 Ut‑1和Tt‑1； 在第一次迭代中， B0、 U0和T0被设置为D； 超参数 可以在每次迭代中更 新； 初始化数值 为0.1。 步骤四二、 设计稀疏先验层Tt； 该层根据公式(8)的不断更新增强了目标Tt的稀疏特性； 设计了一个的6层卷积神经网络， 通过数百组训练数据的学习、 训练和验证， 得到了一个完 备的稀疏变换矩阵 为了扩充网络容量， 公式(8)中的 和 分别在本层中利用一个三层 的卷积神经网络进行 学习， 并得到 和 步骤四三、 设计低秩先验层Bt； 根据公式(6)， Bt通过具有软阈值方案的奇异值分解来求权　利　要　求　书 2/3 页 3 CN 115510660 A 3