(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 20221028409 9.7 (22)申请日 2022.03.22 (71)申请人 西安电子科技大 学 地址 710000 陕西省西安市雁塔区太白南 路2号 (72)发明人 秦翰林　欧洪璇　延翔　罗国慧　 张昱赓　孙鹏　陈嘉欣　冯冬竹　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 李薇 (51)Int.Cl. G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01)G06V 10/42(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于形状先验分割和多尺度特征聚合 的红外弱小目标识别方法 (57)摘要 本发明公开了一种基于形状先验分割和多 尺度特征聚合的红外弱小目标识别方法， 包括： 对输入的红外原始图像执行高斯滤波操作， 以增 强暗淡的弱小目标； 对高斯滤波后的红外图像进 行基于形状先验的分割， 以获得目标候选区域； 对目标候选区域进行裁剪并输入到多尺度特征 提取模块， 以获取小目标的特征表示； 将小目标 的特征表 示输入到特征聚合网络中， 得到张量拼 接后的图像； 对张量拼接后的图像进行批量归一 化处理以及非线性变换， 并通过Softmax输出目 标分类结果。 本发明基于形状先验的分割模块充 分利用弱小目标的先验信息以获取可疑目标区 域， 减少全局参数量以提高算法效率， 多尺度特 征提取和聚合模块为弱小目标实现足够数量的 特征通道， 进 而保证其可检测性。 权利要求书2页 说明书6页 附图1页 CN 114842235 A 2022.08.02 CN 114842235 A 1.一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法， 其特征在于， 包括： S1： 对输入的红外原 始图像执 行高斯滤波操作， 以增强暗淡的弱小目标； S2： 对高斯滤波后的红外图像进行基于形状先验的分割， 以获得目标候选区域； S3： 对所述目标候选区域进行裁剪并输入到多尺度特征提取模块， 以获取小目标的特 征表示； S4： 将所述小目标的特 征表示输入到特 征聚合网络中， 得到张量 拼接后的图像； S5： 对所述张量拼接后的图像进行批量归一化处理以及非线性变换， 并通过Softmax输 出目标分类结果。 2.根据权利要求1所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S1， 包括： S11： 采用3*3的高斯核模板对所述红外原 始图像进行 预处理； S12： 运用imfi lter()函数 执行高斯滤波操作。 3.根据权利要求2所述的雷达抗干扰效能评估方法， 其特征在于， 执行高斯滤波操作后 的增强图像表示 为： 其中， (x， y)为所述红外原始图像中某一像素的坐标， I表示所述红外原始图像， G表示 高斯核。 4.根据权利要求1所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S2， 包括： S21： 利用基于形状先验的分割算法处理高斯滤波后的红外图像， 以排除大尺寸连续背 景区域和预设像素 数量的高能噪声； S22： 对排除大尺寸连续背景区域和预设像素数量的高能噪声的图像选择纵横比不超 过2的点区域来拟合可疑目标， 并在拟合的边界周围分割区域， 以排除带状边缘区域， 获得 所述目标候选区域。 5.根据权利要求4所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S21， 包括： S211： 将弱小目标的先验形状信息融入能量函数中， 以排除大尺寸连续背景区域和预 设像素数量的高能噪声。 6.根据权利要求5所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S21 1， 包括： S2111： 将形状先验的能量组合成能量 函数； S2112： 通过所述能量函数、 区域项的能量和边界项的能量排除大尺寸连续背景 区域和 预设像素 数量的高能噪声。 7.根据权利要求6所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述能量 函数的表达式为： E(L)＝R(L)+B(L)+Eshape； 其中， R(L)是区域项， B(L)是边界项， Eshape是形状先验项；权　利　要　求　书 1/2 页 2 CN 114842235 A 2所述区域项的能量表达式为： E(L)＝α R(L)+B(L)； 所述边界项的能量表达式为： 其中， α 为区域项和边界项之间 的相对重要性因子； Rp(lp)是将标签lp分配给像素p的权 重。 8.根据权利要求1所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S3， 包括： S31： 使用五个尺寸的卷积核对高斯滤波后的图像进行处 理以获取小目标的特 征表示。 9.根据权利要求8所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别方 法， 其特征在于， 所述S31， 包括： S311： 使用3 ×3、 5×5、 7×7、 9×9、 11×11五个尺寸的卷积核， 且其数量分别为1、 2、 3、 4 和5； S312： 所述五组卷积核对应于大小分别为1 ×1、 3×3、 5×5、 7×7和9×9的目标， 所述五 组卷积核数分别 为5、 4、 3、 2和1， 相应的特征映射数为5、 4、 3、 2和1， 以使15个特征映射和所 述红外原 始图像构成了16个通道的特 征映射； S313： 将所述五组卷积核形成的图像和特征图串联起来输入到中间最大池化层中， 其 中， 所述最大池化层的内核大小和步长 设置为2， 以得到32个通道的映射特征， 其中， 所述32 个通道的映射特 征为所述小目标的特 征表示。 10.根据权利要求1所述的基于形状先验分割和多尺度特征聚合的红外弱小目标识别 方法， 其特 征在于， 所述S4， 包括： S41： 将所述小目标的特 征表示进行 卷积和池化处 理， 得到中间层的特 征图； S42： 对所述小目标的特征表示进行下采样， 并将下采样时同一位置的像素分解成4个 子图； S43： 对所述中间层的特 征图和所述 4个子图进行张量 拼接。权　利　要　求　书 2/2 页 3 CN 114842235 A 3